PDF OCR करें

स्कैनर एक तस्वीर बनाता है। बनी हुई PDF दस्तावेज़ जैसी दिखती है और तस्वीर जैसा बरताव करती है: आप शब्द देख सकते हैं, आपका कंप्यूटर नहीं — क्योंकि फ़ाइल में वर्णों के बजाय पिक्सल की एक जाली है। उसमें कुछ खोजा नहीं जा सकता, उससे कोई टेक्स्ट कॉपी नहीं होता, कोई स्क्रीन रीडर उसे पढ़कर नहीं सुना सकता, और कोई कन्वर्टर उसे संपादन-योग्य फ़ाइल में नहीं बदल सकता।

यह कमी ठीक उन्हीं अभिलेखों में सबसे ज़्यादा मायने रखती है जहाँ वह सबसे आम है। PDF में स्कैन की गई फ़ाइलिंग कैबिनेट खोजी नहीं जा सकती, यानी चार हज़ार में से एक इनवॉइस ढूँढ़ना हाथ से करने वाला काम है। रिकॉर्ड के लिए स्कैन किए अनुबंधों में कोई शर्त जाँची नहीं जा सकती। शोध पत्रों से दोबारा टाइप किए बिना उद्धरण नहीं लिया जा सकता।

ऑप्टिकल कैरेक्टर रिकग्निशन इस कमी को भर देता है। पेज की तस्वीर का विश्लेषण होता है, आकृतियों को वर्णों के रूप में पहचाना जाता है, और बना हुआ टेक्स्ट PDF में एक अदृश्य लेयर के रूप में ठीक उन्हीं शब्दों के ऊपर रख दिया जाता है जिनसे वह आया था। पेज हूबहू वैसा ही दिखता है और अब दस्तावेज़ बन गया है।

पहले रिज़ॉल्यूशन। टेक्स्ट के लिए 300 DPI के आसपास सबसे सही जगह है — मिलती-जुलती अक्षर-आकृतियों में फ़र्क़ करने के लिए काफ़ी ब्यौरा, और बेवजह बड़ी फ़ाइलें भी नहीं। क़रीब 200 DPI से नीचे सटीकता तेज़ी से गिरती है, क्योंकि जो बारीक लकीरें एक वर्ण को दूसरे से अलग करती हैं वे पकड़ में ही नहीं आतीं।

फिर कंट्रास्ट और बनावट। सफ़ेद पर साफ़ काला टेक्स्ट, रंगीन पृष्ठभूमि पर भूरे टेक्स्ट या तिरछे कोण से खींची तस्वीर से कहीं बेहतर पहचाना जाता है। तिरछापन अपने-आप सँभाला जाता है, और पेज का घूमना भी — और दोनों से ठोस मदद मिलती है, क्योंकि पहचान लाइन-दर-लाइन होती है, इसलिए कुछ डिग्री झुका पेज उसी सीधे किए गए पेज से बहुत मुश्किल होता है।

और सामग्री ख़ुद ऊपरी हद तय करती है। किसी मानक टाइपफ़ेस में सादा गद्य सबसे आसान मामला है। ठसाठस टेबल, कई कॉलम, सजावटी फ़ॉन्ट, गणितीय संकेतन और तस्वीरों पर लिखा टेक्स्ट — सब मुश्किल हैं। हस्तलेख सचमुच एक अलग समस्या है और साधारण OCR उसे हल नहीं करता, स्कैन चाहे कितना भी अच्छा हो।

पहचान अक्षरों की आकृति से कहीं ज़्यादा का इस्तेमाल करती है। हर भाषा का मॉडल अपने साथ एक वर्ण-समूह, अक्षरों के अपेक्षित मेल और शब्दों के पैटर्न लाता है — और ये सब वे उलझनें सुलझाते हैं जिन्हें अकेली आकृति नहीं सुलझा सकती: rn और m में, 1 और l में, O और 0 में फ़र्क़ इस पर टिका होता है कि आसपास के शब्द में क्या अर्थ बनेगा।

इसलिए ग़लत भाषा चुनने से हर लाइन बिगड़ती है, सिर्फ़ मात्रा वाले वर्ण नहीं। जर्मन दस्तावेज़ को अंग्रेज़ी मानकर प्रोसेस करने पर उम्लॉट खो जाते हैं और लंबे संयुक्त शब्द ग़लत पढ़े जाते हैं; रूसी या चीनी दस्तावेज़ को अंग्रेज़ी मानकर प्रोसेस करने पर कुछ भी काम का नहीं निकलता, क्योंकि वे वर्ण मॉडल में ही नहीं हैं।

सचमुच दो भाषाओं वाले दस्तावेज़ों के लिए वह भाषा चुनें जिसमें मुख्य इबारत का ज़्यादा हिस्सा है। दूसरी भाषा के नाम, पते और छोटे उद्धरण आम तौर पर बच जाते हैं; जो दस्तावेज़ आधा-आधा है वह जो भी चुनें, सटीकता कुछ तो खोएगा।

क्रम जितना लगता है उससे ज़्यादा मायने रखता है। कंप्रेस करने से पहले OCR कीजिए, क्योंकि कंप्रेशन पेज की तस्वीरों को दोबारा सैंपल करता है और नरम तस्वीरें कम भरोसे से पहचानी जाती हैं — और टेक्स्ट लेयर ख़ुद फ़ाइल के आकार में लगभग कुछ नहीं जोड़ती, इसलिए इस क्रम में करने से कुछ खोता नहीं।

कन्वर्ट करने से पहले भी OCR कीजिए। PDF से Word, PDF से Excel और PDF से Markdown — सबको काम करने के लिए टेक्स्ट चाहिए; सिर्फ़ तस्वीरें मिलें तो वे तस्वीरें ही लौटा सकते हैं। पहले टेक्स्ट लेयर जोड़ लेना ही संपादन-योग्य नतीजा मुमकिन बनाता है।

और जिस दस्तावेज़ को दोनों चाहिए, उसमें OCR रिडैक्ट करने के बाद कीजिए, पहले नहीं। रिडैक्शन जिन पेजों को छूता है उन्हें चपटा कर देता है, जिससे उन पर मौजूद टेक्स्ट लेयर नष्ट हो जाती है — बाद में OCR चलाने से खोजने की सुविधा लौट आती है और वह सिर्फ़ वही पढ़ता है जो अब दिख रहा है, इसलिए रिडैक्ट की गई सामग्री गई ही रहती है।