PDF کو ٹیکسٹ میں تبدیل کریں

الفاظ کہاں سے آتے ہیں، اور کس ترتیب میں پہنچتے ہیں

PDF میں حروف ٹیکسٹ کی صورت میں محفوظ نہیں ہوتے۔ وہ گلیف نمبرز کی صورت میں ہوتے ہیں جو فائل میں شامل فونٹ کی طرف اشارہ کرتے ہیں، اور انہیں واپس حروف میں بدلنا فائل کے اندر موجود ایک ٹیبل پر منحصر ہے جو بتاتا ہے کہ ہر گلیف کون سا حرف ہے۔ زیادہ تر سافٹ ویئر یہ ٹیبل شامل کرتے ہیں۔ جب کوئی شامل نہیں کرتا — اور عموماً قصوروار کچھ ڈیزائن سافٹ ویئر کے بنائے ہوئے کٹے چھٹے فونٹ سب سیٹس ہوتے ہیں — تو صفحہ اسکرین پر بالکل ٹھیک نظر آتا ہے مگر نکالنے پر بے معنی حروف دیتا ہے، کیونکہ اسے پڑھنے کے لیے ضروری معلومات کبھی لکھی ہی نہیں گئیں۔ کوئی بھی ٹیکسٹ نکالنے والا ٹول اسے ٹھیک نہیں کر سکتا؛ یہ کوئی مشکل مسئلہ نہیں بلکہ غائب ڈیٹا ہے۔

نتیجے پر بھروسہ کرنے سے پہلے پڑھنے کی ترتیب ضرور دیکھیں۔ ٹیکسٹ اسی ترتیب میں نکلتا ہے جس میں صفحہ اسے بناتا ہے، یعنی وہ ترتیب جس میں PDF بنانے والے سافٹ ویئر نے اتفاقاً اسے لکھا — اور یہ اکثر وہ ترتیب نہیں ہوتی جس میں انسان پڑھتا ہے۔ دو کالم والا صفحہ کبھی بائیں اور دائیں کالم کو درست طور پر الگ الگ نکالتا ہے، اور کبھی دونوں کی لائنیں آپس میں ملا دیتا ہے — یہ پوری طرح اس پر منحصر ہے کہ فائل کیسے بنائی گئی۔ ہیڈرز، فوٹرز، صفحہ نمبرز اور سائیڈ بارز وہیں آتے ہیں جہاں وہ بنائے گئے تھے، عموماً عبارت کے بیچ میں۔

چند چھوٹی خامیاں ایسی ہیں جنہیں پہچان لینا ان پر سر کھپانے سے بہتر ہے۔ لیگیچرز اسی ایک حرف کی صورت میں آتے ہیں جو فونٹ نے واقعی استعمال کیا، اس لیے “find” میں f اور i الگ الگ کے بجائے ایک گلیف ہو سکتا ہے، اور پھر “find” کی سادہ تلاش اسے نہیں ڈھونڈ پاتی۔ لائن کے آخر میں ہائفن سے ٹوٹے الفاظ ہائفن سمیت ہی رہتے ہیں، کیونکہ فائل میں یہ بریک واقعی موجود ہے۔ اور سیدھے کوٹیشن مارکس اکثر خمدار ہوتے ہیں، جو اس وقت اہم ہے جب ٹیکسٹ کوڈ یا CSV میں جا رہا ہو۔

اسکین شدہ صفحے سے کچھ بھی نہیں نکلتا، اور ٹول خالی فائل تھمانے کے بجائے یہی بتا دیتا ہے — کسی دستاویز کی تصویر میں کوئی حروف نہیں ہوتے، صرف پکسلز ہوتے ہیں۔ یہی حال آؤٹ لائنز میں بدلے گئے ٹیکسٹ کا ہے، جو ڈیزائنرز جان بوجھ کر کرتے ہیں تاکہ فائل ہر جگہ ایک جیسی پرنٹ ہو؛ اس مرحلے پر وہ واقعی آرٹ ورک بن چکا ہوتا ہے۔ دونوں کو نکالنے کے بجائے OCR کی ضرورت ہے۔

جب آپ کو کچھ اور چاہیے

جب کالمز اہم ہوں تو Poppler کا pdftotext -layout in.pdf out.txt براؤزر میں ہونے والی کسی بھی چیز سے بہتر ہے: یہ اصل خالی جگہوں سے بصری فاصلہ دوبارہ بناتا ہے، اس لیے کالمز کالمز ہی رہتے ہیں اور ٹیبل ایسا ٹیبل رہتا ہے جسے پڑھا جا سکے۔ pdftotext -raw اس کے الٹ کام کرتا ہے اور بنانے کی ترتیب جوں کی توں دیتا ہے، جو کبھی کبھی کسی اسکرپٹ کو یہی چاہیے ہوتا ہے۔

سینکڑوں فائلوں سے ٹیکسٹ نکالنے کے لیے mutool draw -F txt اور Python کا pdfplumber ہی بنیاد بنانے کے قابل ہیں — خاص طور پر pdfplumber آپ کو ہر حرف اس کے کوآرڈینیٹس، فونٹ اور سائز سمیت دیتا ہے، اس لیے آپ ہیڈر اور فوٹر کو اندازے کے بجائے ان کی جگہ کی بنیاد پر الگ کر سکتے ہیں۔ یہی وہ کام ہے جو یہ صفحہ نہیں کر سکتا، اور بڑی تعداد میں کام کرتے وقت یہی سب سے اہم ہے۔