دستاویز میں کیا ہوتا ہے، اور ہر کنورژن اس کے ساتھ کیا کرتا ہے
.docx دراصل XML فائلوں کی ایک ZIP ہے، اور اسے دستاویز بنانے والی زیادہ تر چیزیں ٹیکسٹ نہیں ہیں۔ اس میں اسٹائلز ہوتے ہیں — Heading 1 جیسی نام والی تعریفیں جو کئی پیراگراف شیئر کرتے ہیں — اور براہِ راست فارمیٹنگ ہوتی ہے، جہاں کسی نے ایک لائن منتخب کر کے bold دبایا۔ دونوں ایک جیسے دکھتے ہیں اور کنورژن میں بالکل مختلف برتاؤ کرتے ہیں: اسٹائل بطور اسٹائل باقی رہتا ہے، اور براہِ راست فارمیٹ کیا گیا حصہ صرف اس فارمیٹنگ کی صورت میں باقی رہتا ہے جو اس نے بنائی۔ ان کے ساتھ نمبرنگ کی تعریفیں، ٹریکڈ چینجز، کمنٹس، فٹ نوٹس، ہیڈرز اور فٹرز، ٹیکسٹ باکسز، ایمبیڈڈ فونٹس اور دستاویز کی پراپرٹیز ہوتی ہیں، ہر ایک پیراگراف کے ٹیکسٹ سے الگ محفوظ۔
فہرست کے نمبر اس کی سب سے واضح مثال ہیں۔ Word “1.” کو ٹیکسٹ کے طور پر محفوظ نہیں کرتا؛ وہ نمبرنگ کی ایک تعریف کا حوالہ رکھتا ہے اور صفحہ بناتے وقت نمبر حساب کرتا ہے۔ اس لیے جو ٹیکسٹ ایکسٹریکٹرز پیراگراف کا XML پڑھتے ہیں وہ ہر نمبر چھوڑ دیتے ہیں اور آپ کو بغیر نمبروں کی فہرست دیتے ہیں۔ DOCX سے TXT اس کی بجائے انہیں دوبارہ بناتا ہے — “1.”، “1.1”، “a)”، “iii.” — ان فہرستوں سمیت جو دستاویز میں دوبارہ شروع ہوتی ہیں یا آگے جاری رہتی ہیں۔
ٹریکڈ چینجز اور کمنٹس اتفاق نہیں، فیصلہ ہیں۔ نظرثانی کے تحت دستاویز میں حذف شدہ ٹیکسٹ اور شامل کیا گیا ٹیکسٹ دونوں ایک ہی فائل میں نشان زد ہوتے ہیں۔ DOCX سے TXT اسے یوں پڑھتا ہے جیسے ہر تبدیلی قبول کر لی گئی ہو: اضافے رکھے جاتے ہیں، حذف شدہ حصے چھوڑ دیے جاتے ہیں۔ کمنٹس بالکل شامل نہیں ہوتے، جو عموماً آپ چاہتے ہیں جب سادہ ٹیکسٹ کسی عوامی جگہ جا رہا ہو۔ فٹ نوٹس اور اینڈ نوٹس [1] جیسے نشانوں کی صورت میں آتے ہیں اور نوٹس آخر میں جمع ہوتے ہیں، ہیڈرز اور فٹرز آن کیے جا سکتے ہیں، اور ٹیکسٹ باکسز دہرائے جانے یا گم ہونے کی بجائے پڑھنے کی ترتیب میں ایک ایک بار آتے ہیں۔
PDF میں کنورژن جو چیز پکی کرتا ہے وہ صفحہ بندی ہے۔ ورڈ پروسیسر میں صفحہ چار کہاں ختم ہوگا، یہ ہر بار فائل کھلنے پر دوبارہ حساب کیا جاتا ہے، کھولنے والے کے فونٹس اور پرنٹر ڈرائیور کے مطابق — اسی لیے دستاویز وصول کرنے والے کے پاس ٹیبل دو صفحات میں بٹی ہوئی پہنچتی ہے اور آپ کے پاس نہیں۔ PDF میں ایسا کوئی دوبارہ حساب نہیں: صفحات کے بریک کنورژن کے وقت ایک بار طے ہو گئے اور اب فائل کی ایک حقیقت ہیں۔ Word سے PDF، ODT سے PDF اور RTF سے PDF یہ بریک کسی براؤزر کے اندازے سے نہیں بلکہ مکمل ورڈ پروسیسر لے آؤٹ سے حاصل کرتے ہیں، اسی لیے ٹیکسٹ باکسز، شیپس، ہیڈرز اور فٹرز وہیں آتے ہیں جہاں مصنف نے رکھے تھے۔
جو چیز ضائع ہوتی ہے وہ ترمیم کی صلاحیت اور ری فلو ہے۔ اسٹائلز بصری فارمیٹنگ بن جاتے ہیں، آؤٹ لائن بُک مارکس بن جاتی ہے، اور ٹیکسٹ اب فون اسکرین کے مطابق دوبارہ نہیں لپٹتا۔ دستاویز میں ایمبیڈ کیے گئے فونٹس جیسے ہیں ویسے استعمال ہوتے ہیں؛ جو فونٹ نہ ایمبیڈڈ ہو نہ کنورٹر کے پاس دستیاب ہو، اس کی جگہ پیمائش میں سب سے قریب مطابقت رکھنے والا فونٹ لگایا جاتا ہے، اس لیے لائنیں انہی جگہوں پر ٹوٹتی ہیں حالانکہ حروف کی شکل مختلف ہوتی ہے۔
ای بکس میں محفوظ رکھنے کو صفحات ہوتے ہی نہیں۔ EPUB، MOBI اور AZW3 ری فلو ہونے والے فارمیٹس ہیں — ریڈر ایپ طے کرتی ہے کہ ہر صفحہ کہاں ختم ہو، آپ کے چنے ہوئے فونٹ سائز پر — اس لیے “صفحہ 40” کتاب کی خاصیت نہیں، اور آپ کی PDF میں صفحہ بندی کنورژن کے وقت آپ کے چنے ہوئے پیج سائز اور مارجنز سے بنتی ہے۔ فائل میں ابواب کا ڈھانچہ اور فہرستِ مضامین ہوتی ہے، اور یہ PDF کے اصل لنکس اور بُک مارکس بن جاتے ہیں۔ AZW3 میں اسٹائل شیٹ اور اکثر ایمبیڈڈ فونٹس ہوتے ہیں، اس لیے یہ ویسی ہی نکلتی ہے جیسی پبلشر نے ڈیزائن کی؛ پرانی MOBI فائلوں میں اسٹائل شیٹ بالکل نہیں ہوتی، اسی لیے تبدیل شدہ MOBI اسی کتاب کے Kindle ایپ والے ورژن سے سادہ دکھتی ہے — ایپ وہ ٹائپوگرافی شامل کر رہی تھی جو فائل میں کبھی تھی ہی نہیں۔
RTF شروع سے آخر تک ٹیکسٹ ہے، اسی لیے یہ دہائیوں کے سافٹ ویئر کے بعد بھی قائم ہے۔ اس کی پیچیدگی کیریکٹر انکوڈنگ ہے: RTF، یونیکوڈ سے پہلے کا ہے اور ٹیکسٹ پرانے کوڈ پیجز میں رکھتا ہے — وسطی یورپی، سیریلک، یونانی، جاپانی — اور خراب طریقے سے تبدیل کی گئی RTF میں بے معنی علامتیں (mojibake) یہیں سے آتی ہیں۔ یہاں ہر ایک کو جدید یونیکوڈ ٹیکسٹ کے ساتھ ساتھ درست طریقے سے ڈیکوڈ کیا جاتا ہے۔
جہاں براؤزر واقعی غلط ٹول ہے
ان میں سے کچھ ٹولز آپ کی فائل کو مکمل طور پر نجی رکھتے ہیں اور کچھ اسے سرور کے حوالے کرتے ہیں، اور یہ بالکل واضح ہونا چاہیے کہ کون سا کیا کرتا ہے۔ PDF سے ٹیکسٹ، TXT سے PDF، DOCX سے TXT، HTML سے DOCX اور Markdown سے HTML کبھی کچھ نہیں بھیجتے — فائل یہیں پڑھی، تبدیل اور لکھی جاتی ہے، اور کچھ باہر نہیں جاتا۔ Word سے PDF، ODT سے PDF، RTF سے PDF، HTML سے PDF، Markdown سے PDF اور تینوں ای بک کنورٹرز کنورژن ہمارے سرور پر کرتے ہیں، کیونکہ ورڈ پروسیسر کے صفحے کا لے آؤٹ دوبارہ بنانا، یا کتاب کی درست صفحہ بندی کرنا، ایسا کام نہیں جس کی نقل ویب پیج کر سکے۔ جو بھیجا جاتا ہے وہ مختلف ہے: Word، ODT اور RTF دستاویزات جیسی ہیں ویسی جاتی ہیں، جبکہ Markdown فائلیں اور ای بکس پہلے کھول کر ایک ویب پیج میں جمع کی جاتی ہیں، اور وہی جمع شدہ پیج بھیجا جاتا ہے۔ دونوں صورتوں میں یہ انکرپٹڈ کنکشن پر جاتا ہے، تبدیل ہوتا ہے، اور آپ کا ڈاؤن لوڈ تیار ہوتے ہی حذف کر دیا جاتا ہے — کچھ بھی محفوظ، لاگ یا شیئر نہیں کیا جاتا۔ اگر سرور تک رسائی نہ ہو تو ان میں سے ہر ایک اپنے متبادل کنورٹر پر چلا جاتا ہے، اور بتا دیتا ہے کہ ایسا ہوا ہے، اور متبادل کیا برقرار نہیں رکھ سکا۔
وہ فارمیٹس جو ہم نہیں کھولتے۔ Word 97–2003 کی پرانی بائنری .doc فائلیں Word سے PDF پر ٹھیک تبدیل ہوتی ہیں، کیونکہ سرور انہیں براہِ راست پڑھتا ہے — لیکن براؤزر میں چلنے والا DOCX سے TXT انہیں نہیں پڑھ سکتا، اور .docx چاہتا ہے۔ پاس ورڈ والی دستاویزات کا پاس ورڈ اسی پروگرام میں ہٹانا ہوگا جس نے لگایا تھا۔ DRM سے محفوظ Kindle کتابیں دنیا کا کوئی کنورٹر نہیں کھول سکتا — تحفظ اسی لیے ہے — اور نہ ہی Amazon کا نیا KFX فارمیٹ، جسے صرف Kindle ایپ پڑھتی ہے۔
طویل دستاویزات کا کام۔ ماسٹر دستاویزات، کراس ریفرنس فیلڈز، انڈیکس، خودکار طور پر بننے والی حوالہ جات کی فہرستیں، میل مرج اور سائٹیشن مینیجرز ورڈ پروسیسر کی خصوصیات ہیں، اور کنورٹر ورڈ پروسیسر نہیں ہوتا۔ LibreOffice انسٹال کریں — یہ مفت ہے، اس صفحے کا ہر فارمیٹ پڑھتا ہے، اور ان کاموں کے لیے یہی درست پروگرام ہے۔
بیچ اور آٹومیشن۔ یہ ٹولز تب چلتے ہیں جب کوئی انسان کلک کرے۔ طے شدہ وقت پر ہزار فائلیں تبدیل کرنا کمانڈ لائن کا کام ہے، اور مفت ٹولز بہترین ہیں: headless موڈ میں LibreOffice ہر وہ چیز تبدیل کرتا ہے جو Writer کھول سکے، Pandoc کسی بھی ویب فارم سے زیادہ کنٹرول کے ساتھ Markdown، HTML، DOCX، LaTeX اور درجن بھر دوسرے فارمیٹس کے درمیان تبدیلی کرتا ہے، اور Calibre بڑی تعداد میں ای بکس سنبھالتا ہے اور ہر غیر محفوظ ای بک فارمیٹ کے درمیان تبدیلی کرتا ہے۔
الٹی سمت میں درست لے آؤٹ۔ بہت زیادہ ڈیزائن کی گئی PDF کو واپس قابلِ ترمیم دستاویز بنانا کنورژن نہیں بلکہ اندازہ لگانے کا مسئلہ ہے، اور کوئی بھی اسے مکمل طور پر نہیں کر پاتا — نہ ہم، نہ مہنگے ڈیسک ٹاپ پروڈکٹس۔ اگر اصل دستاویز اب بھی موجود ہے تو اسی میں ترمیم کریں۔
ملتے جلتے ناموں والے ٹولز میں انتخاب
Markdown سے PDF بمقابلہ Markdown سے HTML۔ پارسر ایک، منزل مختلف۔ Markdown سے PDF آپ کو صفحات میں بٹی دستاویز دیتا ہے جس کا ٹائپ فیس، پیج سائز اور مارجنز آپ چنتے ہیں، ہیڈنگز PDF بُک مارکس کے طور پر اور فہرستِ مضامین جو درست صفحے پر لے جاتی ہے — پرنٹ، اٹیچ یا آرکائیو کرنے کے لیے۔ Markdown سے HTML آپ کو یا تو اسٹائل کے ساتھ الگ مکمل پیج دیتا ہے یا CMS میں پیسٹ کرنے کے لیے سادہ اسنیپٹ — شائع کرنے کے لیے۔ اگر آپ Markdown کو Word میں چاہتے ہیں تو پہلے Markdown سے HTML اور پھر HTML سے DOCX استعمال کریں۔
Word سے PDF بمقابلہ ODT سے PDF بمقابلہ RTF سے PDF۔ اندر سے ایک ہی کنورژن؛ فرق صرف اس میں ہے کہ آپ انہیں کیا دیتے ہیں۔ Word سے PDF، .docx کے لیے۔ ODT سے PDF، LibreOffice، OpenOffice یا Google Docs کے “Download as OpenDocument” سے آئی کسی بھی فائل کے لیے۔ RTF سے PDF، WordPad، TextEdit اور ان خطوط اور رپورٹس کے لیے جو بزنس سسٹمز اب بھی بناتے ہیں۔ اپنی ایکسٹینشن سے میل کھاتا صفحہ چننا آپ کی سوچ سے کم اہم ہے — اہم یہ ہے کہ ان میں سے کوئی بھی TXT سے PDF نہیں، جس کے پاس محفوظ رکھنے کو کوئی فارمیٹنگ ہوتی ہی نہیں۔
TXT سے PDF بمقابلہ Markdown سے PDF۔ TXT سے PDF آپ کا ٹیکسٹ بطور ٹیکسٹ ترتیب دیتا ہے: ایک ٹائپ فیس، آپ کے مارجنز، کوئی تشریح نہیں۔ Markdown سے PDF، # اور * کو ہدایات سمجھ کر پڑھتا ہے اور ہیڈنگز، فہرستیں، ٹیبلز، ہائی لائٹ کیا گیا کوڈ اور بُک مارک آؤٹ لائن بناتا ہے۔ Markdown فائل TXT سے PDF کو دیں تو آپ کو ستاروں کی PDF ملے گی۔
EPUB، MOBI اور AZW3 سے PDF۔ تینوں اپنے نام سے زیادہ فارمیٹس قبول کرتے ہیں، اس لیے ان میں سے کوئی بھی آپ کی فائل کھول لے گا؛ صفحات اس لیے مختلف ہیں کہ کتابیں مختلف ہیں۔ EPUB اور AZW3 (KF8) میں اسٹائل شیٹس اور اکثر ایمبیڈڈ فونٹس ہوتے ہیں، اور یہ ڈیزائن شدہ نکلتی ہیں۔ MOBI پرانا کنٹینر ہے جس میں بہت کم فارمیٹنگ ہوتی ہے، اور اس کی تبدیل شدہ PDF جان بوجھ کر سادہ ہوتی ہے۔ اگر کسی Kindle فائل میں دونوں لے آؤٹ ہوں تو نیا والا استعمال ہوتا ہے۔
HTML سے DOCX بمقابلہ Markdown سے HTML۔ HTML سے DOCX پہلے مارک اپ کا لے آؤٹ بناتا ہے، تاکہ حل شدہ CSS — فونٹس، سائز، رنگ، فاصلے، بارڈرز — دستاویز میں اصل Word فارمیٹنگ کے طور پر لکھی جائے، Word ہیڈنگ اسٹائلز، اصل فہرستوں اور اصل ٹیبلز کے ساتھ، نہ کہ ایک جگہ پر جمے ہوئے باکسز۔ Markdown سے HTML مارک اپ بناتا ہی ہے۔ دونوں میں سے کوئی بھی کبھی JavaScript نہیں چلاتا۔
DOCX سے TXT بمقابلہ PDF سے ٹیکسٹ۔ دونوں آپ کو سادہ ٹیکسٹ دیتے ہیں اور بالکل مختلف چیزیں پڑھ رہے ہوتے ہیں۔ .docx کو اب بھی معلوم ہے کہ پیراگراف، فہرست اور ٹیبل کیا ہیں، اس لیے DOCX سے TXT فہرست کے نمبر دوبارہ بنا سکتا ہے اور ٹیبل کی رو اکٹھی رکھ سکتا ہے۔ PDF کو صرف یہ معلوم ہے کہ ہر حرف کہاں بنایا گیا، اس لیے PDF سے ٹیکسٹ مقام سے لائنوں اور پیراگرافس کا اندازہ لگاتا ہے — اچھا، مگر ساخت کے لحاظ سے کبھی اتنا وفادار نہیں۔ اگر آپ کے پاس اصل دستاویز اور اس کی PDF دونوں ہیں تو دستاویز سے نکالیں۔
DOCX سے TXT بمقابلہ Word سے .txt کے طور پر محفوظ کرنا۔ Word کا اپنا سادہ ٹیکسٹ ایکسپورٹ فہرست کی نمبرنگ چھوڑ دیتا ہے، ٹیبلز بگاڑ دیتا ہے اور انکوڈنگ کے بارے میں اپنی رائے رکھتا ہے۔ DOCX سے TXT نمبرنگ دوبارہ بناتا ہے، ٹیبلز کو یا تو ٹیب سے الگ کی گئی رو کی صورت میں لکھتا ہے جو اسپریڈشیٹ میں پیسٹ ہو جائیں یا ایسے ترتیب شدہ کالمز میں جو چینی اور جاپانی میں بھی سیدھے رہیں، اور UTF-8 میں آپ کی مانگی ہوئی لائن اینڈنگز کے ساتھ محفوظ کرتا ہے۔