Chuyển PDF quét sang Excel thường thành công hay thất bại ngay từ trước bước nhận dạng ký tự. Nếu trang bị nghiêng nhẹ, đường kẻ bảng quá nhạt hoặc nền giấy xám không đều, hệ thống OCR có thể tách sai cột, gộp nhầm hàng hoặc bỏ sót các giá trị mà mắt người vẫn đọc được. Vì vậy, quyết định thực tế không chỉ là chọn công cụ nào, mà là nên xử lý trang ra sao trước khi đưa vào nhận dạng bảng tính.
Bài viết này tập trung vào một tình huống rất cụ thể: cải thiện bản quét bị lệch và đường kẻ bảng mờ trước khi chuyển sang Excel. Nội dung không đi sâu vào đối soát từng dòng hay kiểm tra tổng tiền sau OCR. Mục tiêu ở đây là giúp trang quét nhìn lại giống một bảng rõ ràng hơn, để công cụ nhận dạng có cơ sở tốt hơn khi suy ra cấu trúc cột và hàng.
Để xem thêm trang thông tin về chủ đề này, bạn có thể tham khảo OCR PDF sang Excel.
Bắt đầu từ cấu trúc trang, không phải từ định dạng Excel
Khi nghĩ đến chuyển PDF quét sang Excel, nhiều người lo ngay việc sau cùng có giữ được ô, cột và bố cục hay không. Trên thực tế, câu hỏi quan trọng hơn là: sau khi quét, trang đó còn thể hiện rõ là một cái bảng hay không.
Có thể hình dung theo thứ tự đơn giản như sau:
- OCR đọc ký tự.
- Hệ thống tách bảng đoán cấu trúc.
- Tệp Excel phụ thuộc vào cả hai bước đó.
Nếu chữ còn rõ nhưng đường kẻ bảng quá mờ, công cụ có thể đọc đúng nội dung mà vẫn đặt sai cột. Ngược lại, nếu đường kẻ còn thấy được nhưng cả trang nghiêng vài độ, ranh giới giữa các hàng có thể bị hiểu sai. Vì vậy, trước khi nghĩ đến chuyện dọn dẹp bảng tính, nên xử lý hình học trang và độ tương phản trước.
Ví dụ thực tế: bảng tổng hợp công nợ bị lệch nhẹ
Hãy hình dung một tệp PDF gồm hai trang, được quét từ bản in sao chụp. Bảng tổng hợp có các vấn đề sau:
- trang nghiêng nhẹ sang phải
- nền giấy xám do sao chụp nhiều lần
- đường kẻ ngang còn thấy, nhưng đường kẻ dọc rất nhạt
- cột số tiền khá rõ, còn cột ngày thì nhạt hơn
Nếu chuyển PDF quét sang Excel ngay ở trạng thái này, kết quả dễ gặp là:
- cột ngày và cột mã tham chiếu bị dính vào nhau
- ô trống bị hiểu thành xuống dòng
- cột tổng tiền bị lệch sang phải một cột
- hàng cuối cùng bị nhập chung với phần ghi chú chân trang
Vấn đề ở đây không chỉ là nhận dạng chữ. Hệ thống đang phải đoán ranh giới bảng từ những tín hiệu hình ảnh quá yếu. Với loại tài liệu như vậy, chỉnh vừa đủ trước OCR thường hiệu quả hơn là thử nhiều công cụ khác nhau trên bản quét chưa xử lý.
Sửa lệch trước vì nó ảnh hưởng toàn bộ cột và hàng
Thông thường, căn lại độ thẳng của trang nên là bước đầu tiên. Chỉ cần nghiêng nhẹ cũng đủ làm các cột trông không còn thẳng hàng từ trên xuống dưới.
Bạn có thể đi theo thứ tự này:
- Quan sát xem mép trang, dòng chữ hoặc đường kẻ bảng có bị nghiêng không.
- Xoay hoặc chỉnh lệch cho đến khi các dòng chính trông ngang hơn.
- Kiểm tra một hàng ở giữa và một hàng gần cuối để xem các cột còn thẳng hàng không.
- Chỉ sau khi trang đã ổn định mới tiếp tục chỉnh tương phản hay làm rõ đường kẻ.
Lý do nên làm theo thứ tự đó:
- nếu trang vẫn lệch, việc tăng tương phản có thể làm nổi bật sai ranh giới
- việc nhận ra hàng và cột dễ hơn khi các dòng đã nằm ngang
- thao tác cắt vùng bảng cũng chính xác hơn sau khi chỉnh thẳng trang
Một quy tắc thực tế là: nếu mắt thường còn nhìn ra độ nghiêng, hãy sửa nó trước. Nếu trang gần như thẳng nhưng bị cong do chụp bằng điện thoại, các bước xử lý mạnh hơn vẫn có thể thất bại vì hàng bị uốn cong chứ không chỉ bị xoay. Khi đó, quét lại hoặc chụp lại phẳng hơn thường hữu ích hơn là chồng thêm nhiều lớp xử lý.
Làm rõ đường kẻ mờ nhưng không làm hỏng chữ số
Đường kẻ nhạt là trường hợp khó vì tăng quá mạnh rất dễ gây tác dụng ngược. Nếu đẩy tương phản quá cao hoặc chuyển đen trắng quá gắt, dấu thập phân, dấu phẩy, số mảnh hoặc viền nhạt có thể bị mất.
Mục tiêu không phải là làm trang trông thật đậm. Mục tiêu là giúp ranh giới bảng rõ hơn một chút mà vẫn giữ hình dạng ký tự.
Một trình tự thường an toàn hơn là:
- tăng tương phản nhẹ, nhất là khi nền giấy bị xám
- chỉnh sáng để nền gần với trắng sạch hơn
- giảm nhiễu mức thấp như chấm đen lấm tấm do sao chụp
- chỉ làm nét nhẹ nếu chữ số vẫn bị mềm
- kiểm tra lại xem đường kẻ bảng có dễ nhận ra hơn hay không, thay vì chỉ thấy toàn trang đậm hơn
Những lỗi phổ biến nên tránh:
- chuyển sang đen trắng gắt quá sớm
- làm nét quá tay khiến viền dày lên và số hẹp bị biến dạng
- khử nhiễu mạnh làm mất dấu câu hoặc dấu âm
- tăng đậm cho toàn trang trong khi chỉ vùng bảng mới cần xử lý
Nếu đường kẻ gần như biến mất, cắt riêng vùng bảng thường hữu ích hơn là tăng mạnh trên cả trang. Vùng cắt gọn sẽ loại bớt logo, con dấu, lề và các yếu tố gây nhiễu cho việc nhận ra cấu trúc.
Cắt bớt phần gây nhiễu và tách các vùng nội dung khác nhau
Nhiều lần OCR bảng thất bại không phải vì chữ quá xấu, mà vì trên một trang có quá nhiều khu vực thị giác khác nhau. Một trang sao kê có thể đồng thời chứa tiêu đề, địa chỉ, bảng dữ liệu, ghi chú và phần ký tên. Nếu toàn bộ được đưa vào một lượt nhận dạng, hệ thống có thể khó xác định chỗ nào là bảng chính.
Trước khi chuyển PDF quét sang Excel, hãy xem trang có nên được tách theo vùng hay không.
Những trường hợp nên cân nhắc cắt hoặc cô lập:
- bảng chính nằm giữa trang với lề trên và dưới lớn
- bảng nằm cạnh con dấu hoặc ghi chú viết tay
- báo cáo có biểu đồ ở phía trên và bảng ở phía dưới
- sao kê có điều khoản chân trang sát ngay dưới dòng cuối của bảng
Một cách làm thực tế là chỉ giữ vùng bảng cho bước OCR sang bảng tính, còn bản PDF đầy đủ thì lưu riêng để đối chiếu sau. Cách này không đảm bảo luôn tốt hơn, nhưng thường giúp giảm việc ngắt hàng sai và gộp cột ngoài ý muốn.
Danh sách kiểm tra nhanh trước khi OCR
Dưới đây là bảng kiểm ngắn, hữu ích trước khi xử lý:
| Mục kiểm tra | Dấu hiệu cần nhìn | Hành động nên làm |
|---|---|---|
| Góc trang | Hàng hoặc dòng chữ nghiêng trái phải | Chỉnh thẳng trước |
| Nền trang | Giấy xám, bóng mờ, vùng tối không đều | Làm sạch sáng và tương phản nhẹ |
| Đường kẻ bảng | Kẻ dọc hoặc ngang rất khó thấy | Tăng rõ nhẹ, ưu tiên giữ được chữ |
| Yếu tố gây nhiễu | Con dấu, ghi chú, logo, chân trang | Cắt còn vùng bảng nếu phù hợp |
| Mép chữ số | Số bị mờ, đứt nét hoặc nhòe | Tránh nhị phân hóa quá mạnh; chỉ làm nét nhẹ khi cần |
| Hình dạng trang | Ảnh chụp cong, giấy bị vênh | Nếu có thể, quét hoặc chụp lại |
Bảng kiểm này hữu ích vì nó giữ mục tiêu ở mức đúng việc: cải thiện khả năng đọc cấu trúc của trang, không phải làm cho hình ảnh trông hoàn hảo.
Khi nào xử lý thêm giúp ích, và khi nào lại làm kết quả tệ hơn
Không phải lúc nào xử lý nhiều hơn cũng tốt hơn. Có những trang xuống chất lượng sau nhiều lần chỉnh. Bạn nên cân nhắc dừng lại khi thấy một trong các dấu hiệu sau:
- mép chữ bắt đầu mất chi tiết nhỏ
- dấu thập phân hoặc dấu câu mờ đi
- đường kẻ bảng dày cộm thành mảng thay vì còn là đường
- chữ xuất hiện viền răng cưa hoặc quầng sáng
- nền sạch hơn nhưng ranh giới cột vẫn mơ hồ
Lúc đó, giới hạn có thể nằm ở chính bản quét gốc. Chẳng hạn, nếu một bảng được fax với đường kẻ dọc gần như mất hẳn và chữ số có độ phân giải quá thấp, việc xử lý thêm cũng không thể phục hồi thông tin không còn hiện diện trong ảnh.
Đó cũng là lý do không nên kỳ vọng chắc chắn rằng chuyển PDF quét sang Excel sẽ luôn giữ nguyên định dạng. OCR có thể hỗ trợ tái tạo bảng, nhưng chất lượng nguồn, dấu chồng, giấy hỏng hoặc ảnh quét yếu đều ảnh hưởng trực tiếp đến khả năng suy ra cấu trúc.
Quy trình lặp lại được cho các bảng quét khó
Nếu thường xuyên gặp tài liệu bảng quét khó, bạn có thể áp dụng chuỗi bước sau:
- chọn một trang đại diện để thử trước, không xử lý cả tập tin ngay
- chỉnh thẳng trang để các dòng chữ và hàng bảng nằm ngang hơn
- cắt còn vùng bảng nếu xung quanh có nhiều nội dung không liên quan
- làm sạch nền bằng cách tăng tương phản nhẹ và giảm nhiễu vừa phải
- làm rõ đường kẻ mờ một cách thận trọng, tránh làm bẹp chi tiết chữ
- thử OCR trên mẫu nhỏ và kiểm tra việc tách cột
- nếu kết quả khá hơn, áp dụng cùng cách đó cho các trang tương tự
- nếu không cải thiện, giảm bớt xử lý hoặc tìm bản quét tốt hơn thay vì chồng thêm bộ lọc
Điểm quan trọng là tính nhất quán. Nếu nhiều trang đến từ cùng một máy quét và cùng biểu mẫu, một cách chuẩn bị hợp lý có thể dùng lặp lại. Nhưng nếu lẫn nhiều nguồn như bản sao chụp, ảnh điện thoại và bản fax, bạn có thể phải chia thành từng nhóm xử lý riêng.
Những giới hạn cần nhớ
Ngay cả khi chuẩn bị kỹ, chuyển PDF quét sang Excel vẫn có các giới hạn rõ ràng:
- đường kẻ quá mờ hoặc mất hẳn có thể làm việc nhận ra cột thiếu ổn định
- ô gộp và mô tả nhiều dòng dễ làm rối ranh giới hàng
- chữ viết tay, con dấu và phần tô sáng có thể làm sai cấu trúc bảng
- bản quét độ phân giải thấp khiến số vẫn đọc được bằng mắt nhưng OCR khó phân biệt
- ảnh chụp bị cong theo phối cảnh thường cần quét lại thay vì cố xử lý tiếp
Cách quyết định thực tế thường khá đơn giản: sửa độ lệch trước, tăng tương phản vừa phải, cô lập vùng bảng, rồi dừng đúng lúc trước khi việc làm rõ bắt đầu làm hỏng ký tự.