स्कैन की हुई PDF को सर्च करने लायक बनाएं

बिना बदले पेज के ऊपर एक अदृश्य लेयर

स्कैन ठीक वैसा ही रखा जाता है जैसा था। जो जोड़ा जाता है वह अदृश्य रेंडरिंग मोड में बनी टेक्स्ट की एक लेयर है — असली कैरेक्टर, तस्वीर के शब्दों के ऊपर शब्द-दर-शब्द रखे गए, और इस तरह चिह्नित कि वे कभी पेंट न हों। पेज हूबहू दिखता है क्योंकि देखने में कुछ बदला ही नहीं; कोई वाक्य सिलेक्ट करें तो हाइलाइट सही शब्दों पर आता है, क्योंकि अदृश्य टेक्स्ट वहीं है जहां दिखने वाली स्याही है। सर्च करने लायक स्कैन बनाने का यही मानक तरीक़ा है, और इसी वजह से नतीजा डॉक्यूमेंट की फ़ोटो होते हुए भी सर्च, कॉपी और इंडेक्स किया जा सकता है।

पेज की दो बातें जानबूझकर ठीक की जाती हैं, क्योंकि पढ़ने के लिए वैसे भी इनकी ज़रूरत थी। बग़ल में मुड़ा स्कैन हुआ पेज सीधा किया जाता है, और फ़ीडर से टेढ़ा निकला पेज सीधा कर दिया जाता है — इसलिए आउटपुट अक्सर इनपुट से ज़्यादा साफ़-सुथरा होता है। पेज साइज़ मूल PDF से ही रखे जाते हैं, एक जैसे नहीं किए जाते, इसलिए अलग-अलग पेज साइज़ वाला डॉक्यूमेंट वैसा ही रहता है और कुछ भी रीस्केल नहीं होता।

सटीकता लगभग पूरी तरह स्कैन पर निर्भर करती है, और फ़र्क़ बहुत बड़ा होता है। छपे टेक्स्ट का साफ़ 300 DPI स्कैन बहुत ऊंची सटीकता से पढ़ा जाता है; वही पेज 150 DPI पर साफ़ तौर पर ख़राब पढ़ा जाता है; कम रोशनी में तिरछे कोण से ली गई फ़ोटो बिल्कुल अलग मामला है। अगर स्कैनिंग आपके हाथ में है, तो ग्रेस्केल में 300 DPI वह सेटिंग है जो मायने रखती है — इससे ज़्यादा रिज़ॉल्यूशन शायद ही मदद करता है, और इससे कम तुरंत नुक़सान करता है। छोटे अक्षर, पास-पास लाइनें, रंगीन बैकग्राउंड, फ़ोटोकॉपी की फ़ोटोकॉपी और कुछ भी जिस पर मुहर लगी हो या हाथ से लिखा हो — ये सब ऐसे तरीक़ों से मुश्किल हैं जिन्हें कोई सॉफ़्टवेयर पूरी तरह हल नहीं करता।

जो जानबूझकर छोड़ा जाता है, वह भी उतना ही अहम है जितना जो जोड़ा जाता है। फ़ोटो, लोगो, सिग्नेचर और सजावटी ग्राफ़िक्स पढ़े नहीं जाते, अनदेखे किए जाते हैं, क्योंकि किसी तस्वीर से ज़बरदस्ती अक्षर निकालने पर भरोसेमंद दिखने वाली बकवास बनती है जो फिर हर सर्च में दिखती है। चीनी, जापानी और कोरियन शब्द पहचाने जाते हैं, पर जब तक उन्हें लिख सकने वाला फ़ॉन्ट नहीं आता, उन्हें टेक्स्ट लेयर से बाहर रखा जाता है और ख़ाली जगह लिखने के बजाय आपके लिए गिना जाता है। यहां डॉक्यूमेंट की दोबारा टाइपसेटिंग नहीं होती: पेज पर शब्द अब भी एक तस्वीर हैं, और उन्हें एडिट होने वाले टेक्स्ट में बदलने के लिए Word में बदलना सही टूल है।

जब आपको कुछ और चाहिए

OCRmyPDF वह टूल है जिसके बगल में यह पेज बस एक सुविधा है, और वह मुफ़्त है। ocrmypdf --deskew --rotate-pages in.pdf out.pdf यही काम ज़्यादा नियंत्रण के साथ करता है; नतीजा छोटा करने के लिए --optimize 3, ख़राब मौजूदा लेयर बदलने के लिए --redo-ocr, और उसी पास में आर्काइव फ़ाइल बनाने के लिए --output-type pdfa जोड़ा जा सकता है। यह हज़ारों पेज संभालता है, फ़ोल्डर वॉचर में चलता है, और लाइब्रेरी व डॉक्यूमेंट आर्काइव असल में यही इस्तेमाल करते हैं।

मुश्किल सामग्री के लिए — ऐतिहासिक छपाई, असामान्य लेआउट, भारी टेबल — Google, Amazon या Microsoft की होस्टेड सर्विस ऐसे पेज पढ़ लेगी जो आम पहचान वाले टूल नहीं पढ़ पाते, क्योंकि उन्हें कहीं ज़्यादा सामग्री पर ट्रेन किया गया है। यह क्षमता का असली फ़र्क़ है और जानने लायक है। पर इसका मतलब अपने डॉक्यूमेंट किसी तीसरे पक्ष को भेजना भी है, और यही वह सौदा है जिससे बचने के लिए यह पेज बना है — इसलिए किसी नाज़ुक पुरानी किताब के लिए यह सही विकल्प है और मेडिकल रिकॉर्ड के ढेर के लिए ग़लत।