বাংলা PDF থেকে Word-এ কনভার্ট করুন

বাংলা PDF-এ আলাদা কী

পুনর্বিন্যাসই আসল কথা। PDF-এর টেক্সট লেয়ার গ্লিফ রাখে আঁকার ক্রমে, আর বাংলার শেপিং ইঞ্জিন ব্যঞ্জনের আগে বসা স্বরচিহ্ন (ি, ে, ৈ) আঁকে ব্যঞ্জনের আগে, আর ো ও ৌ-কে তার দুই পাশে দুটি গ্লিফে ভাগ করে; তাই সাধারণ এক্সট্র্যাক্টর থেকে যে লেখা বেরোয় তা “স্ব␃াভািবক”, যেখানে পাতায় লেখা “স্বাভাবিক”। অন্য কিছু করার আগে প্রতিটি লাইন যৌক্তিক ক্রমে ফিরিয়ে আনা হয় — স্বরচিহ্ন তার গুচ্ছের পরে, রেফ র্ হিসেবে যে গুচ্ছের ওপর বসে তার আগে, দুই অংশের স্বরচিহ্ন একটি কোড পয়েন্টে। OCR-এর আউটপুটে এর কিছুই লাগে না, কারণ ইঞ্জিন এমনিতেই যৌক্তিক ক্রমে লেখা দেয়।

শিরোনাম, অনুচ্ছেদ, লিংক, ছবি আর পেজ ব্রেক ঠিক সাধারণ PDF থেকে Word পেজের মতোই হিসাব করা হয়: একই বেসলাইনে থাকা শব্দগুলো একটি লাইন, ফাঁক বেড়ে গেলে নতুন অনুচ্ছেদ, মূল লেখার ১.৬ গুণ সাইজের ছোট লাইন একটি শিরোনাম, আর লিংক অ্যানোটেশন হয়ে যায় Word হাইপারলিংক। “হুবহু চেহারা” পেজের আর্টওয়ার্ক ১৪৪ DPI-তে রেন্ডার করে তার ওপর আসল লেখা বসায়; “এডিটযোগ্য লেখা” পড়ার ক্রমে পরিষ্কার অনুচ্ছেদ নতুন করে গড়ে।

বাংলা অঙ্ক বাংলা অঙ্কই থাকে, আর পাতার ল্যাটিন শব্দ — ইমেইল ঠিকানা, রেফারেন্স নম্বর — ল্যাটিনই থাকে। স্ক্যানের ক্ষেত্রে লোড হয় বাংলার প্যাক, তাই ইংরেজি লেটারহেডসহ বাংলার পাতায় বাংলাটা ঠিকই পড়া হয়, কিন্তু লেটারহেড বাংলার আকারের অর্থহীন লেখা হিসেবে পড়া হতে পারে; ইংরেজিটা দরকারি হলে ভাষার তালিকায় ইংরেজি যোগ করুন।

অন্য কিছু দরকার হলে

Word ফাইল থেকে বানানো PDF মানেই নতুন করে গড়ার অপেক্ষায় থাকা একটি ফাইল; পারলে .docx-টিই চেয়ে নিন। আর বিজয় .docx-কে PDF-এ প্রিন্ট করে আবার ফিরিয়ে আনার চেয়ে বিজয় থেকে ইউনিকোড দিয়ে কনভার্ট করা ভালো — কি-স্ট্রোকগুলো একটিও ভুল ছাড়া কনভার্ট হয়, ফরম্যাটিং টিকে থাকে, আর পিক্সেল থেকে কিছুই নতুন করে পড়তে হয় না।

স্ক্যান করা বাংলা বইয়ের আর্কাইভের জন্য বাংলা মডেলসহ একটি ডেস্কটপ OCR টুল রাতভর একটি ফোল্ডার পড়ে ফেলে, আর OCRmyPDF প্রতিটি PDF-এ চেহারা না বদলে সার্চযোগ্য লেয়ার যোগ করে — শত শত ফাইলের জন্য সঠিক আকারের টুল সেটাই, যেখানে এই পেজটি একটির জন্য।