Trích văn bản từ PDF API

Lấy lớp chữ của file PDF theo từng trang (giữ đúng tiếng Việt Unicode), kèm thông tin tài liệu, số từ và cảnh báo khi file là bản scan.

POSThttps://apibox.io.vn/v1/pdf-text

API trích văn bản đọc lớp chữ của file PDF bằng bộ máy PDF.js và trả về theo từng trang (pages: [{ page, text }]) hoặc gộp thành một chuỗi với merge=true. Văn bản tiếng Việt từ Word, LibreOffice, phần mềm hoá đơn hay các API PDF của chúng tôi được trả về đúng Unicode. Dùng pages=2-4 để chỉ lấy một số trang.

Kết quả còn có thông tin tài liệu (tiêu đề, tác giả, phần mềm tạo), tổng số trang, số ký tự và số từ. Khi có trang hoàn toàn không có chữ, trường note cảnh báo file có vẻ là bản scan: PDF loại này chỉ chứa hình ảnh, cần OCR, mà API này không thực hiện.

Mặc định đọc tối đa 500 trang mỗi lần gọi (max_pages, tối đa 2.000), trong giới hạn dung lượng tệp của gói. PDF có mật khẩu bị từ chối. Bố cục (cột, bảng) được trải phẳng thành các dòng chữ.

Tham số

TênVị tríKiểuBắt buộcMặc định
filebodyfilecóFile PDF (multipart, body thô hoặc file_base64).
pagesquery|bodystringkhôngCác trang cần lấy, ví dụ 1-3,5.
mergequery|bodybooleankhôngfalsetrue: trả một chuỗi text thay cho pages.
max_pagesquery|bodynumberkhông500Từ chối tài liệu dài hơn nếu không có pages (1–2000).

Ví dụ

curl -X POST "https://apibox.io.vn/v1/pdf-text" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F "0=@./my-file"

Kết quả trả về

{
  "pages_total": 1,
  "pages_returned": 1,
  "info": {
    "title": "Báo giá",
    "author": null,
    "creator": "apibox.io.vn",
    "producer": "APIBox md-pdf"
  },
  "characters": 137,
  "words": 32,
  "pages": [
    {
      "page": 1,
      "text": "Báo giá dịch vụ\nKính gửi Quý khách,\nCông ty xin gửi báo giá gói API Pro: 15 USD / tháng.\nĐiều khoản\nThanh toán trong 7 ngày.\n1 / 1Báo giá"
    }
  ]
}

Ứng dụng

  • Đánh chỉ mục tài liệu PDF tải lên để tìm kiếm
  • Đọc số tiền, số chứng từ trong hoá đơn PDF
  • Đưa hợp đồng, báo cáo vào quy trình AI
  • Kiểm tra file PDF tạo ra có đúng nội dung mong đợi

Hỏi đáp

Có đọc được tài liệu scan không?

Không. PDF scan chỉ chứa hình ảnh; API nhận ra và báo trong note. Loại file này cần OCR.

Bố cục bảng có được giữ không?

Không, chữ được trả về từng dòng theo thứ tự đọc. Bảng thành các dòng chứa giá trị của ô.

Giới hạn số trang là bao nhiêu?

Mặc định 500 trang, tối đa 2.000 với max_pages, và theo dung lượng tệp của gói.

API liên quan

Bắt đầu với 1.000 request miễn phí mỗi tháng. Nhận API key miễn phí →