- Vấn đề thường nằm ở việc mã hóa ký tự không chính xác hoặc thiếu bảng Unicode trong các phông chữ được nhúng của tệp.
- Có những phương pháp dựa trên việc tái hiện trực quan tài liệu bằng OCR để khắc phục các lớp văn bản bị lỗi.
- Độ phân giải hình ảnh và việc sử dụng các phông chữ không chuẩn ảnh hưởng trực tiếp đến sự xuất hiện của các ký hiệu kỳ lạ hoặc hình vuông.
Tại sao lại xuất hiện các ký hiệu khi sao chép văn bản từ tệp PDF? Có lẽ bạn đã từng gặp phải trường hợp này: bạn đang làm việc với một tài liệu PDF, bạn chọn một đoạn văn bản trông ổn, dán nó vào Word hoặc Notepad, và đột nhiên bạn thấy xuất hiện các ký hiệu. những ký hiệu vô nghĩaCác hình vuông hoặc ký tự trông như đến từ hành tinh khác. Đó là một tình huống khó chịu khiến chúng ta nghĩ rằng tập tin bị hỏng, nhưng thực tế là đó chỉ là một lỗi giao tiếp kỹ thuật khá phổ biến.
Hiện tượng này, đôi khi được gọi là mojibakeVề cơ bản, điều này xảy ra vì những gì chúng ta thấy trên màn hình không giống với mã mà máy tính đang cố gắng sao chép. Không phải là văn bản đã biến mất, mà là... ánh xạ ký tự Nó đã thất bại. May mắn thay, có rất nhiều thủ thuật, từ những điều chỉnh đơn giản đến việc sử dụng phần mềm chuyên dụng, để khôi phục thông tin đó mà không cần phải nhập lại mọi thứ bằng tay.
Tại sao những biểu tượng này lại xuất hiện?
Để hiểu được giải pháp, trước tiên chúng ta cần nắm rõ vấn đề. Một tệp PDF có hai lớp: lớp hiển thị (các ký tự) và lớp dữ liệu (mã hóa). Khi bạn sao chép văn bản, hệ thống không "nhìn" vào các chữ cái, mà thay vào đó đọc một mã. Nếu tệp PDF sử dụng... lập trình tùy chỉnh Hoặc, nếu nó không có bảng Unicode chuẩn, bộ nhớ tạm sẽ không biết chữ cái nào tương ứng với mã đó và sẽ chèn bất kỳ ký hiệu nào.
Có ba nguyên nhân chính. Thứ nhất, lỗi mã hóaThứ nhất, các ký tự có dấu hoặc ký hiệu euro bị chuyển đổi thành dữ liệu rác vì trình đọc sử dụng UTF-8 nhưng tệp được tạo bằng Windows-1252. mã nguồn bị lỗiThứ nhất, file PDF trông rất đẹp nhưng lớp văn bản lại hoàn toàn tệ hại. độ phân giải thấpĐiều này gây nhầm lẫn cho phần mềm nhận dạng ký tự quang học (OCR), khiến số 5 trông giống như chữ S hoặc số 0 trông giống như chữ O.
Mẹo nhanh và giải pháp thủ công
Nếu bạn không muốn cài đặt các chương trình phức tạp, bạn có thể thử một số phương pháp đơn giản hơn. Trên Windows, một lựa chọn thú vị là sử dụng... Microsoft XPS Document WriterIn file PDF dưới dạng file XPS sẽ tạo ra phiên bản sạch hơn, đôi khi cho phép bạn sao chép văn bản mà không gặp lỗi. Mặt khác, nếu vấn đề là các ngắt dòng khó chịu khi dán vào Word, bạn có thể sử dụng chức năng của... Tìm kiếm và thay thế Thay đổi dấu xuống dòng thành dấu cách đơn.
Đối với người dùng Mac, có một "mẹo" nhỏ trong ứng dụng Preview. Nếu bạn xuất PDF bằng cách sử dụng... Bộ lọc thạch anh để giảm kích thướcViệc nén dữ liệu đôi khi loại bỏ các ký tự không cần thiết và làm sạch cấu trúc tài liệu, giúp việc sao chép diễn ra mượt mà hơn nhiều.
Các công cụ tiên tiến và phần mềm sửa chữa
Khi vấn đề trở nên nghiêm trọng, chúng ta cần đến những công cụ mạnh mẽ. Adobe Acrobat Pro là công cụ tiêu chuẩn; nó cho phép chúng ta thay đổi phông chữ của văn bản Hãy chuyển sang phông chữ tương thích hơn như Helvetica hoặc nhúng phông chữ chính xác ngay từ giai đoạn sản xuất in ấn để tránh thay thế sai sót.
Nếu tập tin thực sự bị hỏng, có những chương trình như EaseUS Fixo chuyên xử lý việc này... sửa chữa mã hóa ký tự và sửa chữa các tài liệu bị hỏng. Tuy nhiên, nếu bạn đang tìm kiếm một công cụ miễn phí và mạnh mẽ, PDFgear là một lựa chọn thay thế tuyệt vời cho phép bạn chuyển đổi PDF trực tiếp sang văn bản thuần túy hoặc sử dụng chức năng của nó để... Nhận dạng ký tự quang học tích hợp (Integrated OCR) để trích xuất thông tin.
Sức mạnh của OCR: Đọc hình ảnh, không phải mã.
Giải pháp hiệu quả nhất khi không có cách nào khác là bỏ qua lớp văn bản và coi tệp PDF như một bức ảnh. Đây chính là điều mà... Nhận dạng ký tự quang học (OCR)Bằng cách buộc phần mềm phải đọc các ký tự bằng mắt thường, chúng ta sẽ tránh được mọi lỗi mã hóa nội bộ.
- Bắt buộc nhận dạng ký tự quang học (OCR): Trong Acrobat, hãy chọn tùy chọn "Hình ảnh có văn bản ẩn" để công cụ phân tích lại trang từ đầu.
- Chuyển đổi hình ảnh: Một kỹ thuật rất hiệu quả là xuất các trang sang định dạng TIFF hoặc PNG độ phân giải cao (tối thiểu 300 DPI) rồi chạy chúng qua phần mềm nhận dạng ký tự quang học (OCR). Điều này sẽ loại bỏ bất kỳ khuyết điểm nào. siêu dữ liệu bị hỏng.
- Ứng dụng thị giác máy tính: Các công cụ mô hình hóa ngôn ngữ và thị giác (VLM) hiện đại không còn phân tích từng chữ cái một, mà thay vào đó hiểu được... ngữ cảnh ngữ nghĩaGiải quyết những điểm mơ hồ mà công nghệ OCR truyền thống không thể giải quyết được.
Đối với những người am hiểu công nghệ hơn, nếu văn bản ngắn, hãy gửi cho họ ảnh chụp màn hình. Google Lens Đây là một giải pháp rất nhanh và miễn phí, thường hoạt động rất tốt vì nó sử dụng công nghệ nhận dạng hình ảnh của Google.
Việc gặp phải tình trạng văn bản không thể đọc được khi sao chép PDF về cơ bản là vấn đề chuyển đổi giữa phông chữ được nhúng và hệ điều hành. Cho dù bằng cách mã hóa lại tệp, sử dụng máy in ảo hay triển khai phần mềm OCR mạnh mẽ phân tích hình ảnh thay vì mã, luôn có cách để khôi phục dữ liệu. Mấu chốt là xác định xem vấn đề nằm ở phông chữ, mã hóa ký tự hay đơn giản là độ phân giải kém khiến phần mềm bị nhầm lẫn. Giờ thì bạn đã biết lý do tại sao các ký hiệu xuất hiện khi sao chép văn bản từ PDF rồi đấy.
Đam mê công nghệ từ khi còn nhỏ. Tôi thích được cập nhật về lĩnh vực này và trên hết là truyền đạt nó. Đó là lý do tại sao tôi đã cống hiến hết mình cho việc truyền thông trên các trang web công nghệ và trò chơi điện tử trong nhiều năm nay. Bạn có thể thấy tôi viết về Android, Windows, MacOS, iOS, Nintendo hoặc bất kỳ chủ đề liên quan nào khác mà bạn nghĩ đến.