आप एक दस्तावेज़ स्कैन करते हैं, उसे Word में बदलते हैं, और परिणाम खोलते हैं — लेकिन वहाँ केवल एक खाली पेज, एक एम्बेडेड इमेज, या बिगड़े हुए अक्षर मिलते हैं। यह PDF से जुड़ी सबसे आम निराशाओं में से एक है, और इसका कारण लगभग हमेशा एक ही चीज़ होता है: PDF में असली टेक्स्ट नहीं, बल्कि एक स्कैन है।
नेटिव PDF बनाम स्कैंड PDF: मुख्य अंतर
PDF फ़ाइलों के दो मौलिक रूप से अलग प्रकार होते हैं:
- नेटिव (डिजिटल) PDFsसॉफ़्टवेयर द्वारा बनाए जाते हैं — Word, Google Docs, Acrobat, या प्रिंट ड्राइवर। टेक्स्ट फ़ाइल के अंदर वास्तविक कैरेक्टर डेटा के रूप में संग्रहीत होता है। जब आप इस प्रकार के PDF को Word में बदलते हैं, तो कनवर्टर कैरेक्टर सीधे पढ़ता है। परिणाम आमतौर पर सटीक होते हैं, और फ़ॉर्मेटिंग अधिकांशतः बरकरार रहती है।
- स्कैंड PDFsपेज की तस्वीरें होती हैं। स्कैनर एक इमेज कैप्चर करता है। PDF सॉफ़्टवेयर उस इमेज को एक PDF एनवलप में लपेटता है। अंदर कोई टेक्स्ट डेटा नहीं होता — केवल पिक्सेल। यह फ़ाइल खोलने वाला PDF-to-Word कनवर्टर कैरेक्टर नहीं, बल्कि एक इमेज देखता है। यह इमेज से संपादन योग्य टेक्स्ट नहीं बना सकता।
कैसे पता करें कि आपके पास किस प्रकार का PDF है
PDF खोलें और कर्सर से एक शब्द को चुनने की कोशिश करें। यदि आप अलग-अलग शब्दों को हाइलाइट करके क्लिपबोर्ड पर कॉपी कर सकते हैं, तो यह नेटिव PDF है। यदि कर्सर पूरे पेज को एक ब्लॉक के रूप में चुनता है - या बिल्कुल कुछ नहीं करता - तो यह स्कैन किया हुआ PDF है।
आपको क्या चाहिए: OCR
स्कैन किए हुए PDF को संपादन योग्य टेक्स्ट में बदलने के लिए Optिकल कैरेक्टर रिकग्निशन (OCR) की आवश्यकता होती है - यह सॉफ़्टवेयर इमेज का विश्लेषण करता है और अक्षरों, शब्दों तथा पैराग्राफ़ संरचना की पहचान करता है। OCR, Word रूपांतरण से पहले या उसके स्थान पर एक अलग चरण के रूप में चलता है।
वे टूल जो स्कैन किए हुए PDF का OCR कर सकते हैं:
- Google Docs- PDF को Google Drive पर अपलोड करें, राइट-क्लिक करें -> Open with Google Docs. Google स्वचालित रूप से OCR चलाता है। गुणवत्ता अलग-अलग होती है, लेकिन साफ़, अच्छी तरह स्कैन किए गए दस्तावेज़ों के लिए यह अच्छा है।
- Adobe Acrobat Pro- Tools -> Enhance Scans -> Recognize Text. सटीक परिणाम, लेकिन इसके लिए सशुल्क सदस्यता चाहिए।
- Microsoft OneNote- PDF को प्रिंटआउट इमेज के रूप में डालें, राइट-क्लिक करें -> Copy Text from Picture (चित्र से टेक्स्ट कॉपी करें)। यह पेज-दर-पेज काम करता है; फ़ॉर्मैटिंग सुरक्षित नहीं रहती।
एक बार दस्तावेज़ OCR-प्रोसेस हो जाने के बाद, इसे बहुत बेहतर परिणामों के साथ Word में बदला जा सकता है। उपयोग करेंPagivo का PDF to Word (PDF से Word)टूल OCR चरण के बाद, जब आपको कोई संपादन योग्य DOCX चाहिए।
सर्वोत्तम OCR परिणाम प्राप्त करना
OCR की सटीकता काफी हद तक स्कैन की गुणवत्ता पर निर्भर करती है। तीन सबसे आम कारण जिनसे OCR लगातार अस्पष्ट (garbled) आउटपुट देता है:
- रिज़ॉल्यूशन बहुत कम है।150 DPI से कम कुछ भी वर्ण पहचान को अविश्वसनीय बना देता है। लगातार अच्छे परिणामों के लिए 300 DPI व्�ावहारिक न्यूनतम है।
- पृष्ठ का तिरछापन।दो डिग्री का झुकाव भी वर्ण सीमा का पता लगाने को अस्पष्ट बना देता है। ज़्यादातर स्कैनर सॉफ़्टवेयर में ऑटो-डीस्क्यू विकल्प होता है - यदि उपलब्ध हो तो इसे सक्रिय करें।
- हस्तलिखित सामग्री।OCR मुद्रित पाठ पर प्रशिक्षित है। हस्तलेखन पहचान एक अलग और काफ़ी कठिन समस्या है। मानक OCR टूल हस्तलिखित पृष्ठों पर खराब आउटपुट देंगे।
यदि आपको केवल खोजना है, संपादित नहीं करना है
यदि आपको दस्तावेज़ के अंदर पाठ ढूंढना है, न कि उसे संपादित करना, तो आपको Word में बदलने की आवश्यकता नहीं है। उस स्थिति में लक्ष्य PDF को खोजयोग्य बनाना है - छवियों के ऊपर एक छिपी हुई टेक्स्ट लेयर जोड़ना - न कि पाठ को नए प्रारूप में निकालना। एक बार PDF में टेक्स्ट लेयर आ जाने पर, ज़्यादातर PDF व्यूअर में Ctrl+F सामान्य रूप से काम करता है। आप यह भी उपयोग कर सकते हैंAsk PDFऔर इससे खोजने योग्य OCR PDF बनाने के लिए कहें।
मूल स्कैन की गुणवत्ता टूल से ज़्यादा क्यों मायने रखती है
कोई भी कन्वर्ज़न सॉफ़्टवेयर वह विवरण वापस नहीं ला सकता जो स्कैनर द्वारा कैप्चर नहीं किया गया था। फीकी फोटोकॉपी का धुंधला या कम एक्सपोज़र वाला स्कैन, चाहे कोई भी टूल इस्तेमाल करें, खराब Word आउटपुट ही देगा। सबसे प्रभावी सुधार हमेशा यही है कि, यदि मूल स्रोत उपलब्ध है, तो दस्तावेज़ को अधिक रिज़ॉल्यूशन और बेहतर लाइटिंग में दोबारा स्कैन करें।