स्कैन की गई PDF को Word में कैसे बदलें, और नतीजे अलग-अलग क्यों होते हैं

दो PDF स्क्रीन पर बिल्कुल एक जैसी दिख सकती हैं, लेकिन Word में कन्वर्ट करने पर बिल्कुल अलग बर्ताव कर सकती हैं। एक वर्ड प्रोसेसर से सेव की गई थी और उसमें असली टेक्स्ट है। दूसरी स्कैनर या फ़ोन कैमरे से बनी थी, और उसका हर पेज टेक्स्ट की एक फ़ोटो है। दूसरी तरह की फ़ाइल को संपादन योग्य दस्तावेज़ बनाने के लिए कन्वर्टर को पहले तस्वीर से अक्षर पढ़ने होते हैं, फिर अंदाज़ा लगाना होता है कि पेज का लेआउट कैसा था। दोनों चरणों में गड़बड़ी हो सकती है, और यह गाइड बताती है कि कहाँ, क्यों, और आप इसके बारे में क्या कर सकते हैं।

कैसे पता करें कि आपकी PDF स्कैन की हुई है

सबसे तेज़ जाँच है किसी एक शब्द को चुनने की कोशिश करना। अगर आपका कर्सर शब्द को हाइलाइट करने के बजाय पूरे पेज पर एक बॉक्स बनाता है, तो पेज एक इमेज है। Ctrl+F (Mac पर Cmd+F) से खोजना दूसरी जाँच है: स्कैन किए गए पेज में कुछ नहीं मिलता, उस शब्द के लिए भी जो आपको दिख रहा है।

ज़ूम करने से भी मदद मिलती है। असली टेक्स्ट किसी भी ज़ूम पर साफ़ रहता है, क्योंकि वह फ़ॉन्ट से बनाया जाता है। स्कैन किया गया टेक्स्ट ज़ूम करने पर धुंधला और चौकोर टुकड़ों जैसा हो जाता है, क्योंकि वह पिक्सेल से बना होता है।

कुछ स्कैन मिले-जुले होते हैं। स्कैनर सॉफ़्टवेयर अक्सर फ़ाइल सेव करते समय टेक्स्ट पहचान चलाता है और पहचाने गए टेक्स्ट को तस्वीर के पीछे छिपा देता है, ताकि आप उसे चुन और खोज सकें। लेकिन वह छिपा हुआ टेक्स्ट उतना ही अच्छा होता है जितना स्कैनर का अंदाज़ा। किसी पैराग्राफ़ को सादे टेक्स्ट एडिटर में कॉपी करें, और आपको ठीक-ठीक दिख जाएगा कि वहाँ क्या है, गलत पढ़े गए अक्षरों समेत।

OCR असल में क्या करता है

OCR, यानी ऑप्टिकल कैरेक्टर रिकग्निशन, वह प्रक्रिया है जो टेक्स्ट की तस्वीर को अक्षरों में बदलती है। यह चरणों में काम करती है। पहले इमेज को साफ़ किया जाता है: अगर वह तिरछी है तो सीधी की जाती है, और उसका कंट्रास्ट ठीक किया जाता है। फिर सॉफ़्टवेयर उन हिस्सों को ढूँढता है जिनमें टेक्स्ट है, उन्हें लाइनों और शब्दों में बाँटता है, और हर आकृति को उससे मिलाता है जो उसने अक्षरों के बारे में सीखा है, और करीबी मामलों का फ़ैसला करने के लिए उस भाषा के शब्दकोश का उपयोग करता है।

शब्दकोश अहम है, क्योंकि वह सिर्फ़ शब्दों में मदद कर सकता है। अगर OCR "invoice" को छोटे L के साथ "lnvoice" पढ़ता है, तो शब्दकोश उसे वापस "invoice" कर देता है। अगर वह किसी खाता नंबर को 1045 के बजाय 1O45 पढ़ता है, तो उसे सुधारने के लिए मिलाने को कुछ नहीं होता। आम गलतियाँ उन अक्षरों के बीच होती हैं जो कई फ़ॉन्ट में एक जैसे दिखते हैं: 0 और O, 1 और l और I, 5 और S, 8 और B, और "rn" का जोड़ा, जो "m" बन सकता है। इसीलिए OCR की गलतियाँ संख्याओं, नामों और कोड में छिपी रहती हैं, और इसीलिए इन्हें सबसे ध्यान से जाँचना चाहिए।

एक स्कैन से दूसरे स्कैन तक नतीजे इतने अलग क्यों होते हैं

एक ही कन्वर्टर किसी स्कैन से लगभग सही टेक्स्ट और किसी दूसरे से गड़बड़ नतीजा दे सकता है। फ़र्क लगभग हमेशा इमेज में होता है:

• रिज़ॉल्यूशन। OCR के लिए दस्तावेज़ स्कैन करने की आम सलाह 300 DPI है। लगभग 200 DPI से कम पर छोटे अक्षर वह बारीकी खो देते हैं जो मिलते-जुलते अक्षरों को अलग करती है। बहुत छोटे अक्षरों, जैसे फ़ुटनोट और किसी फ़ॉर्म के पीछे लिखी शर्तों, के लिए 400 DPI या उससे ज़्यादा फ़ायदेमंद है।
• कोण और मोड़। तिरछे कोण से खींची गई पेज की फ़ोटो, या किताब का जिल्द की ओर मुड़ता पेज, टेक्स्ट की ऐसी लाइनें देता है जो सीधी नहीं होतीं। सीधा करने से मदद मिलती है, लेकिन मुड़ी हुई लाइनों में अक्सर शब्द छूट जाते हैं या आपस में मिल जाते हैं।
• कंट्रास्ट और बैकग्राउंड। रंगीन कागज़, हाइलाइटर, टेक्स्ट के ऊपर लगी मुहरें, और कॉपी की कॉपी की धुंधली प्रतियाँ, ये सब अक्षरों को उनके पीछे की चीज़ों से अलग करना मुश्किल बनाते हैं।
• ज़्यादा कंप्रेशन। कम JPEG गुणवत्ता पर सेव किए गए स्कैन में हर अक्षर के आसपास किनारे धुंधले और धब्बे होते हैं। फ़ैक्स जैसी गुणवत्ता वाली काली-सफ़ेद इमेज पतली रेखाओं को तोड़ देती है।
• हाथ की लिखावट। दस्तावेज़ कन्वर्ज़न में इस्तेमाल होने वाला OCR छपे हुए टेक्स्ट के लिए बना है। हाथ से लिखे नोट और हस्ताक्षर आम तौर पर गलत निकलते हैं, या तस्वीर के रूप में ही छोड़ दिए जाते हैं।
• भाषा और लेआउट। पहचान हर लिपि और भाषा के लिए अलग से सिखाई जाती है, इसलिए कम प्रचलित लिपियाँ और कई भाषाओं वाले पेज ज़्यादा मुश्किल होते हैं। कई कॉलम, बिना लाइनों वाली टेबल और तस्वीरों के ऊपर लिखा टेक्स्ट लेआउट वाले चरण को और भी मुश्किल बनाते हैं।

टेक्स्ट सही होने पर भी Word फ़ाइल अलग क्यों दिख सकती है

अक्षरों को पहचानना सिर्फ़ आधा काम है। कन्वर्टर को पेज को ऐसी चीज़ के रूप में फिर से बनाना भी होता है जिसे Word समझे, और यहाँ उसे एक समझौता करना पड़ता है। वह टेक्स्ट को सामान्य बहते पैराग्राफ़ के रूप में लिख सकता है, जिन्हें संपादित करना आसान है लेकिन जो मूल लेआउट से भटक जाते हैं। या वह टेक्स्ट के हर हिस्से को उसकी ठीक जगह पर टिका सकता है, जो दिखने में सही लगता है लेकिन संपादित करने में अटपटा है, क्योंकि एक हिस्से में टाइप करने से अगला हिस्सा नीचे नहीं खिसकता।

दूसरे फ़र्क उस जानकारी से आते हैं जो स्कैन में होती ही नहीं। OCR नहीं जान सकता कि कौन-सा फ़ॉन्ट इस्तेमाल हुआ था, इसलिए Word को एक मिलता-जुलता फ़ॉन्ट मिलता है और लाइनें अलग जगह टूटती हैं। रूल की हुई लाइनों वाली टेबल Word टेबल के रूप में फिर से बनाई जा सकती है, लेकिन बिना लाइनों वाली टेबल टैब या स्पेस से अलग किए गए टेक्स्ट के रूप में आ सकती है। हेडर, फ़ुटर और पेज नंबर दस्तावेज़ के मुख्य हिस्से में आ सकते हैं, और लोगो, मुहरें और हस्ताक्षर इमेज ही रहते हैं।

PDF से Word से स्कैन कन्वर्ट करना

हमारा PDF से Word टूल जिन पेजों को ज़रूरत होती है उन पर अपने-आप OCR चलाता है, इसलिए स्कैन संपादन योग्य टेक्स्ट वाली .docx के रूप में वापस आता है, और जिन पेजों में पहले से टेक्स्ट है वे सीधे कन्वर्ट होते हैं। फ़ाइल एक दस्तावेज़ कन्वर्ज़न प्रदाता को भेजी जाती है, जिसके अनुसार वह फ़ाइल और नतीजे को तीन घंटे के अंदर मिटा देता है। साइज़ की कोई तय सीमा नहीं है, लेकिन अपलोड लगभग 40 सेकंड के अंदर पूरा होना चाहिए, इसलिए बहुत बड़े स्कैन के लिए तेज़ कनेक्शन चाहिए। जिस PDF को खोलने के लिए पासवर्ड चाहिए, उसे पहले अनलॉक करना होगा।

कन्वर्ट करने से पहले कुछ काम कर लेना फ़ायदेमंद है:

• बगल की ओर या उल्टे पड़े पेजों को सीधा करें, और खाली पेज हटा दें। फ़ाइल ऑर्गनाइज़र फ़ाइल अपलोड किए बिना दोनों काम कर देता है।
• अगर आप कागज़ खुद स्कैन कर रहे हैं, तो स्कैनर के काले-सफ़ेद मोड के बजाय ग्रेस्केल या रंगीन में 300 DPI इस्तेमाल करें, क्योंकि वह मोड OCR तक पहुँचने से पहले ही पतले अक्षरों को तोड़ सकता है।
• अगर आपको सिर्फ़ कुछ पेज चाहिए, तो सिर्फ़ उन्हीं को कन्वर्ट करें। बाद में जाँचने को कम रहेगा।

नतीजे पर भरोसा करने से पहले क्या जाँचें

ज़्यादातर असली स्कैन में OCR गलतियाँ करता है, और गलती करते समय कोई चेतावनी नहीं देता। कन्वर्ट किया गया दस्तावेज़ भेजने या जमा करने से पहले जाँचें:

• हर ज़रूरी संख्या। कुल योग, तारीखें, रकम, खाता और संदर्भ नंबर, फ़ोन नंबर। उन्हें स्कैन से मिलाएँ, इस बात से नहीं कि क्या ठीक लगता है।
• नाम और पते। ये शायद ही कभी शब्दकोश में होते हैं, इसलिए इन्हें कुछ भी सुधारता नहीं।
• वे शब्द जिनके नीचे वर्तनी जाँच लाइन लगाती है। लाल लाइनें वहीं इकट्ठा होती हैं जहाँ OCR ने गलत अंदाज़ा लगाया, जिससे Word की वर्तनी जाँच गलतियाँ ढूँढने का एक मोटा साधन बन जाती है।
• छोटे अक्षर और हाशिये। फ़ुटनोट, मुहरें और हाशिये के नोट वह टेक्स्ट हैं जो सबसे ज़्यादा पूरी तरह छूट जाता है।
• टेबल। पक्का करें कि हर मान सही पंक्ति और कॉलम में है।

क्या अच्छी तरह काम नहीं करता

कुछ दस्तावेज़ हर कन्वर्टर को निराश करेंगे। हाथ से भरे फ़ॉर्म, फ़ैक्स, स्क्रीन रिज़ॉल्यूशन पर लिए गए दस्तावेज़ों के स्क्रीनशॉट, और किसी फ़ोटो या डायग्राम का हिस्सा बना टेक्स्ट, जहाँ ज़रूरी हो वहाँ आम तौर पर फिर से टाइप करने पड़ते हैं।

हमारे दो दूसरे टूल स्कैन को बिल्कुल नहीं पढ़ते। PDF से Excel सिर्फ़ वही टेक्स्ट पढ़ता है जो PDF में पहले से है, इसलिए वह स्कैन किए गए पेज से टेबल नहीं निकाल सकता। दस्तावेज़ अनुवाद भी इसी वजह से स्कैन की गई PDF को लौटा देता है। दोनों ही मामलों में, आप पहले PDF से Word से स्कैन को कन्वर्ट कर सकते हैं, टेक्स्ट जाँच सकते हैं, और Word फ़ाइल से काम कर सकते हैं: किसी टेबल को Excel में कॉपी करें, या .docx का अनुवाद करें।

निष्कर्ष

स्कैन की गई PDF को Word में बदलना लगातार दो अंदाज़े हैं: अक्षर क्या हैं, और पेज कैसे बना था। साफ़, सीधा, 300 DPI वाला स्कैन दोनों अंदाज़ों को आसान बनाता है, और संख्याओं और नामों की सावधानी से जाँच वह पकड़ लेती है जो OCR गलत करता है। नतीजे को मूल की कॉपी नहीं, टेक्स्ट का पहला मसौदा मानें, और आप शायद ही कभी धोखा खाएँगे।

कोई स्कैन टेक्स्ट में बदलना है? PDF से Word कन्वर्टर आज़माएँ।

← ब्लॉग पर वापस जाएँ