PDF से टेक्स्ट निकालें

PDF में टेक्स्ट कहाँ से आता है

वर्ड प्रोसेसर, ब्राउज़र या डिज़ाइन प्रोग्राम से बनी PDF अपने शब्द टेक्स्ट के रूप में सेव करती है: अक्षरों के हर टुकड़े के साथ उसका फ़ॉन्ट और पेज पर उसकी जगह भी दर्ज होती है। यह टूल यही सेव किया हुआ टेक्स्ट पढ़ता है। आपका ब्राउज़र फ़ाइल को pdf.js से खोलता है, हर पेज से उसका टेक्स्ट माँगता है, और इन टुकड़ों को उसी क्रम में वापस लाइनों में जोड़ देता है जिस क्रम में वे फ़ाइल में दर्ज हैं। पेज स्क्रीन पर कैसा दिखता है, यह वह कभी नहीं देखता।

स्कैन की हुई PDF अलग होती है। स्कैनर या फ़ोन का कैमरा हर पेज की एक तस्वीर बनाता है, और PDF में सिर्फ़ वही तस्वीरें होती हैं, इसलिए पढ़ने को कोई टेक्स्ट नहीं होता: आपको शब्द दिखते हैं, पर फ़ाइल में वे होते नहीं। तस्वीरों को वापस टेक्स्ट में बदलना एक अलग काम है, जिसे ऑप्टिकल कैरेक्टर रिकग्निशन कहते हैं और जो PDF OCR करता है। जिन पेजों में टेक्स्ट नहीं होता, उन्हें टेक्स्ट बॉक्स के नीचे की सूची में चिह्नित किया जाता है, ताकि जिस फ़ाइल में दोनों तरह के पेज हों, उसमें आप स्कैन और सामान्य पेजों का फ़र्क़ पहचान सकें।

नतीजा बिना फ़ॉर्मैटिंग का सादा टेक्स्ट होता है। लाइनें वहीं खत्म होती हैं जहाँ PDF में खत्म होती हैं, और जहाँ दो लाइनों के बीच की दूरी उस पेज की सामान्य दूरी से साफ़ तौर पर ज़्यादा हो, वहाँ एक खाली लाइन जोड़ दी जाती है; इसी से पैराग्राफ़ और शीर्षक एक-दूसरे से अलग होते हैं। कुछ फ़ॉन्ट fi और fl जैसे अक्षर-जोड़ों के लिए जो लिगेचर इस्तेमाल करते हैं, उन्हें वापस अलग-अलग अक्षरों में बदल दिया जाता है, और अदृश्य सॉफ़्ट हाइफ़न हटा दिए जाते हैं।

सुझाव

• स्कैन किए पेज बिना टेक्स्ट वाले पेज के रूप में दिखते हैं। उन पर PDF OCR चलाएं और नतीजा पढ़ें।
• एक के नीचे एक टूटी लाइनों को जुड़े हुए पैराग्राफ़ में बदलने के लिए टेक्स्ट को लाइन ब्रेक हटाएं में पेस्ट करें।
• कुछ ही पेज PDF के रूप में चाहिए? PDF से पेज निकालें उन्हें अलग कर देता है, और कॉपी किए हुए टेक्स्ट को शब्द गिनें से गिन सकते हैं।