Nguyên lý hoạt động
File PDF được nạp vào Web Worker cục bộ của `pdfjs-dist`, phân tích biểu thức chọn trang (`all` hoặc `1-4, 7`), đọc tọa độ `(x, y)` của từng cụm chữ, gom nhóm theo cùng dòng ngang (`yTolerance = 3.5`), sắp xếp từ trái sang phải rồi định dạng thành Plain Text hoặc Markdown.
Hướng dẫn từng bước
Chọn file PDF từ máy tính (toàn bộ xử lý trong RAM trình duyệt).
Nhập khoảng trang cần lấy (`all` hoặc `1-3, 5`) rồi nhấn trích xuất lại nếu cần.
Chọn định dạng `Plain Text (.txt)` hoặc `Markdown (.md)` và bật/tắt tiêu đề số trang.
Sao chép văn bản hoặc tải xuống trực tiếp thành file `.txt` / `.md`.
Tính năng nổi bật & Hiệu năng
- Tái tạo đúng thứ tự dòng theo tọa độ gốc, tránh bị xáo trộn từ ở tài liệu nhiều đoạn
- Bộ chọn trang linh hoạt hỗ trợ trang lẻ và khoảng trang (`1-3, 6, 9-12`)
- Xuất trực tiếp ra Plain Text (`.txt`) hoặc Markdown (chia mục `## Page N`)
- Thống kê ngay số trang đã trích xuất và tổng số từ
- Không gửi file qua mạng: phù hợp cho hợp đồng pháp lý, hồ sơ y tế và chứng từ tài chính
Phương pháp tính, Công thức & Tiêu chuẩn
Các token văn bản được gom cụm theo khoảng cách trục tung `y` trong phạm vi `3.5` đơn vị PDF và sắp xếp theo trục hoành `transform[4]` (`x`) trước khi chuẩn hóa khoảng trắng thừa.
Tình huống sử dụng thực tế
- Lấy nhanh điều khoản từ hợp đồng NDA hoặc hợp đồng đối tác để rà soát cục bộ
- Trích xuất một vài chương cụ thể từ tài liệu kỹ thuật PDF dày hàng trăm trang
- Lấy nội dung hóa đơn, biên lai PDF có sẵn lớp chữ để dán vào sổ kế toán
- Chuyển trích dẫn nghiên cứu sang Markdown để lưu vào Obsidian hoặc Notion
Ví dụ minh họa & Trường hợp biên
Selective Page Range Extraction
Pages: `1-2, 5` on a 12-page contract
Extracts only pages 1, 2, and 5 with clear page dividers
Avoids copying boilerplate appendices when you only need key clauses.
Scanned PDF Detection Note
Image-only scanned document page
_No extractable text layer on this page._
If a PDF lacks an embedded text layer, switch to our Batch OCR tool.
Lưu ý về giới hạn & Độ chính xác
- • Chỉ trích xuất được lớp chữ điện tử có sẵn trong PDF — các file scan chỉ gồm ảnh chụp trang giấy cần dùng công cụ OCR hàng loạt.
- • Bố cục học thuật nhiều cột sát nhau có thể bị gộp hai cột cùng hàng nếu đường cơ sở chữ ngang nhau.
Xử lý trực tiếp trên trình duyệt & Bảo mật
Các trang chuyển đổi thông thường tải tài liệu, mã nguồn hoặc video của bạn lên máy chủ từ xa. Trích Xuất Chữ Từ PDF (TXT & Markdown) chạy hoàn toàn ngay trong tab trình duyệt của bạn:
Nội dung và tệp của bạn được tính toán ngay tại máy, không gửi lên bất kỳ máy chủ xử lý nào.
Microdeck không ghi lại hay lưu trữ tệp và văn bản bạn dán vào công cụ.
Kết quả làm việc chỉ nằm trong bộ nhớ tab hiện tại và tự giải phóng khi bạn đặt lại hoặc đóng tab.
Câu hỏi thường gặp (FAQ)
Tại sao file PDF scan lại trích xuất ra nội dung trống?
PDF dạng scan chỉ lưu ảnh phẳng của trang giấy chứ không có dữ liệu ký tự chọn được. Hãy dùng công cụ Batch OCR offline của Microdeck để nhận diện chữ từ bản scan.
Tài liệu PDF bảo mật có bị tải lên Cloudflare hay API ngoài không?
Không. `pdfjs-dist` đọc dữ liệu byte hoàn toàn trong worker nội bộ trên trình duyệt của bạn.
Tôi có thể chỉ lấy một vài trang thay vì cả file PDF dài không?
Có. Nhập cú pháp như `1-3, 5` vào ô chọn trang rồi nhấn trích xuất lại.
Xuất `.txt` và `.md` khác nhau điểm nào?
`.txt` dùng dòng phân cách `=== Page N ===`, còn `.md` dùng tiêu đề Markdown `## Page N` và ghi chú rõ các trang không có chữ.
Khám phá công cụ liên quan
Xem & Xóa Metadata Ẩn Trong File PDF (Author, Creator, XMP)
Kiểm tra thông tin Tác giả, Phần mềm tạo & luồng XMP trong PDF — chỉnh sửa hoặc xóa sạch offline
Chuyển Ảnh & PDF Scan Thành Văn Bản (OCR Tiếng Việt Offline)
Trích xuất chữ có thể chỉnh sửa từ PDF scan và ảnh chụp trên trình duyệt, không tải file lên
Đếm Từ, Ký Tự Unicode, Byte UTF-8 & Độ Dễ Đọc Văn Bản
Đếm chính xác cụm chữ Intl.Segmenter, byte UTF-8, thời gian đọc/nói & mật độ từ khóa