पीडीएफ टेक्स्ट खोजने योग्य नहीं है? इसे ठीक करने के लिए OCR चलाएँ
आपका PDF आपको उसे खोजने क्यों नहीं देता?
आप Ctrl+F दबाते हैं, एक शब्द टाइप करते हैं जिसके बारे में आप जानते हैं कि वह पेज 4 पर है, और... कुछ नहीं होता। टेक्स्ट वहीं है, दिन के उजाले की तरह साफ, लेकिन आपका PDF ऐसा व्यवहार करता है जैसे वह एक तस्वीर हो। ऐसा इसलिए है क्योंकि, सभी व्यावहारिक उद्देश्यों के लिए, यह *वास्तव में* एक तस्वीर है। यह परेशान करने वाली स्थिति आमतौर पर दो कारणों से होती है। किसी ने किसी भौतिक दस्तावेज़—एक हस्ताक्षरित अनुबंध, एक पुराना चालान, एक मेडिकल रिकॉर्ड—को स्कैन किया होगा और उसे बिना किसी टेक्स्ट रिकग्निशन के PDF के रूप में सहेजा होगा। स्कैनर ने केवल पेज की तस्वीर ली, उस पर मौजूद अक्षरों और शब्दों को नहीं। वैकल्पिक रूप से, कुछ सॉफ्टवेयर एप्लिकेशन सब कुछ एक ही इमेज लेयर में समेटकर PDF बनाते हैं, भले ही मूल फ़ाइल में पूरी तरह से चयन करने योग्य टेक्स्ट क्यों न हो, वे अंतर्निहित टेक्स्ट डेटा को छोड़ देते हैं। इसका परिणाम एक ऐसा PDF होता है जो पूरी तरह से सामान्य दिखता है लेकिन इसमें कोई मशीन-पठनीय अक्षर नहीं होते हैं। आप इसे खोज नहीं सकते। आप इसमें से कॉपी-पेस्ट नहीं कर सकते। स्क्रीन रीडर बेकार हैं। और यदि आप इसे Word या Excel में बदलने का प्रयास करते हैं, तो आपको एक खाली दस्तावेज़ या खाली बक्सों से भरी फ़ाइल मिलेगी। इसका समाधान ऑप्टिकल कैरेक्टर रिकग्निशन, या OCR है। OCR सॉफ्टवेयर एक इमेज में पिक्सेल का विश्लेषण करता है, अक्षरों के आकार की पहचान करता है, और वास्तविक टेक्स्ट को फिर से बनाता है। OCR चलाने के बाद, आपका PDF एक छिपी हुई टेक्स्ट लेयर प्राप्त करता है जो दृश्य इमेज के नीचे अदृश्य रूप से स्थित होती है। यह अभी भी वैसा ही दिखता है, लेकिन अब Ctrl+F काम करता है, कॉपी-पेस्ट काम करता है, और संपादन योग्य प्रारूपों में आपके रूपांतरणों में वास्तव में सामग्री होगी।
OCR वास्तव में क्या करता है (और यह कहाँ गलत हो सकता है)
अपने मूल रूप में, एक OCR इंजन एक इमेज को क्षेत्रों में तोड़ता है, व्यक्तिगत अक्षर आकृतियों को अलग करता है, और अपने प्रशिक्षित मॉडलों के खिलाफ एक उच्च-दांव वाले मिलान का खेल खेलता है। आधुनिक इंजन, जैसे CocoConvert द्वारा उपयोग की जाने वाली Tesseract-आधारित पाइपलाइन, लाखों वास्तविक दुनिया के दस्तावेज़ों पर प्रशिक्षित होते हैं। वे साफ स्कैन पर अक्सर 98% से अधिक की सटीकता दरों के साथ मानक फ़ॉन्ट, मिश्रित-केस टेक्स्ट और सामान्य लेआउट को संभालते हैं। लेकिन उस 98% को आपको झूठी सुरक्षा की भावना में न फंसने दें। 10 पृष्ठों के दस्तावेज़ में प्रति पृष्ठ 500 शब्द होते हैं, जिसमें लगभग 30,000 अक्षर होते हैं। 98% सटीकता के साथ भी, आप अभी भी 600 त्रुटियों को देख रहे हैं। यह एक कानूनी दस्तावेज़ को अविश्वसनीय बनाने या एक वित्तीय रिपोर्ट को खतरनाक रूप से भ्रामक बनाने के लिए पर्याप्त से अधिक है। खराब स्रोत सामग्री के साथ सटीकता गिर जाती है। कम-रिज़ॉल्यूशन वाले स्कैन (200 DPI से कम कुछ भी), भारी पृष्ठभूमि बनावट वाले पृष्ठ, अजीब सजावटी फ़ॉन्ट, अनियमित रूप से व्यवस्थित कॉलम, और कम सामान्य भाषाओं में दस्तावेज़ सभी चुनौतियाँ पेश करते हैं। 96 DPI पर स्कैन की गई एक फीकी थर्मल रसीद शुद्ध बकवास उत्पन्न करेगी, चाहे OCR इंजन कितना भी स्मार्ट क्यों न हो। यहां तक कि पृष्ठ का ओरिएंटेशन भी मायने रखता है। केवल 3-4 डिग्री तिरछा स्कैन किया गया दस्तावेज़ कैरेक्टर सेगमेंटेशन प्रक्रिया को बिगाड़ सकता है। CocoConvert सहित अच्छे OCR पाइपलाइन, इस रोटेशन को स्वचालित रूप से पता लगाने और ठीक करने के लिए 'डेस्क्यू' स्टेप चलाते हैं। लेकिन यदि आपका स्कैन बुरी तरह से कोण वाला है—जैसे कि एक त्वरित फ़ोन फोटो—तो परिणाम अपूर्ण होंगे। हस्तलेखन अंतिम बॉस है। मानक OCR मुद्रित टेक्स्ट के लिए बनाया गया है। विशेष रूप से कर्सिव, किसी भी सामान्य-उद्देश्य वाले टूल से बेतहाशा अविश्वसनीय परिणाम देगा। जबकि विशेष हस्तलेखन पहचान मौजूद है, यह पूरी तरह से अलग तकनीक है, और CocoConvert वर्तमान में इसे प्रदान नहीं करता है। यदि आपका दस्तावेज़ हस्तलिखित है, तो OCR अपनी पूरी कोशिश करेगा, लेकिन आपको महत्वपूर्ण त्रुटियों की उम्मीद करनी चाहिए और पूर्ण मैन्युअल समीक्षा की योजना बनानी चाहिए।
CocoConvert का उपयोग करके स्कैन किए गए PDF पर OCR कैसे चलाएँ
यह काम करना आसान है। CocoConvert पर जाएँ और PDF to Searchable PDF कनवर्टर ढूंढें। आप इसे PDF Tools सेक्शन के तहत पा सकते हैं या मुख्य खोज बार में बस 'OCR' टाइप कर सकते हैं। अब, अपनी फ़ाइल अपलोड करें। CocoConvert मुफ्त टियर पर 200 MB तक के PDF लेता है, और यह सीमा सशुल्क योजनाओं के लिए 2 GB तक बढ़ जाती है। यदि आप एक बड़े स्कैन किए गए संग्रह से निपट रहे हैं जो आपकी योजना की अनुमति से बड़ा है, तो आपको OCR चलाने से पहले उसे PDF Split टूल से विभाजित करना होगा। अपलोड के बाद, आपको एक OCR सेटिंग्स पैनल दिखाई देगा। यहां ध्यान दें। सबसे महत्वपूर्ण विकल्प भाषा है। जबकि डिफ़ॉल्ट अंग्रेजी है, इंजन 100 से अधिक भाषाओं का समर्थन करता है। यदि आपका दस्तावेज़ फ्रेंच, जर्मन, स्पेनिश, या कुछ और में है, तो आपको उसे चुनना होगा। गलत भाषा चुनने से रूपांतरण नहीं टूटेगा, लेकिन आपकी त्रुटि दर बढ़ जाएगी, खासकर उच्चारण वाले वर्णों के साथ। अन्य महत्वपूर्ण विकल्प आउटपुट प्रारूप है। आप एक खोजने योग्य PDF (जहां मूल इमेज को नीचे एक टेक्स्ट लेयर के साथ संरक्षित किया जाता है) या एक टेक्स्ट-ओनली PDF (जो पहचाने गए टेक्स्ट से दस्तावेज़ के रूप को फिर से बनाता है) प्राप्त कर सकते हैं। लगभग किसी भी सामान्य उपयोग के मामले—अनुबंध, चालान, रिपोर्ट—के लिए आपको खोजने योग्य PDF चाहिए। टेक्स्ट-ओनली विकल्प कहीं और संपादित करने के लिए कच्चा टेक्स्ट निकालने के लिए उपयोगी हो सकता है, लेकिन यह मूल लेआउट और किसी भी एम्बेडेड इमेज को छोड़ देगा। 'कन्वर्ट' पर क्लिक करें, इसे एक मिनट दें (एक 20-पेज स्कैन आमतौर पर 30-90 सेकंड लेता है), और अपनी फ़ाइल डाउनलोड करें। इसे खोलें, Ctrl+F दबाएं, और एक शब्द खोजने का प्रयास करें। यह थोड़ा जादू जैसा है।
आउटपुट पर भरोसा करने से पहले OCR गुणवत्ता की जाँच करना
OCR आउटपुट पर आँख बंद करके कभी विश्वास न करें। सिर्फ इसलिए कि रूपांतरण समाप्त हो गया इसका मतलब यह नहीं है कि यह सही है। इसका मतलब सिर्फ इतना है कि इंजन ने हर पेज को प्रोसेस किया। अब आपको गुणवत्ता सत्यापित करने की आवश्यकता है। सबसे तेज़ तरीका कॉपी-पेस्ट टेस्ट है। गंभीरता से, हर बार ऐसा करें। अपना नया PDF खोलें, टेक्स्ट के एक पूरे पैराग्राफ का चयन करें, उसे कॉपी करें, और उसे एक साधारण टेक्स्ट एडिटर में पेस्ट करें। अब इसे पढ़ें। क्लासिक OCR गलतियों को देखें: गड़बड़ शब्द, शब्दों के बीच गायब होते स्थान, अक्षरों के लिए गलत संख्याएँ (अंक '0' का अक्षर 'O' बन जाना एक पुराना पसंदीदा है), और बिगड़े हुए विराम चिह्न। किसी भी दस्तावेज़ के लिए जहाँ सटीकता गैर-परक्राम्य है—कानूनी अनुबंध, मेडिकल रिकॉर्ड, वित्तीय विवरण—आपको अधिक गहन होना होगा। मूल स्कैन और नए खोजने योग्य संस्करण को साथ-साथ खोलें। कम से कम 10% पृष्ठों की स्पॉट-जांच करें, घने टेक्स्ट, छोटे फ़ॉन्ट, या किसी भी क्षेत्र पर विशेष ध्यान दें जहाँ मूल स्कैन धुंधला दिख रहा था। यदि आपको 1-2% से अधिक त्रुटि दर मिल रही है, तो समस्या लगभग निश्चित रूप से आपकी स्रोत फ़ाइल है। 150 DPI के बजाय 300 DPI पर फिर से स्कैन करने से अद्भुत परिणाम मिल सकते हैं। अधिकांश आधुनिक स्कैनर डिफ़ॉल्ट रूप से 200 या 300 DPI पर होते हैं; 'स्कैन रिज़ॉल्यूशन' या 'आउटपुट क्वालिटी' के लिए अपनी सेटिंग्स जांचें। यदि आप फ़ोन फ़ोटो का उपयोग कर रहे हैं, तो Microsoft Lens या Adobe Scan जैसे समर्पित स्कैनर ऐप आपके डिफ़ॉल्ट कैमरा ऐप से कहीं बेहतर हैं, क्योंकि वे परिप्रेक्ष्य को ठीक करते हैं और कंट्रास्ट को बढ़ाते हैं। एक बात जानने योग्य है: CocoConvert आउटपुट में आत्मविश्वास स्कोर प्रदान नहीं करता है या संदिग्ध शब्दों को हाइलाइट नहीं करता है। यह कुछ उच्च-दांव वाले वर्कफ़्लो के लिए एक वास्तविक सीमा है। ABBYY FineReader जैसे एंटरप्राइज़ प्लेटफ़ॉर्म यह प्रदान करते हैं, और अनुपालन-संवेदनशील कार्य के लिए, वह अतिरिक्त सत्यापन परत उच्च लागत को उचित ठहरा सकती है।
स्कैन किए गए PDF को संपादन योग्य Word दस्तावेज़ में बदलना
एक खोजने योग्य PDF बहुत अच्छा है, लेकिन यदि आपको वास्तव में सामग्री को *संपादित* करने की आवश्यकता है तो क्या होगा? शायद आपको टाइपो ठीक करने, संख्याएँ अपडेट करने, या किसी अनुभाग को पूरी तरह से पुनर्गठित करने की आवश्यकता है। उसके लिए, आप स्कैन किए गए PDF को सीधे एक Word दस्तावेज़ में बदलना चाहेंगे। CocoConvert यह एक शॉट में कर सकता है। बस PDF to Word कनवर्टर का उपयोग करें और सुनिश्चित करें कि आप सेटिंग्स में OCR विकल्प को सक्षम करते हैं—'स्कैन किए गए दस्तावेज़ों के लिए OCR सक्षम करें' लेबल वाले टॉगल को देखें। जब यह चालू होता है, तो इंजन पहले टेक्स्ट को पहचानता है और फिर Word में मूल लेआउट को फिर से बनाने की पूरी कोशिश करता है, जिसमें मिलान वाले फ़ॉन्ट और पैराग्राफ शैलियाँ भी शामिल होती हैं। यहां मुख्य वाक्यांश 'अपनी पूरी कोशिश करता है' है। इस पुनर्निर्माण की गुणवत्ता आपके दस्तावेज़ की जटिलता के आधार पर बहुत भिन्न हो सकती है। एक साधारण, एकल-कॉलम दस्तावेज़ जैसे एक पत्र या ज्ञापन शायद बहुत साफ-सुथरा परिवर्तित होगा। एक बहु-कॉलम पत्रिका लेआउट, एक घनी तालिका, या छवियों के चारों ओर लिपटे टेक्स्ट वाली कोई भी चीज़ को निश्चित रूप से मैन्युअल सफाई की आवश्यकता होगी। तालिकाएँ एक कुख्यात चुनौती हैं; OCR कोशिकाओं में टेक्स्ट को पूरी तरह से पहचान सकता है, लेकिन तालिका संरचना का पुनर्निर्माण पूरी तरह से इस बात पर निर्भर करता है कि स्कैन में सीमाएँ कितनी स्पष्ट हैं। आपको Word आउटपुट को साफ करने के लिए समय निर्धारित करना होगा। मानक फ़ॉर्मेटिंग वाली 10-पेज की रिपोर्ट के लिए, फ़ॉन्ट, पेज नंबर और हेडर को ठीक करने के लिए कम से कम 20-30 मिनट का समय निर्धारित करें। तालिकाओं और मिश्रित लेआउट वाली 50-पेज की बड़ी फ़ाइल के लिए, यह काफी अधिक होगा। OCR-से-Word रूपांतरण को एक शक्तिशाली शुरुआत के रूप में सोचें, न कि एक तैयार उत्पाद के रूप में।
जब OCR समस्या के लिए गलत उपकरण हो
OCR एक शक्तिशाली समाधान है, लेकिन केवल सही समस्या के लिए। किसी फ़ाइल को OCR इंजन के माध्यम से चलाने से पहले, यह पता लगाना बुद्धिमानी है कि आपके PDF में वास्तव में क्या गलत है, क्योंकि सभी अनखोजने योग्य PDF साधारण इमेज स्कैन नहीं होते हैं। कभी-कभी, एक PDF में वास्तविक टेक्स्ट होता है, लेकिन यह एक कस्टम फ़ॉन्ट के साथ एन्कोड किया जाता है जो मानक वर्णों से मैप नहीं होता है। आपको पता चलेगा कि ऐसा तब होता है जब आप टेक्स्ट का चयन कर सकते हैं, लेकिन उसे कॉपी और पेस्ट करने से बकवास—यादृच्छिक प्रतीक, खाली बक्से, या गड़बड़ अक्षर—मिलता है। यह एक फ़ॉन्ट एन्कोडिंग समस्या है, इमेज समस्या नहीं। इस पर OCR चलाना टूटे हुए पैर पर पट्टी बांधने जैसा है; यह अंतर्निहित समस्या को ठीक नहीं करेगा और केवल संभावित त्रुटियों की एक और परत जोड़ देगा। वास्तविक समाधान मानक फ़ॉन्ट एम्बेडिंग के साथ उसके स्रोत से PDF को फिर से निर्यात करना है। एक और अपराधी पासवर्ड सुरक्षा है। कुछ PDF टेक्स्ट कॉपी करने को प्रतिबंधित करने के लिए सेट किए जाते हैं, जिससे वे अनखोजने योग्य लग सकते हैं। यहां OCR बेकार है क्योंकि टेक्स्ट डेटा मौजूद है, बस लॉक है। आपको पहले प्रतिबंध हटाने के लिए पासवर्ड की आवश्यकता होगी। और निश्चित रूप से, कभी-कभी एक PDF बस दूषित होता है। यदि फ़ाइल संरचना क्षतिग्रस्त है, तो यह ठीक से प्रस्तुत भी नहीं हो सकती है। जबकि CocoConvert मामूली भ्रष्टाचार की मरम्मत कर सकता है, एक गंभीर रूप से क्षतिग्रस्त फ़ाइल बिल्कुल भी प्रोसेस होने में विफल हो सकती है। अंत में, OCR को पूर्ण एक्सेसिबिलिटी समाधान के रूप में न समझें। यदि आपका लक्ष्य नेत्रहीन उपयोगकर्ताओं के लिए स्क्रीन रीडर द्वारा PDF को पूरी तरह से उपयोग करने योग्य बनाना है, तो OCR केवल पहला कदम है। सच्ची एक्सेसिबिलिटी के लिए एक टैग की गई संरचना (शीर्षक, सूचियां, पढ़ने का क्रम, और छवियों के लिए alt टेक्स्ट परिभाषित करना) की आवश्यकता होती है, जो एक अलग, अधिक जटिल प्रक्रिया है जिसे स्वचालित उपकरण अभी तक अच्छी तरह से नहीं संभालते हैं।
हर बार बेहतर OCR परिणाम के लिए व्यावहारिक सुझाव
आपकी स्रोत फ़ाइल की गुणवत्ता OCR सटीकता में सबसे बड़ा कारक है। कचरा डालो, कचरा पाओ। अच्छी खबर यह है कि यह हिस्सा पूरी तरह से आपके नियंत्रण में है। सबसे पहले, 300 DPI पर स्कैन करें। मैं इस पर पर्याप्त जोर नहीं दे सकता। यह एक कारण से अभिलेखागार और कानूनी कार्यालयों द्वारा अनुशंसित सार्वभौमिक मानक है। 300 DPI पर, अक्षर तेज और स्पष्ट होते हैं। 150 DPI पर, छोटे फ़ॉन्ट (10pt से कम कुछ भी) धुंधले और अस्पष्ट होने लगते हैं। 600 DPI तक जाने से आपको बहुत बड़ी फ़ाइलों के लिए केवल मामूली लाभ मिलते हैं, इसलिए 300 अधिकांश दस्तावेज़ों के लिए सबसे अच्छा बिंदु है। केवल टेक्स्ट वाले दस्तावेज़ों के लिए, ग्रेस्केल या ब्लैक-एंड-व्हाइट मोड का उपयोग करें। रंगीन स्कैन बड़े होते हैं और संपीड़न कलाकृतियाँ पेश कर सकते हैं जो टेक्स्ट को धुंधला कर देती हैं। जब तक आपको रंगीन चार्ट या फ़ोटो को संरक्षित करने की आवश्यकता न हो, ग्रेस्केल पर टिके रहें। और कृपया, अपने स्कैनर ग्लास को साफ करें। वह छोटा सा धब्बा या धूल का कण आपके स्कैन के हर एक पेज पर एक काले निशान के रूप में दिखाई देगा, और OCR इंजन यह पता लगाने में समय बर्बाद करेगा कि वह कौन सा अक्षर है। कोई भी जिसने एक गलत PDF निर्यात से लड़ाई लड़ी है, वह जानता है कि छोटे विवरण मायने रखते हैं। यदि आप एक किताब स्कैन कर रहे हैं, तो रीढ़ की हड्डी को सपाट दबाएं और एक बार में एक पेज स्कैन करें। एक बार में दो पेज स्कैन करने की कोशिश करने से रीढ़ की हड्डी के पास एक छाया और वक्रता आ जाती है जो उस क्षेत्र में OCR सटीकता को बर्बाद कर देगा। अंत में, बड़े प्रोजेक्ट्स के लिए, याद रखें कि CocoConvert की सशुल्क योजनाएँ बैच प्रोसेसिंग का समर्थन करती हैं। यदि आपके पास प्रोसेस करने के लिए 50 स्कैन किए गए PDF का एक फ़ोल्डर है, तो आप उन्हें ZIP कर सकते हैं और एक बार में अपलोड कर सकते हैं। यह एक पुराने संग्रह को डिजिटाइज़ करने वाले किसी भी व्यक्ति के लिए एक बड़ा समय-बचतकर्ता है।