Chiều thứ Sáu, sếp gửi bản hợp đồng 12 trang kèm một câu "sửa giúp anh điều 4". Bạn tìm cách chuyển PDF scan sang Word, tải file về, bấm vào dòng cần sửa, và cả trang bị chọn như một tấm hình. Công cụ không hỏng đâu. Bản scan vốn là như thế, và cần thêm một bước mà nhiều trang chuyển file không nói rõ.

Vì sao chuyển xong file Word chỉ toàn ảnh?

Nhìn bằng mắt thì bản scan và bản xuất từ Word giống hệt nhau, cũng chữ đen trên nền trắng. Bên trong file thì hai thứ khác nhau hoàn toàn.

Bản scan là một xấp ảnh chụp

Máy scan và ứng dụng chụp tài liệu trên điện thoại không đọc chữ. Chúng chụp cả trang giấy thành một tấm ảnh rồi xếp các tấm ảnh đó vào file PDF. Với máy tính, trang hợp đồng của bạn chẳng khác gì ảnh chụp một bức tường, chỉ là các điểm ảnh sáng tối nằm cạnh nhau. Không có chữ "điều 4" nào được lưu lại cả.

Công cụ chuyển không tự biết đọc chữ trong ảnh

Chuyển PDF sang Word thực chất là lấy chữ, bảng và hình trong PDF rồi xếp lại thành tài liệu Word. Gặp trang chỉ có một tấm ảnh, công cụ làm đúng việc của nó là đặt tấm ảnh ấy vào trang Word. Kết quả là một file DOCX mở được, nhìn y như bản gốc, nhưng bấm vào đâu cũng chỉ chọn trúng hình. Muốn có chữ thì phải có thêm bước nhận dạng chữ, gọi là OCR.

Cách nhận biết một file PDF scan

Kiểm tra trước sẽ đỡ mất công tải lên, chờ, tải về rồi mới thất vọng. Hai cách dưới đây mất chừng nửa phút.

Thử bôi đen và tìm kiếm

Mở file, rê chuột bôi đen một dòng. Với bản scan, bạn không bôi được từng chữ mà chỉ kéo ra một khung chọn hình chữ nhật, hoặc chọn luôn cả trang. Cách thứ hai là bấm Ctrl+F rồi gõ một từ đang nằm ngay trước mắt. Tìm không ra tức là file không có chữ thật.

Cũng có bản scan vẫn bôi đen được, vì máy scan đã nhận dạng chữ sẵn và giấu một lớp chữ dưới ảnh. Loại này cứ thử chuyển, kết quả tốt hay không tùy lớp chữ ấy chính xác tới đâu.

Phóng to và nhìn dung lượng

Phóng trang lên khoảng 400%. Chữ trong PDF thật vẫn sắc mép, còn chữ scan sẽ nhòe, lộ răng cưa, nền giấy lốm đốm. Dung lượng cũng là một dấu hiệu. Mười trang văn bản thật thường chỉ vài trăm KB, còn mười trang scan có thể lên vài MB, lý do mình đã giải thích ở bài tại sao PDF scan nặng hơn bản gốc.

Bôi đen thử một dòng để nhận biết file PDF scan trước khi chuyển sang Word
Bôi đen thử một dòng để nhận biết file PDF scan trước khi chuyển sang Word

OCR là gì mà bản scan cần đến nó?

OCR là viết tắt của nhận dạng ký tự quang học. Nghe to tát, thật ra ý rất đơn giản.

Máy nhìn ảnh rồi đoán ra chữ

Phần mềm OCR dò trên tấm ảnh, tìm các vùng có nét chữ, so từng nét với những mẫu chữ nó đã học rồi ghi lại thành chữ gõ được. Chữ "đoán" ở đây là có lý do. OCR không sao chép, nó suy ra, nên luôn có một tỉ lệ sai nhất định.

Vì sao OCR tiếng Việt hay sai dấu

Dấu của tiếng Việt rất nhỏ. Một vết mờ là "ả" thành "ã", "ơ" thành "o", số 0 thành chữ O. Bản scan càng nghiêng, càng tối, càng bị nén mạnh thì sai càng nhiều. Mình hay scan ở khoảng 300 DPI khi biết trước là sẽ cần lấy chữ, chi tiết hơn có trong bài DPI là gì và nên chọn bao nhiêu khi scan. Và dù công cụ nào quảng cáo chính xác đến đâu, những chỗ như số tiền, ngày tháng, họ tên vẫn nên dò lại bằng mắt.

Phần mềm OCR nhận dạng chữ tiếng Việt từ ảnh của một trang scan
Phần mềm OCR nhận dạng chữ tiếng Việt từ ảnh của một trang scan

Chuyển PDF scan sang Word bằng công cụ có OCR

Bạn không nhất thiết phải mua phần mềm. Có vài lối đi, từ miễn phí đến chuyên nghiệp.

Google Drive và Google Tài liệu

Cách này miễn phí và nhiều người có sẵn tài khoản:

  1. Tải file PDF scan lên Google Drive.
  2. Bấm chuột phải vào file, chọn mở bằng Google Tài liệu.
  3. Chờ Google nhận dạng xong, dò lại nội dung rồi tải xuống ở dạng Microsoft Word.

Điểm trừ là bố cục gần như mất hết. Bảng biểu, cột, chữ in đậm phần lớn phải làm lại, và cách này chỉ hợp với file nhẹ, vài trang, chữ rõ. File dài thì nên dùng Tách PDF lấy riêng những trang cần sửa trước khi đưa lên.

Phần mềm chuyên OCR và điện thoại

Tài liệu nhiều bảng hoặc dài hàng chục trang thì phần mềm chuyên OCR như ABBYY FineReader, hay bản trả phí của Adobe Acrobat, giữ bố cục tốt hơn hẳn. Còn nếu chỉ cần vài dòng, nhiều điện thoại bây giờ cho copy chữ ngay trong ảnh, Google Lens là một ví dụ. Chụp trang giấy, chọn đoạn chữ, dán vào Word. Nhanh hơn cả việc đi tìm trang chuyển file.

Công cụ của nenpdf.vn hợp với loại file nào?

Phần này mình muốn nói rõ để bạn khỏi tốn một lượt tải lên vô ích.

Chưa có OCR, nên không dành cho bản scan

Công cụ PDF sang Word của nenpdf.vn không nhận dạng chữ. Đưa bản scan vào, bạn sẽ nhận về file Word chứa ảnh của từng trang. Bù lại, với PDF có chữ thật thì nó làm khá tốt. Tài liệu được dựng lại bằng chính Microsoft Word thành đoạn văn, tiêu đề, bảng sửa được từng ô, chữ có dấu vẫn là Unicode. Nếu file loại này mà chữ vẫn ra ký tự lạ, nguyên nhân nằm ở bảng mã chứ không phải scan, xem bài chuyển PDF sang Word không lỗi font.

Chọn cách theo loại file

File của bạn Dấu hiệu Nên dùng
PDF có chữ thật Bôi đen, copy được Công cụ PDF sang Word của nenpdf.vn
Bản scan ngắn, chữ rõ Không bôi đen được Mở bằng Google Tài liệu
Bản scan dài, nhiều bảng Không bôi đen được Phần mềm chuyên OCR
Chỉ cần vài dòng Ảnh chụp, giấy in Copy chữ từ ảnh trên điện thoại

Tổng kết

Bản scan là một xấp ảnh, nên chuyển sang Word mà không có OCR thì ảnh vẫn hoàn ảnh. Thử bôi đen một dòng trước khi làm gì khác. Không bôi được thì tìm công cụ có OCR và nhớ dò lại dấu. Bôi được thì mọi chuyện nhẹ nhàng hơn nhiều, bạn có thể chuyển PDF sang Word miễn phí tại nenpdf.vn, không cần đăng ký hay cài phần mềm, file tự xóa sau 30 phút.