स्कैन की PDF में खोजने लायक टेक्स्ट कैसे जोड़ें
स्कैन की PDF में खोजने लायक टेक्स्ट कैसे जोड़ें. अंग्रेजी स्कैन पर OCR चलाएं और पहचाने गए शब्दों की जांच करें।
अंग्रेजी स्कैन पर OCR चलाएं और पहचाने गए शब्दों की जांच करें।
पहले समझें कि OCR की जरूरत है या नहीं
स्कैन वाली PDF देखने में सामान्य दस्तावेज जैसी लगती है, लेकिन उसके शब्द कभी कभी केवल फोटो होते हैं। PDF रीडर में एक वाक्य चुनने और कोई अलग शब्द खोजने की कोशिश करें। अगर टेक्स्ट पहले ही चुना और खोजा जा सकता है तो केवल यही सुविधा पाने के लिए दोबारा OCR चलाना जरूरी नहीं है। OCR तस्वीर में दिखते अक्षर पढ़कर नया टेक्स्ट बनाता है। उसका बनाया शब्द असली स्कैन से अलग भी हो सकता है। इसलिए इसे खोजने और काम की कॉपी तैयार करने का सहायक तरीका समझें। दस्तावेज की सही जानकारी का आधार मूल साफ स्कैन ही रहेगा।
फाइल की सीमा और भाषा पहले देखें
इस टूल के लिए 15 MB से छोटी PDF और अधिकतम आठ पेज चुनें। मौजूदा इंजन साफ छपे अंग्रेजी अक्षरों के लिए है। हिंदी, अरबी, हाथ से लिखे नोट और दूसरी लिपियों की सही पहचान का दावा नहीं किया जाता। एक ही पेज पर अंग्रेजी के साथ देवनागरी हो तो अंग्रेजी का कुछ हिस्सा मिल सकता है, लेकिन पूरी जानकारी सही मिलेगी, यह मानना ठीक नहीं है। पहले एक साफ अंग्रेजी पेज पर अभ्यास करें। लंबी PDF में से जरूरी आठ या कम पेज अलग निकाल सकते हैं, लेकिन हिस्सों में काम करते समय उनका मूल क्रम और पेज संदर्भ रिकॉर्ड में रखें।
स्कैन साफ करना पहचान से ज्यादा मदद कर सकता है
जिस पेज को व्यक्ति सामान्य जूम पर पढ़ नहीं पा रहा, उसका OCR भी भरोसेमंद होना कठिन है। टेढ़ा पेज, कमजोर रोशनी, मुड़ा हुआ कागज और अक्षरों पर पड़ा साया गलत पहचान बढ़ा सकते हैं। स्रोत कागज उपलब्ध हो तो साफ, सीधे स्कैन से शुरुआत करें। मोबाइल फोटो में सभी कोने आने और छोटे अक्षरों के साफ दिखने की जांच करें। अपनी स्कैनिंग ऐप से बेहतर PDF बनाकर इस टूल में चुनें; यहां अपने आप दस्तावेज के दाग, मोड़ और हाथ की लिखावट सुधारने की सुविधा मानकर न चलें। केवल फाइल साइज छोटी होने से पहचान बेहतर नहीं हो जाती।
ब्राउज़र में पहचान का काम कैसे चलता है
PDF चुनने के बाद OCR शुरू करें और अंग्रेजी इंजन तथा मॉडल लोड होने दें। यह जरूरी सामग्री OpenToolSuite से डाउनलोड होती है; आपकी PDF पहचान के लिए दूर की कतार में नहीं जाती। ब्राउज़र पेज की तस्वीर बनाता है, Tesseract से शब्द पहचानता है और तस्वीर के नीचे छिपी टेक्स्ट परत रखकर नई PDF बनाता है। काम हर पेज पर चलता है, इसलिए आठ पेज भी फोन पर समय ले सकते हैं। प्रगति संदेश देखते रहें और टैब खुला रखें। पेज रीलोड, टैब बंद या फोन की कम मेमोरी से काम रुक सकता है; सही डाउनलोड मिलने तक स्रोत संभालकर रखें।
प्रीव्यू को पूरी जांच न समझें
पहचाने गए टेक्स्ट का प्रीव्यू तुलना के लिए मदद करता है, लेकिन उसमें शुरुआती 2,500 अक्षर तक दिखते हैं। इसलिए लंबे दस्तावेज का प्रीव्यू साफ होने से आखिरी पेजों की पहचान सही साबित नहीं होती। अपने स्कैन में एक अलग नाम, रकम और तारीख चुनें और प्रीव्यू से मिलाएं। 0 और O, 1 और I जैसे मिलते अक्षरों पर ज्यादा ध्यान दें। बैंक खाते में एक अंक बदलना खोज के छोटे लाभ से कहीं बड़ी समस्या बना सकता है। जहां शब्द गलत मिले, उसे प्रमाण के तौर पर न इस्तेमाल करें। पूरा डाउनलोड खोलकर बाकी पेजों पर भी वही जांच करें।
डाउनलोड के बाद खोज और कॉपी जांचें
नई PDF को अपने सामान्य रीडर में खोलें और हर पेज से अलग वाक्य खोजें। फिर एक लाइन कॉपी करके साधारण टेक्स्ट एडिटर में डालें। शब्दों का क्रम, खाली जगह और विराम चिह्न मूल से मिलना चाहिए। तस्वीर सही दिखती रह सकती है, जबकि नीचे का छिपा टेक्स्ट गलत हो; इसलिए सिर्फ दृश्य जांच पर्याप्त नहीं है। टूल डाउनलोड देने से पहले टेक्स्ट निकलने की जांच करता है, पर यह शुद्धता की गारंटी नहीं है। जरूरी नंबर और नाम हाथ से मिलाएं। जिस ऐप में खोज विफल हो, उसमें पहले कोई दूसरी खोजने योग्य PDF खोलकर रीडर का व्यवहार भी जांच सकते हैं।
गलती आए या कोई शब्द न बने तो
बहुत धुंधला स्कैन, गैरअंग्रेजी टेक्स्ट या ऐसे अक्षर जिन्हें मौजूदा PDF फॉन्ट नहीं लिख सकता, काम विफल कर सकते हैं। अगर कोई खोजने योग्य शब्द नहीं बनता तो टूल तस्वीर वाली फाइल को झूठे searchable नाम से नहीं देता। स्पष्ट अंग्रेजी पेज से दोबारा कोशिश करें। सीमा से बड़ी फाइल को पहले कम पेजों में बांटें और हर हिस्से को जांचें। इंजन लोड न हो तो इंटरनेट और ब्राउज़र देखें; सामग्री डाउनलोड होने की जरूरत स्थानीय काम के खिलाफ नहीं है। बार बार बड़ी फाइल चलाने के बजाय एक पेज से समस्या अलग करें, ताकि असफल लंबे प्रयास में समय न जाए।
टेक्स्ट मिलने के बाद कौन सा काम अलग है
OCR सीधे संपादन योग्य Word दस्तावेज, सही Excel टेबल या कानूनी रूप से प्रमाणित कॉपी नहीं बनाता। PDF की टेबल निकालनी हो तो उसके बाद अलग टूल में कोशिश करनी पड़ सकती है और वहां भी लाइनें तथा कॉलम की जांच जरूरी होगी। छिपे टेक्स्ट से निजी जानकारी अपने आप नहीं मिटती; तस्वीर में भी वही विवरण बना रहता है। खराब पहचान वाले अंक को आगे के हिसाब में भेजने से पहले स्रोत से सुधारें। मूल स्कैन और तैयार खोजने वाली कॉपी दोनों रखें। संवेदनशील काम में किस पेज से कौन सा टेक्स्ट लिया, इसका छोटा रिकॉर्ड रखने से बाद की तुलना और सुधार आसान होते हैं।
लेखक: Feroz Sheikh