PDF থেকে টেক্সটে কনভার্ট করুন

শব্দগুলো কোথা থেকে আসে, আর কোন ক্রমে আসে

PDF-এর অক্ষরগুলো টেক্সট হিসেবে সংরক্ষিত থাকে না। সেগুলো থাকে গ্লিফ নম্বর হিসেবে, যা ফাইলে এমবেড করা একটি ফন্টের দিকে নির্দেশ করে; আর সেগুলোকে আবার অক্ষরে ফেরানো নির্ভর করে ফাইলের ভেতরের একটি টেবিলের ওপর, যেখানে লেখা থাকে কোন গ্লিফ কোন অক্ষর বোঝায়। বেশিরভাগ সফটওয়্যার এটি রাখে। যখন রাখে না — আর কিছু ডিজাইন সফটওয়্যারের বানানো ছাঁটা ফন্ট-সাবসেটই সাধারণত এর জন্য দায়ী — তখন পেজটি স্ক্রিনে নিখুঁত দেখায়, কিন্তু বের করলে আসে অর্থহীন হিজিবিজি, কারণ পড়ার জন্য যে তথ্য দরকার তা কখনো লেখাই হয়নি। কোনো এক্সট্র্যাক্টরই এটি ঠিক করতে পারে না; এটি কঠিন সমস্যা নয়, হারানো তথ্য।

আউটপুটে ভরসা করার আগে পড়ার ক্রমটি যাচাই করুন। লেখা আসে পেজ যে ক্রমে আঁকা হয়েছে সেই ক্রমে, অর্থাৎ PDF-টি যে সফটওয়্যার বানিয়েছে সেটি যেভাবে লিখে গেছে — আর তা প্রায়ই মানুষের পড়ার ক্রম নয়। দুই কলামের একটি পেজ প্রায়ই বাঁ কলাম আর ডান কলাম হিসেবে ঠিকঠাক আলাদা হয়ে আসে, আবার কখনো দুই কলামের লাইন মিশে যায় — পুরোটাই নির্ভর করে ফাইলটি কীভাবে তৈরি হয়েছে তার ওপর। হেডার, ফুটার, পেজ নম্বর আর সাইডবার যেখানে আঁকা হয়েছে সেখানেই বসে, সাধারণত মূল লেখার মাঝখানে।

কিছু ছোটখাটো অসংগতি চিনে রাখা ভালো, তাতে মাথা ঘামাতে হয় না। লিগেচার আসে ফন্টে আসলে যে একক অক্ষরটি ব্যবহৃত হয়েছে সেটি হিসেবে, তাই “find” f আর i আলাদা না হয়ে একটি গ্লিফ হিসেবে আসতে পারে, আর তখন সরাসরি “find” খুঁজলে তা পাওয়া যায় না। লাইনের শেষে হাইফেন দিয়ে ভাঙা শব্দ হাইফেনসহই থাকে, কারণ ফাইলে ভাঙনটি সত্যিই আছে। আর সোজা উদ্ধৃতিচিহ্ন প্রায়ই বাঁকানো হয়ে আসে, যা গুরুত্বপূর্ণ যদি লেখাটি কোড বা CSV-তে যায়।

স্ক্যান করা পেজ থেকে কিছুই পাওয়া যায় না, আর টুলটি ফাঁকা ফাইল ধরিয়ে না দিয়ে সেটি স্পষ্ট জানিয়ে দেয় — ডকুমেন্টের ছবিতে কোনো অক্ষর থাকে না, থাকে শুধু পিক্সেল। আউটলাইনে রূপান্তরিত লেখার ক্ষেত্রেও একই কথা; ডিজাইনাররা ইচ্ছে করেই এটি করেন, যাতে ফাইলটি সব জায়গায় হুবহু একইভাবে প্রিন্ট হয় — তখন সেটি সত্যিই আর লেখা নয়, আর্টওয়ার্ক। দুটির জন্যই বের করা নয়, OCR দরকার।

অন্য কিছু দরকার হলে

কলাম যখন গুরুত্বপূর্ণ, তখন Poppler-এর pdftotext -layout in.pdf out.txt ব্রাউজারের যেকোনো কিছুর চেয়ে ভালো: এটি আসল স্পেস দিয়ে দৃশ্যমান ফাঁকগুলো আবার গড়ে তোলে, ফলে কলাম কলামই থাকে আর টেবিল থাকে পড়ার মতো টেবিল। pdftotext -raw উল্টো পথে যায়, আঁকার ক্রম অপরিবর্তিত রেখে দেয় — কোনো স্ক্রিপ্টের কখনো কখনো ঠিক এটিই দরকার।

শত শত ফাইল থেকে লেখা বের করতে হলে ভিত্তি হিসেবে নিন mutool draw -F txt আর Python-এর pdfplumber — বিশেষ করে pdfplumber প্রতিটি অক্ষর তার স্থানাঙ্ক, ফন্ট ও সাইজসহ দেয়, ফলে আন্দাজে নয়, অবস্থান দেখে হেডার আর ফুটার বাদ দিতে পারেন। এই কাজটি এই পেজ করতে পারে না, আর বেশি পরিমাণে কাজ করলে ঠিক এটিই গুরুত্বপূর্ণ।