Scanned PDF to text (OCR) — स्कैन PDF से टेक्स्ट:
स्कैन किए पेजों से टेक्स्ट पढ़ें

स्कैन की हुई PDF से टेक्स्ट कैसे निकालें

1. सेटिंग पैनल में डॉक्यूमेंट की “भाषा” चुनें।
2. “फ़ाइलें चुनें” पर क्लिक करें या स्कैन की हुई PDF पेज पर ड्रॉप करें।
3. हर पेज बारी-बारी से पढ़ा जाता है, और प्रोग्रेस से पता चलता है कि कितना हो चुका है। पहली बार टेक्स्ट रीडर डाउनलोड होता है, इसलिए शुरुआत थोड़ी धीमी होती है।
4. .txt या .docx फ़ाइल डाउनलोड करने के लिए “सेव करें” पर क्लिक करें।

क्या आपको OCR चाहिए? एक छोटा-सा टेस्ट

PDF खोलें और कोई शब्द सिलेक्ट करके देखें, या Ctrl+F (Mac पर Cmd+F) से कोई शब्द सर्च करें। अगर शब्द हाइलाइट हो जाए या मिल जाए, तो PDF में पहले से टेक्स्ट है। ऐसी फ़ाइलों के लिए “PDF से TXT” और “PDF to Word” ज़्यादा तेज़ हैं और टेक्स्ट को बिना पहचान की किसी ग़लती के हूबहू कॉपी करते हैं।

अगर कुछ भी सिलेक्ट न हो, तो PDF में पेजों की तस्वीरें हैं, जो आमतौर पर स्कैनर, फ़ोन के स्कैनिंग ऐप और फ़ैक्स मशीनें बनाते हैं। यही इस टूल का काम है।

सेटिंग क्या करती हैं

• भाषा। अंग्रेज़ी, उर्दू + अंग्रेज़ी, हिंदी + अंग्रेज़ी, अरबी + अंग्रेज़ी, स्पेनिश, पुर्तगाली या इंडोनेशियाई। वही भाषा चुनें जिसमें डॉक्यूमेंट लिखा है; मिली-जुली सेटिंग दोनों लिपियाँ पढ़ती हैं।
• लेआउट। “ऑटो (कॉलम ख़ुद पहचानता है)” चिट्ठियों, रिपोर्ट और लेखों के लिए ठीक है, और कॉलम अलग रखता है। “लाइन दर लाइन (रसीदें, टेबल)” हर पेज को लाइन के बाद लाइन पढ़ता है और शब्दों के बीच की जगह बनाए रखता है, जो स्टेटमेंट, इनवॉइस और प्राइस लिस्ट में मदद करता है, जहाँ कोई लेबल और रकम एक ही लाइन पर होते हैं।
• इस रूप में सेव करें। “टेक्स्ट फ़ाइल (.txt)” हर पेज को “----- Page 2 -----” जैसी लाइन से मार्क करती है। “Word डॉक्यूमेंट (.docx)” हर पेज को Word में नए पेज से शुरू करता है, और अरबी व उर्दू टेक्स्ट दाएँ से बाएँ लगाया जाता है।

यह कैसे काम करता है और क्या उम्मीद रखें

हर पेज 300 dpi पर बनाया जाता है, जो OCR के लिए अच्छा रिज़ॉल्यूशन है, और एक-एक करके पढ़ा जाता है। मेमोरी बचाने के लिए बहुत बड़े पेज छोटे बनाए जाते हैं। सभी पेज पढ़े जाते हैं, इसलिए लंबे डॉक्यूमेंट में कुछ समय लगता है। फ़ाइल का सिर्फ़ कुछ हिस्सा पढ़ना हो, तो पहले “PDF पेज निकालें” से उसे छोटा कर लें।

टेक्स्ट रीडर एक बार डाउनलोड होता है, लगभग 1 MB और हर भाषा के लिए 1 से 3 MB डेटा, और आपका ब्राउज़र उसे अगली बार के लिए रख लेता है।

नतीजे में सिर्फ़ शब्द होते हैं। फ़ॉन्ट, बोल्ड, तस्वीरें और टेबल की बॉर्डर नहीं रहतीं, और स्कैन ख़ुद नहीं बदलता। यह टूल PDF में टेक्स्ट लेयर नहीं जोड़ता, इसलिए नतीजा सर्च होने वाली PDF नहीं होता।

सीमाएँ और आम समस्याएँ

• हाथ की लिखावट भरोसे के साथ नहीं पढ़ी जाती। यह टूल छपे और टाइप किए टेक्स्ट के लिए बना है।
• आड़ा या उल्टा स्कैन हुआ पेज ठीक नहीं किया जाता। “PDF रोटेट करें” से उसे सीधा करें, फिर OCR चलाएँ।
• आपको एक नोट दिखता है कि कुछ शब्द ग़लत हो सकते हैं। स्कैन धुंधला, छोटा या फीका है। हो सके तो ज़्यादा रिज़ॉल्यूशन पर दोबारा स्कैन करें, और नाम, तारीख़ें और रकम हमेशा जाँच लें।
• “कुछ पेजों पर ऐसा कोई टेक्स्ट नहीं मिला जिसे पढ़ा जा सके” का मतलब आमतौर पर ख़ाली पेज या सिर्फ़ फ़ोटो वाले पेज होता है।
• PDF पासवर्ड से सुरक्षित है। पहले “PDF अनलॉक करें” से पासवर्ड हटाएँ।