लेख
कुछ PDF से टेक्स्ट कॉपी क्यों नहीं होता
एक PDF में लाइन सिलेक्ट करने की कोशिश करें और शब्द सामान्य रूप से हाइलाइट होकर कॉपी करने को तैयार हो जाते हैं। दूसरी PDF में वही कोशिश करें और कुछ नहीं होता, या कर्सर पूरे पेज को किसी फ़ोटोग्राफ़ की तरह पकड़ लेता है, क्योंकि यह ठीक वही है। स्क्रीन पर एक जैसी दिखने वाली दो फ़ाइलें नीचे से बिल्कुल अलग तरीके से बनी हो सकती हैं। यहां है कि आपकी फ़ाइल किस तरह की है यह कैसे बताया जाए, और जो कॉपी होने से मना करती है उसके लिए क्या करें।
PDF पेज की दो अलग किस्में
कोई PDF पेज को दो बहुत अलग तरीकों से स्टोर कर सकती है। टेक्स्ट-आधारित PDF में, हर अक्षर एक यूनिकोड वैल्यू, फ़ॉन्ट और पोज़िशन वाला कैरेक्टर ऑब्जेक्ट होता है, ठीक वैसे जैसे कोई वेबपेज टेक्स्ट स्टोर करता है: कोई व्यूअर इसे सिलेक्ट कर सकता है, सर्च कर सकता है, और स्क्रीन रीडर इसे ज़ोर से पढ़ सकता है। इमेज-आधारित PDF में, पेज एक चपटी तस्वीर होता है, जो अक्सर स्कैनर, फ़ैक्स, या किसी दस्तावेज़ की फ़ोटो पर लगाए "print to PDF" स्टेप से बनता है। आपकी आंखों को अक्षर एक जैसे दिखते हैं, लेकिन फ़ाइल फ़ॉर्मेट के लिए नीचे कोई कैरेक्टर नहीं है, सिर्फ़ पिक्सल हैं।
कौन सी है यह जानने का एक तेज़ तरीका
Ctrl+F या Cmd+F दबाएं और वह शब्द सर्च करें जो आप पेज पर साफ़ देख सकते हैं। अगर सर्च इसे ढूंढकर हाइलाइट कर दे, तो पेज में असली टेक्स्ट लेयर है। अगर सर्च को दस्तावेज़ में कहीं कुछ न मिले, तो पेज एक इमेज है, चाहे यह कितना ही शार्प क्यों न हो या टाइप किए दस्तावेज़ जैसा दिखे। माउस से खींचकर लाइन सिलेक्ट करना भी वही जवाब देता है: एक हाइलाइट बनाम एक प्लेन रेक्टेंगल सिलेक्शन।
OCR से टेक्स्ट दोबारा बनाना
Optical Character Recognition (OCR) किसी इमेज-आधारित पेज के पिक्सल पढ़ता है और शेप को किसी खास भाषा के लिए ट्रेंड किए अक्षरों के मॉडल से मैच करता है, फिर पहचाने गए कैरेक्टर को उनके दिखने वाली जगह पर रखते हुए एक टेक्स्ट लेयर दोबारा बनाता है। ocr जैसा टूल यह पूरी तरह ब्राउज़र में करता है: कुछ भी अपलोड नहीं होता, और आउटपुट एक प्लेन टेक्स्ट फ़ाइल है जिसे आप सर्च, कॉपी या एडिट कर सकते हैं। सटीकता सोर्स पर निर्भर करती है: किसी अच्छे से सपोर्टेड भाषा में साफ़, सीधा, हाई-रेज़ोल्यूशन स्कैन भरोसेमंद तरीके से पहचाना जाता है, जबकि तिरछा, धुंधला, कम-कंट्रास्ट या हाथ से लिखा पेज ज़्यादा गलतियां देता है, कभी-कभी गलत कैरेक्टर या गलत पढ़ा गया शब्द।
जब फ़ाइल में पहले से टेक्स्ट है लेकिन एक्सट्रैक्शन गलत दिखे
अगर आपकी PDF में सच में असली टेक्स्ट लेयर है लेकिन pdf-to-text जैसा टूल अजीब क्रम में, कॉलम मिले हुए या स्पेसिंग सिकुड़ी हुई टेक्स्ट देता है, तो यह एक अलग, असंबंधित समस्या है: टेक्स्ट ऑब्जेक्ट मौजूद हैं लेकिन पेज पर उनका पढ़ने का क्रम वैसे स्टोर नहीं हुआ जैसे कोई स्क्रिप्ट स्वाभाविक रूप से उम्मीद करती है। यह एक्सट्रैक्शन के बाद साफ़ करने वाली लेआउट की खासियत है, टेक्स्ट के गायब होने का संकेत नहीं, और इसे ठीक करने के लिए OCR की ज़रूरत नहीं है।
इस लेख में उल्लेखित टूल्स
- OCR · छवि/PDF से टेक्स्टस्कैन की गई छवियों या PDF से पूरी तरह अपने ब्राउज़र में टेक्स्ट निकालें, ऑफ़लाइन चलता है, कोई अपलोड नहीं।
- PDF से टेक्स्टPDF से टेक्स्ट सामग्री निकालें और बिना अपलोड किए .txt फ़ाइल के रूप में डाउनलोड करें।
- PDF OCR · सर्चेबल बनाएंस्कैन की गई PDF को पूरी तरह ब्राउज़र में सर्चेबल, सिलेक्ट करने योग्य PDF बनाएं, कोई अपलोड नहीं।
अक्सर पूछे जाने वाले सवाल
मेरी PDF सामान्य टाइप किए दस्तावेज़ जैसी दिखती है लेकिन मैं फिर भी कोई टेक्स्ट सिलेक्ट नहीं कर पा रहा। क्यों?
सबसे बड़ी संभावना यह है कि यह PDF के रूप में सेव किया गया स्कैन या फ़ोटो लिया गया पेज है, या जानबूझकर इमेज में फ़्लैटन किया गया दस्तावेज़ है। विज़ुअली यह टेक्स्ट-आधारित PDF से अलग नहीं दिख सकता; फ़र्क सिर्फ़ तब दिखता है जब आप इसे सर्च या सिलेक्ट करने की कोशिश करते हैं। इसे OCR से गुज़ारना पिक्सल से एक असली, सिलेक्ट करने लायक टेक्स्ट लेयर दोबारा बना देता है।
क्या OCR हर भाषा में समान रूप से अच्छा काम करता है?
नहीं। सटीकता इस बात पर निर्भर करती है कि उस भाषा और स्क्रिप्ट के लिए कोई ट्रेंड मॉडल मौजूद है या नहीं, और स्कैन की क्वालिटी पर। साफ़, सीधे स्कैन पर अच्छे से सपोर्टेड भाषाएं भरोसेमंद तरीके से पहचानी जाती हैं; हस्तलेख, कम-रेज़ोल्यूशन इमेज, या कम ट्रेनिंग डेटा वाली भाषाएं ज़्यादा गलतियां देती हैं। OCR आउटपुट हमेशा एक बेस्ट-एफ़र्ट ट्रांसक्रिप्शन है, भरोसा करने से पहले एक बार जांच लेने लायक।