Xử lý văn bản PDF bố cục 2 cột sang Word không lộn dòng

Tóm tắt: Khi chuyển đổi tài liệu dạng 2 cột (như bài báo khoa học IEEE, tạp chí, từ điển) từ PDF sang Word, phần mềm OCR đơn giản thường đọc quét ngang từ trái sang phải, khiến câu văn của cột trái bị ghép lẫn với cột phải. DOCX.VN xác định vùng một cột và vùng hai cột trên từng trang, đọc hết cột trái rồi mới sang cột phải.

1. Vì sao tài liệu nhiều cột dễ bị đọc lẫn?

Một tài liệu hai cột không đơn thuần là văn bản chia đôi. Nó thường đi kèm:

• Tiêu đề chính (Title) và Tóm tắt (Abstract) trải dài trên cả 2 cột ở đầu trang.
• Hình ảnh hoặc bảng biểu lớn chiếm toàn bộ chiều ngang của cả 2 cột.
• Chú thích cuối trang (footnote) nằm riêng ở đáy cột.

Nếu công cụ chỉ đọc theo hàng ngang, câu của cột trái và cột phải bị ghép lẫn vào nhau.

2. DOCX.VN xử lý trang nhiều cột thế nào

Mỗi trang được xử lý theo 3 bước:

1. Tách vùng: phân biệt phần tiêu đề một cột với phần chữ chia 2 cột.
2. Xác định thứ tự đọc: đọc từ trên xuống dưới cho từng cột.
3. Dựng trong Word: chữ chảy 2–3 cột được dựng bằng cột thật của Word, phần đặt song song (phần đầu văn bản, khối ký, song ngữ) dùng bảng không viền; trang phức tạp có thể được dựng thành 1 cột theo đúng thứ tự đọc.