05/10/2026 · VietTechies · Biên tập
Kết quả thử nghiệm có kiểm soát công bố ngày 5 tháng 10 năm 2026 cho thấy các tùy chọn nhận dạng ký tự quang học (OCR) tích hợp trong công cụ trích xuất PDF có thể âm thầm thất bại khi khôi phục văn bản bị hỏng. Các nhà phát triển thường dựa vào công tắc OCR tích hợp sẵn như một cơ chế dự phòng tự động mỗi khi quá trình phân tích cú pháp thông thường gặp lỗi. Tuy nhiên, thử nghiệm thực nghiệm chỉ ra rằng việc bật các công tắc nội bộ này thường trả về kết quả hư hỏng hệt như khi trích xuất thông thường, dù hệ thống vẫn báo hoàn thành tiến trình mà không hề thực hiện bước khôi phục văn bản qua hình ảnh thực sự.
Giới hạn của bộ trích xuất khi mất bảng ánh xạ phông chữ
Nguyên nhân cốt lõi dẫn đến thất bại âm thầm này xuất phát từ việc thiếu hoặc hỏng bảng ánh xạ phông chữ ToUnicode trong tệp PDF. Trong bài thử nghiệm kiểm soát sử dụng tài liệu tổng hợp một trang chứa cả tiếng Trung và tiếng Anh, các thư viện phổ biến gồm PyMuPDF, pypdf và PDF.js đã trích xuất thành công 56 ký tự tiếng Trung từ tệp có bảng ánh xạ chuẩn. Thế nhưng, khi bảng ánh xạ ToUnicode bị loại bỏ nhưng vẫn giữ nguyên hướng dẫn hiển thị hình ảnh chi tiết, cả ba thư viện đều không trích xuất được bất kỳ ký tự tiếng Trung nào, mặc dù chữ tiếng Anh và các chữ số vẫn đọc được bình thường.
Tùy chọn tích hợp so với luồng xử lý hình ảnh trực tiếp
Để đánh giá hành vi dự phòng ở cấp độ công cụ, các thử nghiệm đã được tiến hành vào ngày 30 tháng 9 năm 2026 trên công cụ xử lý tài liệu ImgIng phiên bản triển khai tại Trung Quốc (imging.cn). Việc bật tùy chọn OCR tích hợp của công cụ để nhận diện văn bản trong ảnh tạo ra kết quả giống hệt với mức cơ sở khi chưa bật. Công cụ vẫn báo trạng thái hoàn thành công việc nhưng không hề thay thế luồng văn bản gốc bị lỗi. Hơn nữa, tính năng chuyển đổi PDF sang hình ảnh tích hợp bên trong công cụ cũng thất bại với lỗi hiển thị SVG, cho thấy nhãn báo hoàn tất không đồng nghĩa với việc xử lý nội bộ thành công.
Xác minh khả năng khôi phục qua kiểm tra chuỗi ký tự
Khả năng khôi phục ký tự có thể sử dụng chỉ đạt được sau khi tách rời hoàn toàn quá trình hiển thị ra khỏi khâu nhận diện. Khi nhập một hình ảnh trang PNG rõ nét ở độ phân giải 216 DPI vào mô-đun nhận diện hình ảnh OCR độc lập, hệ thống đã trích xuất thành công 134 ký tự, khôi phục lại các câu tiếng Trung và khoảng thời gian ngày tháng bị thiếu. Kết quả thử nghiệm nhấn mạnh rằng lập trình viên không thể dựa vào cờ báo hoàn thành trên giao diện hay thuật toán đếm số lượng ký tự đơn giản. Việc xác minh quy trình trích xuất đòi hỏi phải so sánh trực tiếp các câu mục tiêu với tài liệu nguồn dạng hình ảnh nhằm phát hiện chính xác các lỗi ánh xạ phông chữ bên dưới.
Ảnh minh họa do AI tạo, không phải ảnh tư liệu.
Nguồn: I tested the OCR switch instead of trusting its label