Một tệp PDF được quét là một bức ảnh chụp tài liệu. Nó trông giống như văn bản, nhưng thực chất không có dữ liệu văn bản nào bên trong — chỉ là một ma trận các điểm ảnh. Chức năng tìm kiếm không hoạt động. Sao chép và dán không thành công. Các trình đọc PDF không thể lập chỉ mục. Các công cụ trích xuất văn bản trả về kết quả trống. Giải pháp là Nhận dạng ký tự quang học (OCR): một quy trình đọc mẫu điểm ảnh trên mỗi trang, xác định các ký tự và tái tạo lại văn bản. LuraPDF tích hợp Tesseract — công cụ OCR mã nguồn mở được sử dụng rộng rãi nhất trên thế giới, do Google duy trì — dưới dạng tệp nhị phân WebAssembly chạy trực tiếp bên trong tab trình duyệt của bạn. Công cụ này chỉ tải xuống một lần và sau đó xử lý toàn bộ tài liệu của bạn trên thiết bị. Không cần tải lên tệp, không cần gọi API máy chủ, không cần xử lý từ xa. Tờ khai thuế đã quét, hợp đồng đã ký, hồ sơ bệnh nhân hoặc tài liệu lịch sử của bạn sẽ không bao giờ rời khỏi máy tính của bạn.
Bảo mật là lý do quan trọng nhất để lựa chọn giải pháp OCR dựa trên trình duyệt thay vì các giải pháp dựa trên máy chủ. Tài liệu được quét có độ nhạy cảm rất cao: mọi người quét tờ khai thuế, hồ sơ y tế, hồ sơ pháp lý, sao kê ngân hàng và giấy tờ tùy thân. Việc tải những tài liệu đó lên API OCR trên đám mây — ngay cả khi API đó có chính sách bảo mật — có nghĩa là tệp tin sẽ di chuyển qua internet, nằm trên máy chủ, đi qua các quy trình xử lý và được lưu trữ tạm thời theo những cách nằm ngoài tầm kiểm soát của bạn. Kiến trúc của LuraPDF loại bỏ rủi ro đó về mặt cấu trúc. Tệp nhị phân Tesseract WASM chạy trong một Web Worker được cách ly bên trong trình duyệt của bạn. Dữ liệu duy nhất di chuyển là lớp văn bản đã được OCR ghi lại vào tệp PDF trong bộ nhớ — tất cả đều cục bộ. Kết quả đầu ra là một tệp PDF có thể tìm kiếm, trong đó hình ảnh trang gốc được bảo toàn chính xác và một lớp văn bản vô hình được thêm vào bên dưới, được căn chỉnh hoàn hảo để khớp với vị trí ký tự mà Tesseract đã xác định.
Các tệp PDF được quét đang tích lũy trong mọi ngành nghề. Công nghệ OCR giúp khai thác chúng. Dưới đây là các quy trình làm việc mà OCR cục bộ, riêng tư là phương pháp duy nhất được chấp nhận.
Các hợp đồng đã ký kết, giấy tờ nhà đất và hồ sơ tòa án thường được quét và lưu trữ dưới dạng PDF hình ảnh. Sử dụng công nghệ OCR để xử lý chúng cục bộ giúp mọi điều khoản có thể tìm kiếm được trong hệ thống quản lý tài liệu mà không cần tải các tài liệu pháp lý bí mật lên dịch vụ đám mây.
Các thư viện, kho lưu trữ và nhà nghiên cứu phả hệ thường quét các tờ báo, thư từ, sổ sách kế toán và bản thảo lịch sử. Tesseract hỗ trợ các phông chữ Latinh cổ và các bộ ký tự không chuẩn. Chạy OCR để tìm kiếm các tài liệu có tuổi đời hàng thế kỷ mà không cần truyền tải các tài liệu lịch sử dễ hư hỏng đến máy chủ của bên thứ ba.
Các bài báo học thuật thời kỳ tiền kỹ thuật số, kỷ yếu hội nghị và bản quét tạp chí không thể tìm kiếm được theo mặc định. Hãy sử dụng công nghệ OCR để hỗ trợ tìm kiếm bằng Ctrl+F, chú thích, trích xuất tài liệu tham khảo và đưa chúng vào các công cụ quản lý tài liệu tham khảo.
Các biên lai chi phí và hóa đơn được quét chứa số tiền, ngày tháng và tên nhà cung cấp được mã hóa trong các điểm ảnh. Công nghệ OCR chuyển đổi chúng thành văn bản có thể tìm kiếm và chọn lọc — cho phép sao chép và dán vào phần mềm kế toán hoặc trích xuất dữ liệu tiếp theo.
Hồ sơ bệnh án cũ, thư chuyển viện và các biểu mẫu lâm sàng được lưu trữ dưới dạng bản quét. Thông tin sức khỏe được bảo mật quá nhạy cảm để tải lên API OCR trên đám mây. Hãy chạy OCR cục bộ để giúp tìm kiếm được hồ sơ trong khi vẫn giữ thông tin sức khỏe được bảo mật trên thiết bị của phòng khám.
Các quy trình xử lý thông tin tài liệu, chẳng hạn như trích xuất thực thể, phân loại nội dung hoặc tóm tắt tài liệu PDF, đều cần một lớp văn bản để hoạt động. Công nghệ OCR quét PDF cục bộ bằng Tesseract WASM tạo ra các tệp PDF có thể tìm kiếm hoặc các tệp văn bản thô để cung cấp dữ liệu cho các mô hình xử lý ngôn ngữ tự nhiên (NLP) mà không cần tiết lộ dữ liệu tài liệu cho các API bên ngoài.
Tesseract WASM trên trình duyệt kết hợp độ chính xác OCR cấp độ nghiên cứu với sự đảm bảo quyền riêng tư nhờ xử lý cục bộ. Dưới đây là những gì sự kết hợp đó mang lại.
Khi bạn tải lên một tệp PDF đã quét, pdf.js sẽ hiển thị từng trang lên một canvas HTML với độ phân giải mục tiêu là 200 DPI (có thể cấu hình thành 300 DPI cho chế độ Chính xác). Dữ liệu hình ảnh canvas được truyền qua SharedArrayBuffer đến một Tesseract.js Web Worker đang chạy các mô hình ngôn ngữ LSTM đã chọn. Tesseract thực hiện phân tích bố cục để phân đoạn trang thành các vùng văn bản, sau đó áp dụng mạng nơ-ron LSTM cho từng vùng để nhận dạng chuỗi ký tự. Kết quả đầu ra là một danh sách các từ với chuỗi ký tự Unicode được nhận dạng và tọa độ hộp giới hạn — vị trí pixel trên trang nơi mỗi từ xuất hiện.
Sau khi Tesseract xử lý xong một trang, pdf-lib sử dụng văn bản và khung bao được nhận dạng để vẽ một lớp văn bản vô hình trên trang PDF tương ứng. Mỗi từ được đặt tại tọa độ đã phát hiện bằng cách sử dụng `page.drawText()` với kích thước phông chữ được tính toán từ chiều cao của khung bao và màu văn bản là `rgb(0, 0, 0)` với độ mờ bằng không — vô hình về mặt hình ảnh, nhưng vẫn hiện diện trong luồng nội dung văn bản của PDF. Các trình xem PDF hiện đại sử dụng luồng văn bản này cho các thao tác tìm kiếm, chọn và bản sao . Kết quả là một tệp PDF trông giống hệt bản quét gốc nhưng phản hồi tổ hợp phím Ctrl+F, hỗ trợ chọn văn bản và có thể được lập chỉ mục bởi các hệ thống quản lý tài liệu và công cụ tìm kiếm.
| Tính năng | LuraPDF | Nhận dạng ký tự quang học (OCR) dựa trên máy chủ (ilovepdf, Smallpdf) | Adobe Acrobat |
|---|---|---|---|
| Sự riêng tư | Chỉ hiển thị trên trình duyệt — tập tin không bao giờ được tải lên. | Tài liệu đã quét được tải lên máy chủ từ xa. | Địa điểm có sẵn, nhưng cần đăng ký trả phí. |
| Hỗ trợ ngôn ngữ | Hỗ trợ hơn 100 ngôn ngữ thông qua Tesseract WASM. | Tùy thuộc vào từng trường hợp — thường thì số lượng ngôn ngữ sẽ ít hơn. | Acrobat: nhiều tính năng, nhưng số lượng ngôn ngữ hỗ trợ có hạn. |
| Trị giá | Miễn phí vĩnh viễn, không giới hạn số trang. | Mô hình Freemium — giới hạn số trang hoặc yêu cầu trả phí | $$$ Đăng ký Acrobat |
| Cần đăng ký | Không có gì cả — hãy mở trang và chạy OCR. | Cần có tài khoản để xem tài liệu nhiều trang. | Cần có Adobe ID và gói đăng ký. |
Chất lượng quét là yếu tố quan trọng nhất ảnh hưởng đến độ chính xác của OCR. Những mẹo này sẽ giúp bạn đạt được kết quả tốt nhất từ Tesseract WASM.
Hãy chọn ngôn ngữ chính xác — Độ chính xác của Tesseract giảm đáng kể khi áp dụng mô hình ngôn ngữ không chính xác. Nếu bạn không chắc chắn, hãy chọn nhiều ngôn ngữ có khả năng đúng và Tesseract sẽ đưa ra quyết định giữa chúng.
Độ phân giải quét cao hơn cho ra kết quả OCR tốt hơn — quét ở độ phân giải 300 DPI đạt độ chính xác cao hơn đáng kể so với 150 DPI hoặc thấp hơn, đặc biệt là đối với văn bản cỡ chữ nhỏ và các hệ chữ không phải Latinh.
Cắt và xoay trước khi nhận dạng ký tự quang học (OCR) — sử dụng các công cụ Cắt PDF và Xoay PDF của LuraPDF để căn chỉnh các trang thẳng đứng và loại bỏ lề trước khi chạy OCR. Các trang bị nghiêng hoặc lộn ngược sẽ làm giảm chất lượng nhận dạng.
Đối với các tài liệu nhiều trang dung lượng lớn trên thiết bị di động, hãy chuyển sang trình duyệt máy tính để bàn — Tesseract WASM tiêu tốn nhiều tài nguyên xử lý và thiết bị di động sẽ chậm hơn. Trình duyệt Chrome hoặc Firefox trên máy tính bảng hoặc máy tính để bàn cho hiệu suất tốt nhất.
Sau khi thực hiện OCR, hãy sử dụng PDF to Text để trích xuất toàn bộ văn bản đã được nhận dạng dưới dạng tệp văn bản thuần túy để dán vào trình xử lý văn bản, công cụ dịch thuật hoặc quy trình xử lý dữ liệu.
Đối với các tài liệu đa ngôn ngữ có nhiều hệ chữ khác nhau — ví dụ như hợp đồng pháp lý có các phần tiếng Anh và tiếng Ả Rập, hoặc bài báo có văn bản tiếng Anh và số liệu tiếng Trung — hãy chọn tất cả các ngôn ngữ liên quan trước khi chạy OCR thay vì xử lý từng phần riêng biệt.
Chỉ cần kéo thả tệp PDF đã quét vào khu vực tải lên phía trên, chọn ngôn ngữ tài liệu và để Tesseract WASM giúp bạn tìm kiếm được mọi trang — hoàn toàn ngay trên trình duyệt của bạn. Không cần tải lên, không cần máy chủ, không cần tài khoản, không có hình mờ, không giới hạn số trang. Các tài liệu thuế, hồ sơ pháp lý, hồ sơ y tế và tài liệu lưu trữ đã quét của bạn sẽ được lưu giữ trên thiết bị từ lúc bạn chọn chúng cho đến khi tệp PDF có thể tìm kiếm được nằm trong thư mục tải xuống của bạn. Sau khi nhận dạng ký tự quang học (OCR), hãy trích xuất toàn văn bằng công cụ PDF to Text, cắt và xoay bản quét bằng các công cụ Crop PDF và Rotate PDF, hoặc chú thích các trang mới có thể tìm kiếm được bằng công cụ Annotate PDF.