تصویر سے ٹیکسٹ نکالیں

تصویر کیسے پڑھی جاتی ہے

پڑھنے والے کو جس سائز کی ضرورت ہے وہ فائل سے نہیں بلکہ سیاہی سے ناپا جاتا ہے۔ ٹیکسٹ کی ایک لائن کی اونچائی کا اندازہ خود تصویر سے لگایا جاتا ہے اور سب کچھ اس طرح دوبارہ اسکیل کیا جاتا ہے کہ ایک لائن تقریباً چونتیس پکسل کی ہو — چھوٹا اسکرین شاٹ چار گنا تک بڑا کیا جاتا ہے، اور بہت بڑی تصویر چھوٹی کی جاتی ہے، اور دونوں صورتوں میں لمبی سائیڈ کی ایک حد ہے۔ اسی لیے مینو کی نو میگا پکسل تصویر کسی تیز چھوٹی تصویر سے زیادہ درست نہیں، اور اسی لیے جس تصویر کی چھوٹی سائیڈ تقریباً تین سو پکسل سے کم ہو وہ زبان کی پہچان بالکل چھوڑ کر لاطینی رسم الخط کے طور پر پڑھی جاتی ہے۔ اس سب سے پہلے، سیاہی کے پیچھے کاغذ کا اندازہ ٹکڑوں میں لگا کر اسے تقسیم کر دیا جاتا ہے تاکہ روشنی برابر ہو، صفحے کا جھکاؤ اس کی پوری اونچائی میں ناپ کر اسے سیدھا گھمایا جاتا ہے، اور نتیجے کو ایک ہی مجموعی حد پر بلیک اینڈ وائٹ کر دیا جاتا ہے۔

زبان چننا کسی فہرست میں دیکھنے کے بجائے ایک آزمائش ہے، کیونکہ عام ڈیٹیکٹر دراصل زبانیں نہیں پہچانتا۔ پہلا مرحلہ صرف رسم الخط اور گھماؤ بتاتا ہے، اس سے زیادہ کچھ نہیں؛ رسم الخط امیدواروں کو محدود کرتا ہے، ایک ہی رسم الخط والی زبانوں میں آپ کے براؤزر کی زبان کی سیٹنگز فیصلہ کرتی ہیں، اور پھر ہر امیدوار زبان سے تصویر کی ایک چھوٹی کاپی واقعی پڑھی جاتی ہے اور اسے اس بنیاد پر نمبر دیے جاتے ہیں کہ اس نے کتنے پُراعتماد الفاظ دیے۔ جیتنے والی زبان اصل صفحہ پڑھتی ہے، اور پہچانے گئے ٹیکسٹ کو دوبارہ جانچا جاتا ہے — اعراب، مخصوص حرفی جوڑوں اور عام چھوٹے الفاظ کے لیے — تاکہ دیکھا جائے کہ کوئی دوسری زبان بہتر تو نہیں رہے گی۔ “غلط زبان بتانے سے آپ کو پُراعتماد خالی صفحہ ملتا ہے” کے پیچھے یہی نظام ہے: آزمائش اسی لیے ہے کہ اندازہ دعوے کے طور پر نہیں بلکہ آپ کی تصویر پر پرکھ کر لیا جائے۔

آؤٹ پٹ تک کیا پہنچتا ہے، اس بارے میں ایک بات جاننے کے قابل ہے۔ جس پیراگراف پر پڑھنے والے کو اعتماد نہ ہو وہ دکھانے کے بجائے ہٹا دیا جاتا ہے، اس لیے جو ٹیکسٹ آپ تصویر میں دیکھ سکتے ہیں وہ بے معنی الفاظ کی صورت میں آنے کے بجائے نتیجے سے پوری طرح غائب ہو سکتا ہے۔ یہی ان بلاکس کے ساتھ ہوتا ہے جنہیں پڑھنے والے نے تصویر یا شور قرار دیا، اور ان اکیلے نشانات کے ساتھ جن میں کوئی حرف یا ہندسہ نہ ہو۔ عام کم اعتماد والے الفاظ پر کوئی کٹوتی نہیں کی جاتی، اس لیے پیراگراف کے اندر کی غلط خوانیاں باقی رہتی ہیں اور انہیں پکڑنا آپ کا کام ہے۔ جب اعتماد کا عدد معقول ہو اور صفحے کا کوئی حصہ بس موجود نہ ہو، تو یہی ہوا ہے۔

جب آپ کو کچھ اور چاہیے

کچھ بھی محفوظ نہیں کیا جاتا، لیکن سائٹ پر یہ واحد ٹول ہے جس کا پہلا استعمال مفت نہیں: پڑھنے والا خود چند میگا بائٹس کا ہے اور ہر لینگویج پیک مزید ایک سے پانچ میگا بائٹس کا، جو اسی سائٹ سے لایا جاتا ہے اور پھر اگلی بار کے لیے رکھ لیا جاتا ہے۔ ایک صفحے کے لیے یہ انتظار قابلِ قدر ہے، لیکن شیڈول پر دو ہزار اسکینز کے لیے نہیں — اس کے لیے OCRmyPDF جیسا ڈیسک ٹاپ OCR ٹول ہے، جو ایک کمانڈ میں پورے فولڈر پر ٹیکسٹ لیئر لگا دیتا ہے، بغیر ڈاؤن لوڈ اور بغیر کلک کیے۔

تین چیزیں یہاں آزمائی ہی نہیں جاتیں، اور انہیں پہلے سے جان لینا دریافت کرنے سے جلدی ہے۔ پرسپیکٹو درست نہیں کیا جاتا — صفحے کا گھماؤ ناپ کر اسے سیدھا کیا جاتا ہے، لیکن ایک طرف سے لی گئی تصویر اپنی ذوزنقہ نما شکل برقرار رکھتی ہے، اس لیے بالکل اوپر سے تصویر لینا اس ایک سیکنڈ کے قابل ہے۔ سیاہی کو کاغذ سے الگ کرنے والی حد ہر حصے کے لیے الگ نہیں بلکہ پوری تصویر کے لیے ایک ہے، اس لیے آدھا سائے میں پڑا صفحہ روشنی برابر ہونے کے بعد بھی تاریک آدھا حصہ کھو دے گا؛ اس سے لڑنے کے بجائے یکساں روشنی میں دوبارہ تصویر لیں۔ اور لکیروں کے بجائے فاصلوں سے بنایا گیا ٹیبل ڈھونڈنے کے لیے کوئی لکیریں نہیں رکھتا، اس لیے وہ تحریر کے کالموں کی طرح پڑھا جاتا ہے اور اسپریڈشیٹ میں پیسٹ ہو کر صحیح رہ جائے تو یہ قسمت کی بات ہے۔