Nén PDF Có Làm Mất Khả Năng Tìm Kiếm Văn Bản Không?

Có — hầu hết thời gian. Nếu một công cụ nén làm PDF của bạn nhỏ hơn đáng kể, thì gần như chắc chắn nó đã chuyển mỗi trang thành một hình ảnh, và văn bản bên trong không còn là văn bản nữa.

Bạn thường phát hiện ra điều này sau đó, vào lúc tệ nhất: tìm kiếm một điều khoản trong hợp đồng và không có kết quả, hoặc sao chép một đoạn văn và không lấy được gì. Hướng dẫn này giải thích tại sao điều đó xảy ra, cách kiểm tra, và cách nén tệp mà không gặp vấn đề đó.

Hai Thao Tác Hoàn Toàn Khác Nhau Cùng Chung Một Từ

"Nén" mô tả hai thứ hoạt động theo cách hoàn toàn trái ngược nhau. Các công cụ hiếm khi cho bạn biết bạn đang dùng loại nào.

Không mất dữ liệu: tái cấu trúc tệp

Cấu trúc tài liệu được viết lại hiệu quả hơn. Các tài nguyên trùng lặp được gộp lại, các đối tượng không dùng đến bị loại bỏ, và các luồng nội bộ được đóng gói lại. Không có gì trên trang bị thay đổi.

Văn bản vẫn là văn bản. Phông chữ vẫn được nhúng. Liên kết, trường biểu mẫu và chú thích vẫn còn nguyên. Hạn chế là mức giảm kích thước: thường 20–30%, và với một tệp đã được tạo tốt, đôi khi gần như không giảm được gì.

Mất dữ liệu: chụp ảnh các trang

Mỗi trang được kết xuất thành một hình ảnh, hình ảnh đó được nén, và một PDF mới được tạo với một hình ảnh cho mỗi trang.

Cách này cực kỳ hiệu quả — 60–80% với các tài liệu được quét là bình thường — vì nó loại bỏ sự phân biệt giữa một ký tự và các điểm ảnh tạo nên nó. Và đó chính xác là vấn đề. Sau đó, trang là một bức ảnh chụp tài liệu của bạn. Không có văn bản nào trong đó để tìm kiếm.

Cách Nhận Biết Bạn Đã Nhận Loại Nào

Mở tệp đầu ra và thử chọn một dòng văn bản nội dung bằng con trỏ của bạn.

• Con trỏ văn bản xuất hiện và bạn có thể tô sáng từng từ — văn bản vẫn còn nguyên.
• Bạn nhận được hộp chọn trên toàn bộ trang, hoặc không có gì xảy ra — trang là một hình ảnh.

Hai cách kiểm tra nhanh khác: nhấn Ctrl+F (Cmd+F trên Mac) và tìm kiếm một từ bạn có thể nhìn thấy rõ ràng. Và phóng to lên 400%. Văn bản thực vẫn sắc nét ở bất kỳ mức phóng nào vì nó được vẽ từ các đường viền phông chữ; hình ảnh sẽ mờ dần rồi trở nên vỡ khối.

Tại Sao Điều Này Quan Trọng Hơn Bạn Nghĩ

Mất văn bản có thể tìm kiếm không chỉ là bất tiện.

Bạn không thể tìm kiếm hay trích xuất. Bất kỳ quy trình nào đọc dữ liệu từ tài liệu đều ngừng hoạt động — hệ thống quản lý chi phí, xem xét hợp đồng, lập chỉ mục quản lý tài liệu.

Trình đọc màn hình không thể đọc nó. Đây là vấn đề nghiêm trọng. Một trang là hình ảnh hoàn toàn không thể tiếp cận đối với bất kỳ ai sử dụng công nghệ hỗ trợ. Nếu bạn đang xuất bản tài liệu mà công chúng sẽ đọc, hoặc làm việc ở bất kỳ đâu có nghĩa vụ về khả năng tiếp cận, thì PDF chỉ chứa hình ảnh là đầu ra không thể chấp nhận được.

Các công cụ tìm kiếm không thể lập chỉ mục nó. Một PDF được xuất bản trên trang web mà không có lớp văn bản sẽ không đóng góp gì cho tìm kiếm.

Chất lượng giờ là vĩnh viễn. Bạn không thể khôi phục văn bản sau này ngoại trừ bằng cách chạy OCR, thứ tái tạo lại nó bằng cách đoán các điểm ảnh — thường là chính xác, nhưng không bao giờ hoàn hảo, và không bao giờ với định dạng gốc.

Lựa Chọn Có Chủ Đích

Công cụ Nén PDF của chúng tôi hiển thị cả hai, và cho bạn biết mỗi cài đặt là loại nào.

Giữ văn bản là con đường không mất dữ liệu. Dùng nó bất cứ khi nào tài liệu sẽ được tìm kiếm, đọc bằng công nghệ hỗ trợ, xử lý tự động, hoặc lưu giữ như một hồ sơ. Hãy kỳ vọng mức giảm khiêm tốn.

Kích thước nhỏ nhất là con đường mất dữ liệu, với ba mức độ — khoảng 144, 108 và 72 DPI. Dùng nó khi tệp phải phù hợp với giới hạn cứng và một người chỉ đơn giản là sẽ xem nó. Công cụ nêu rõ rằng văn bản không còn có thể chọn được ở bất kỳ chế độ nào trong số này.

Cũng có chế độ Kích thước mục tiêu cho khi một cổng thông tin yêu cầu một con số cụ thể. Đây là chế độ mất dữ liệu, vì vậy sự đánh đổi tương tự được áp dụng.

Trường Hợp Mà Điều Đó Không Tạo Ra Sự Khác Biệt

Nếu PDF của bạn là một bản quét, thì chưa bao giờ có văn bản nào trong đó để mất. Một bức ảnh chụp trang không chứa ký tự nào, chỉ có các điểm ảnh, dù công cụ nào tạo ra nó.

Với các bản quét, nén mất dữ liệu không tốn gì về khả năng tìm kiếm — vì bạn không có khả năng đó ngay từ đầu. Đó cũng là lý do tại sao các bản quét nén tốt như vậy: chúng là dữ liệu hình ảnh thuần túy, đó chính xác là thứ mà nén mất dữ liệu được thiết kế cho.

Nếu bạn muốn một bản quét có thể tìm kiếm được, đó là một thao tác riêng biệt: OCR đọc các điểm ảnh và thêm một lớp văn bản bên dưới. Đáng làm trước khi bạn nén, vì nén mạnh làm cho các ký tự khó nhận dạng hơn và OCR kém chính xác hơn.

Một Quy Tắc Hiệu Quả

Hãy đặt một câu hỏi: sau khi tệp này được gửi đi, có thứ gì khác ngoài đôi mắt người cần đọc nó không?

• Không — một đồng nghiệp sẽ liếc qua nó, một người xem xét cổng thông tin sẽ phê duyệt nó, nó được gửi qua email. Mất dữ liệu là ổn. Hãy nhận mức 70% đó.
• Có — nó sẽ được tìm kiếm, lập chỉ mục, lưu trữ, đọc to, hoặc xử lý. Hãy giữ không mất dữ liệu, chấp nhận mức tiết kiệm nhỏ hơn, và tìm không gian ở nơi khác.

"Nơi khác" thường là các trang. Xóa những trang không ai yêu cầu hiệu quả hơn bất kỳ cài đặt nén nào, và không tốn gì về chất lượng. Trích xuất các trang PDF sẽ lấy ra chính xác những trang bạn cần.

Nếu Bạn Đã Mất Nó Rồi

Nếu bạn đã nén một tệp thành hình ảnh và không còn bản gốc nữa, văn bản không thể khôi phục về dạng ban đầu. Các lựa chọn của bạn là quay lại tài liệu nguồn và xuất lại, hoặc chạy OCR trên phiên bản đã nén để tạo ra một lớp văn bản mới.

OCR trên một tệp đã được nén nặng là tùy chọn yếu nhất trong số này, vì việc nén đã làm hỏng chính các hình dạng chữ cái mà quá trình nhận dạng phụ thuộc vào. Đó là lập luận mạnh nhất để giữ lại bản gốc của bất cứ thứ gì quan trọng.

Câu Hỏi Thường Gặp

Tôi có thể biết liệu PDF có văn bản thực mà không cần mở trong trình đọc không? Cách kiểm tra nhanh nhất là mở nó và thử chọn một dòng. Nếu bạn muốn chắc chắn, hãy tìm kiếm một từ bạn có thể nhìn thấy rõ ràng trên trang — nếu tìm kiếm không tìm thấy gì, không có lớp văn bản.

Việc nén có bao giờ xóa văn bản khỏi PDF không được quét không? Có. Nén mất dữ liệu kết xuất mỗi trang thành hình ảnh bất kể nội dung trên đó là gì. Một PDF được xuất từ Word với văn bản hoàn toàn tốt sẽ mất văn bản đó nếu bạn nén nó ở chế độ "kích thước nhỏ nhất".

Tệp nhỏ hơn có phải luôn luôn chất lượng kém hơn không? Không. Nén không mất dữ liệu làm tệp nhỏ hơn mà hoàn toàn không thay đổi chất lượng — nó loại bỏ phần dư thừa thay vì chi tiết. Chỉ là nó không thể đạt được mức giảm ấn tượng mà mọi người kỳ vọng.

PDF đã nén của tôi trông giống hệt. Nó có giữ lại văn bản không? Không nhất thiết. Ở mức phóng bình thường, một hình ảnh được nén tốt của một trang trông rất gần với bản gốc. Chọn văn bản là bài kiểm tra đáng tin cậy duy nhất.

Tôi có thể thêm lại văn bản sau khi nén không? Chỉ bằng cách chạy OCR, thứ tạo ra một lớp văn bản mới bằng cách nhận dạng các điểm ảnh. Nó thường chính xác nhưng không bao giờ được đảm bảo, và nó không khôi phục định dạng gốc.