Giới thiệu & Mục đích sử dụng
Khi sao chép một bảng báo cáo tài chính, bảng lương hay danh mục hàng hóa từ tệp PDF để dán vào Excel, dữ liệu thường bị dồn thành một cột duy nhất hoặc vỡ cấu trúc hàng cột. Tương tự, khi xuất file .csv chứa tiếng Việt từ các phần mềm quản trị (CRM, kế toán, hóa đơn điện tử) rồi mở trực tiếp bằng Microsoft Excel trên Windows, toàn bộ chữ tiếng Việt có dấu dễ bị biến dạng thành ký tự lạ do Excel mặc định dùng bảng mã Windows-1252 nếu tệp thiếu dấu hiệu nhận diện UTF-8 BOM.
Công cụ Trích xuất bảng PDF & chuyển đổi Excel/CSV UTF-8 BOM của N1A xử lý cả hai nhu cầu này hoàn toàn trên trình duyệt: tự động dựng lại ma trận hàng – cột từ tọa độ phần tử văn bản trong PDF và chuyển đổi qua lại giữa .xlsx, CSV UTF-8 BOM, TSV, JSON, bảng Markdown, HTML và SQL INSERT.
Cách dùng từng bước
-
Chọn nguồn dữ liệu (Tách bảng từ PDF hoặc Dán bảng/Spreadsheet)Tại tab 1 (Tách bảng từ PDF), kéo thả tệp PDF điện tử xuất từ Word/Excel/phần mềm kế toán (hoặc bấm Nạp PDF Tài chính mẫu để thử). Tại tab 2, bạn có thể dán trực tiếp CSV, TSV copy từ Excel, mảng JSON, bảng Markdown hoặc tải lên tệp .xlsx/.csv có sẵn.
-
Tinh chỉnh dung sai gom hàng & tách cột (nếu bảng PDF phức tạp)Điều chỉnh Dung sai gom hàng trục Y (mặc định 4 px) và Khoảng cách tách cột trục X (mặc định 14 px) khi khoảng chữ trong bảng PDF quá sát hoặc quá rộng.
-
Lọc dòng, chọn cột và chuẩn hóa số liệu Việt NamDùng ô Lọc nhanh để tìm mã chứng từ/phòng ban, bấm chọn/bỏ chọn các cột muốn giữ lại, hoặc bật Chuẩn hóa số Việt Nam để đưa định dạng 1.250.000,5 và số âm ngoặc đơn (185.500.000) về số tính toán chuẩn mà vẫn giữ nguyên các mã số bắt đầu bằng số 0 như Mã số thuế, SĐT hay số tài khoản.
-
Kiểm tra tổng nhanh và tải xuống định dạng đíchXem tổng cộng tự động ở các cột số học, sau đó nhấn Tải Excel (.xlsx), Tải CSV UTF-8 BOM hoặc Sao chép dán thẳng vào Excel/Google Sheets.
Công thức & Phương pháp tính
Với tệp PDF có lớp văn bản (native digital PDF), pdfjs-dist trả về danh sách các đoạn text kèm ma trận biến đổi transform = [a, b, c, d, x, y] và độ rộng hộp chữ width. Thuật toán reconstructTableFromPdfItems() thực hiện 4 bước:
- Gom dòng theo tọa độ Y: Nhóm các đoạn chữ có tung độ lệch nhau trong ngưỡng
rowTolerancethành cùng một dòng trực quan (sắp xếp từ trên xuống dưới trên từng trang). - Gộp cụm từ trong cùng ô: Các đoạn chữ liền kề có khoảng trống nhỏ hơn
colMergeGapđược nối lại thành một giá trị ô hoàn chỉnh, tránh đứt quãng từng chữ cái. - Phân cụm neo cột X: Gom nhóm tọa độ bắt đầu của các ô trên toàn bộ dòng ứng viên để xác định danh sách cột thống nhất và gán mỗi ô về cột gần nhất, đồng thời tự động bỏ qua dòng tiêu đề lặp lại ở đầu trang 2, trang 3 trở đi.
- Chuẩn hóa UTF-8 BOM & số kế toán: Khi xuất CSV, công cụ chèn byte đánh dấu thứ tự byte UTF-8 (
\uFEFF) và tuân thủ thoát ngoặc kép theo chuẩn RFC 4180. Bộ chuyển đổi số giữ nguyên chuỗi bắt đầu bằng0(như mã số thuế0101234567) nhằm tránh làm mất số 0 đầu gây sai dữ liệu hành chính.
Ví dụ minh họa
Ví dụ 1 — Tách bảng doanh thu & chi phí từ báo cáo tài chính PDF: Tệp PDF báo cáo quý 3 có cột Mã CT, Khoản mục, Số tiền (VNĐ) với số âm ghi trong dấu ngoặc đơn (185.500.000). Sau khi công cụ tái dựng ma trận 4 cột, bạn bật tùy chọn Chuẩn hóa số Việt Nam để chuyển (185.500.000) thành -185500000, dễ dàng chạy hàm SUM() ngay khi mở trong Excel.
Ví dụ 2 — Sửa lỗi font CSV tiếng Việt tải từ hệ thống nước ngoài: Khi mở tệp CSV xuất từ Stripe, Shopify hay phần mềm CRM gặp hiện tượng Nguyá»…n Văn A, bạn nạp tệp vào tab 2 rồi bấm Tải CSV UTF-8 BOM hoặc Tải Excel (.xlsx) để khôi phục hiển thị chuẩn xác 100%.
Lưu ý quan trọng
Phạm vi áp dụng của thuật toán tọa độ:
- Chế độ tách bảng PDF chỉ hoạt động trên PDF điện tử chứa lớp ký tự (có thể dùng chuột bôi đen chữ được). Nếu PDF của bạn là ảnh scan giấy in, hãy chạy qua công cụ OCR Tiếng Việt & PDF Scan trước.
- Các bảng có nhiều ô gộp ngang/dọc phức tạp (merged cells đa tầng) hoặc văn bản xuống nhiều dòng trong một ô nên được kiểm tra lại nhanh trong bảng xem trước trước khi kết xuất sang
.xlsxhoặc.sql. - Toàn bộ tệp PDF và Excel được đọc tại trình duyệt bằng
pdf.jsvà thư việnSheetJS (xlsx)(nạp lười khi người dùng thao tác); không có dữ liệu tài chính nào rời khỏi máy của bạn.
Câu hỏi thường gặp
CSV UTF-8 có BOM khác gì CSV thường khi mở bằng Microsoft Excel?
Tệp CSV UTF-8 có BOM được gắn thêm 3 byte EF BB BF ở đầu tệp theo quy ước Unicode để Microsoft Excel trên Windows tự động nhận ra mã hóa UTF-8 ngay khi nhấp đúp mở tệp, tránh tình trạng vỡ toàn bộ dấu tiếng Việt thành ký tự lạ.
Tại sao file PDF tôi tải lên lại báo không phát hiện được lớp văn bản bảng?
Khả năng cao tệp PDF đó được tạo từ máy scan hoặc xuất dạng ảnh chụp (không chọn/copy được chữ bằng chuột). Đối với PDF dạng ảnh, bạn cần dùng công cụ OCR Tiếng Việt để bóc tách chữ trước.
Các cột mã số thuế, số CCCD hay số điện thoại bắt đầu bằng số 0 có bị mất số 0 đầu không?
Không. Thuật toán chuẩn hóa số của công cụ cố ý nhận diện và giữ nguyên các chuỗi số có số 0 đứng đầu (như 0101234567 hoặc 0901234567) ở dạng chuỗi văn bản an toàn, chỉ chuyển đổi số đối với các giá trị tiền tệ hoặc số thập phân có dấu phân tách rõ ràng.
Tôi có thể xuất tối đa bao nhiêu trang PDF trong một lượt?
Để bảo đảm trình duyệt chạy mượt và không nghẽn bộ nhớ, công cụ xử lý tối đa 40 trang đầu tiên của mỗi tệp PDF (tối đa 60 MB). Với báo cáo quá dài, bạn có thể dùng công cụ Tách file PDF để cắt riêng phần phụ lục bảng trước khi trích xuất.
Dữ liệu bảng tôi copy từ Excel dán sang đây có bị gửi lên server không?
Không. Toàn bộ thao tác phân tích CSV/TSV/JSON/Markdown và tạo tệp .xlsx qua SheetJS diễn ra 100% cục bộ trên trình duyệt của bạn.
Làm sao để chèn thẳng dữ liệu bảng vào cơ sở dữ liệu hoặc tài liệu kỹ thuật?
Bên cạnh nút tải .xlsx và CSV UTF-8 BOM, khung xem trước bên dưới cho phép bạn chuyển sang định dạng Markdown Table (dán vào GitHub/Notion), HTML <table> hoặc câu lệnh SQL INSERT với tên cột tự động bỏ dấu tiếng Việt.
Căn cứ pháp lý & Nguồn tham khảo
- IETF RFC 4180 — Common Format and MIME Type for CSV Files (Chuẩn thoát dấu ngoặc kép và phân cách trường trong tệp CSV)
- Mozilla PDF.js getTextContent() Coordinate Model (Chuẩn đọc tọa độ ma trận transform của các đoạn văn bản PDF)
- SheetJS Community Edition (Apache-2.0) (Thư viện đọc và ghi tệp Excel .xlsx trong trình duyệt)