PDF को टेक्स्ट में बदलें

शब्द कहां से आते हैं, और किस क्रम में निकलते हैं

PDF में कैरेक्टर टेक्स्ट के रूप में स्टोर नहीं होते। वे ग्लिफ़ नंबर के रूप में स्टोर होते हैं जो फ़ाइल में एम्बेड किए गए फ़ॉन्ट की ओर इशारा करते हैं, और इन्हें वापस अक्षरों में बदलना फ़ाइल के अंदर की एक टेबल पर निर्भर करता है, जो बताती है कि हर ग्लिफ़ कौन-सा कैरेक्टर है। ज़्यादातर सॉफ़्टवेयर यह टेबल लिखते हैं। जब कोई नहीं लिखता — और आमतौर पर इसकी वजह कुछ डिज़ाइन सॉफ़्टवेयर के बनाए छोटे-छांटे फ़ॉन्ट सबसेट होते हैं — तो पेज स्क्रीन पर बिल्कुल सही दिखता है पर निकालने पर बेमतलब अक्षर आते हैं, क्योंकि उसे पढ़ने के लिए ज़रूरी जानकारी कभी लिखी ही नहीं गई। कोई भी एक्सट्रैक्टर इसे ठीक नहीं कर सकता; यह कोई कठिन समस्या नहीं, बल्कि गायब डेटा है।

नतीजे पर भरोसा करने से पहले पढ़ने का क्रम जांचें। टेक्स्ट उसी क्रम में निकलता है जिसमें पेज उसे ड्रॉ करता है, यानी जिस क्रम में PDF बनाने वाले सॉफ़्टवेयर ने उसे लिखा — और अक्सर यह वह क्रम नहीं होता जिसमें इंसान पढ़ता है। दो कॉलम वाला पेज कभी बाएं और दाएं कॉलम को सही-सही अलग निकालता है, तो कभी दोनों की लाइनें आपस में मिल जाती हैं — यह पूरी तरह इस पर निर्भर है कि वह कैसे बनाया गया था। हेडर, फ़ुटर, पेज नंबर और साइडबार वहीं आते हैं जहां वे ड्रॉ किए गए थे, आमतौर पर मुख्य टेक्स्ट के बीच में।

कुछ छोटी-मोटी गड़बड़ियों को पहचान लेना बेहतर है, बजाय उन पर उलझने के। लिगेचर उसी एक कैरेक्टर के रूप में आते हैं जो फ़ॉन्ट ने असल में इस्तेमाल किया, इसलिए “find” f और i की जगह एक ही ग्लिफ़ के रूप में आ सकता है, और फिर “find” की सीधी खोज उसे नहीं ढूंढ पाती। लाइन के आख़िर में हाइफ़न से टूटे शब्द हाइफ़न के साथ ही रहते हैं, क्योंकि वह ब्रेक फ़ाइल में सचमुच मौजूद है। और सीधे कोट अक्सर घुमावदार कोट होते हैं, जो तब मायने रखता है जब टेक्स्ट कोड या CSV में जाने वाला हो।

स्कैन किए गए पेज से कुछ भी नहीं निकलता, और टूल ख़ाली फ़ाइल थमाने की जगह यह साफ़ बता देता है — किसी डॉक्यूमेंट की फ़ोटो में कैरेक्टर नहीं होते, सिर्फ़ पिक्सेल होते हैं। यही बात आउटलाइन में बदले गए टेक्स्ट पर भी लागू होती है, जिसे डिज़ाइनर जानबूझकर ऐसा करते हैं ताकि फ़ाइल हर जगह एक जैसी प्रिंट हो; तब तक वह सचमुच आर्टवर्क बन चुका होता है। दोनों के लिए एक्सट्रैक्शन नहीं, OCR चाहिए।

जब आपको कुछ और चाहिए

जब कॉलम मायने रखते हों, तो Poppler का pdftotext -layout in.pdf out.txt ब्राउज़र में होने वाली किसी भी चीज़ से बेहतर है: यह असली ख़ाली जगह से विज़ुअल स्पेसिंग दोबारा बनाता है, इसलिए कॉलम कॉलम ही रहते हैं और टेबल पढ़ने लायक टेबल बनी रहती है। pdftotext -raw उल्टा करता है और ड्रॉ होने का क्रम बिना छेड़े देता है, जो कभी-कभी किसी स्क्रिप्ट को चाहिए होता है।

सैकड़ों फ़ाइलों से टेक्स्ट निकालने के लिए mutool draw -F txt और Python का pdfplumber बुनियाद बनाने लायक हैं — ख़ासकर pdfplumber हर कैरेक्टर को उसके निर्देशांक, फ़ॉन्ट और साइज़ के साथ देता है, ताकि आप हेडर और फ़ुटर को अंदाज़े से नहीं, उनकी जगह के आधार पर छांट सकें। यही वह काम है जो यह पेज नहीं कर सकता, और बड़ी संख्या में फ़ाइलों के लिए यही मायने रखता है।