اسکین شدہ PDF کو سرچ کے قابل بنائیں

بغیر بدلے صفحے پر ایک پوشیدہ لیئر

اسکین بالکل ویسا ہی رکھا جاتا ہے۔ جو شامل ہوتا ہے وہ پوشیدہ رینڈرنگ موڈ میں بنی ٹیکسٹ کی ایک لیئر ہے — اصل حروف، جو تصویر کے الفاظ پر لفظ بہ لفظ رکھے جاتے ہیں اور اس طرح نشان زد ہوتے ہیں کہ کبھی بنائے نہ جائیں۔ صفحہ ہو بہو ویسا دکھتا ہے کیونکہ دیکھنے میں کچھ نہیں بدلا؛ کوئی جملہ منتخب کریں تو ہائی لائٹ صحیح الفاظ پر آتی ہے کیونکہ پوشیدہ ٹیکسٹ وہیں ہے جہاں نظر آنے والی سیاہی ہے۔ سرچ کے قابل اسکین بنانے کا یہی معیاری طریقہ ہے، اور اسی لیے نتیجہ سرچ، کاپی اور انڈیکس ہو سکتا ہے جبکہ وہ اب بھی دستاویز کی ایک تصویر ہی ہے۔

صفحے کی دو چیزیں جان بوجھ کر درست کی جاتی ہیں، کیونکہ پڑھنے کے لیے ان کی ضرورت تھی ہی۔ پہلو کے بل اسکین ہوا صفحہ سیدھا کیا جاتا ہے، اور جو صفحہ فیڈر سے ٹیڑھا گزرا ہو اسے سیدھا کر دیا جاتا ہے — اس لیے آؤٹ پٹ اکثر ان پٹ سے زیادہ صاف ستھرا ہوتا ہے۔ صفحات کے سائز یکساں کرنے کے بجائے اصل PDF والے ہی رکھے جاتے ہیں، اس لیے مختلف سائز کے صفحات والی دستاویز ویسی ہی رہتی ہے اور کچھ بھی ری اسکیل نہیں ہوتا۔

درستگی تقریباً مکمل طور پر اسکین پر منحصر ہے، اور فرق معمولی نہیں۔ پرنٹ شدہ ٹیکسٹ کا صاف 300 DPI اسکین بہت زیادہ درستگی سے پڑھا جاتا ہے؛ وہی صفحہ 150 DPI پر واضح طور پر بدتر پڑھا جاتا ہے؛ کم روشنی میں ترچھے زاویے سے لی گئی تصویر بالکل الگ معاملہ ہے۔ اگر اسکیننگ آپ کے ہاتھ میں ہے تو گرے اسکیل میں 300 DPI ہی وہ سیٹنگ ہے جو اہم ہے — اس سے زیادہ ریزولوشن شاذ و نادر ہی مدد کرتی ہے، اور اس سے کم فوراً نقصان کرتی ہے۔ باریک لکھائی، قریب قریب لائنیں، رنگین بیک گراؤنڈ، فوٹو کاپی کی فوٹو کاپی اور ہر مہر لگی یا ہاتھ سے لکھی چیز ایسے طریقوں سے مشکل ہیں جنہیں کوئی سافٹ ویئر پوری طرح حل نہیں کرتا۔

جو چیز جان بوجھ کر چھوڑی جاتی ہے وہ اتنی ہی اہم ہے جتنی شامل کی جانے والی۔ تصاویر، لوگوز، دستخط اور آرائشی گرافکس پڑھنے کے بجائے نظر انداز کیے جاتے ہیں، کیونکہ کسی تصویر سے زبردستی حروف نکالنے سے بظاہر معقول مگر بے معنی ٹیکسٹ بنتا ہے جو پھر ہر سرچ میں آتا ہے۔ چینی، جاپانی اور کوریائی الفاظ پہچانے تو جاتے ہیں مگر جب تک انہیں لکھ سکنے والا فونٹ شامل نہ ہو، ٹیکسٹ لیئر سے باہر رکھے جاتے ہیں اور خالی جگہ کے طور پر لکھنے کے بجائے آپ کے لیے گن دیے جاتے ہیں۔ یہاں دستاویز کو دوبارہ ٹائپ سیٹ نہیں کیا جاتا: صفحے پر الفاظ اب بھی تصویر ہیں، اور انہیں قابلِ ترمیم ٹیکسٹ میں بدلنے کے لیے Word میں تبدیل کرنا صحیح ٹول ہے۔

جب آپ کو کچھ اور چاہیے

OCRmyPDF وہ ٹول ہے جس کے مقابلے میں یہ صفحہ محض ایک سہولت ہے، اور وہ مفت ہے۔ ocrmypdf --deskew --rotate-pages in.pdf out.pdf یہی کام زیادہ کنٹرول کے ساتھ کرتا ہے، نتیجہ چھوٹا کرنے کے لیے --optimize 3، خراب موجودہ لیئر بدلنے کے لیے --redo-ocr، اور اسی مرحلے میں آرکائیو فائل بنانے کے لیے --output-type pdfa شامل کرتا ہے۔ یہ ہزاروں صفحات سنبھالتا ہے، فولڈر واچر میں چلتا ہے، اور لائبریریاں اور دستاویزی آرکائیوز اصل میں یہی استعمال کرتے ہیں۔

مشکل مواد کے لیے — تاریخی چھپائی، غیر معمولی لے آؤٹس، بھاری ٹیبلز — Google، Amazon یا Microsoft کی ہوسٹڈ سروس وہ صفحات پڑھ لے گی جو عام مقصد کی شناخت نہیں پڑھ سکتی، کیونکہ انہیں کہیں زیادہ مواد پر تربیت دی گئی ہے۔ یہ صلاحیت کا حقیقی فرق ہے اور جاننے کے لائق ہے۔ اس کا مطلب یہ بھی ہے کہ آپ اپنی دستاویزات کسی تیسرے فریق کو بھیجیں، اور یہی وہ سودا ہے جس سے بچنے کے لیے یہ صفحہ موجود ہے — اس لیے کسی نازک پرانی کتاب کے لیے یہ صحیح انتخاب ہے اور میڈیکل ریکارڈز کے ڈبے کے لیے غلط۔