PDF से Markdown

PDF वह जगह है जहाँ दस्तावेज़ बदलना बंद कर देते हैं। यही उसका मक़सद है और यही उसका गुण, और ठीक यही समस्या तब बन जाता है जब सामग्री को आगे जीना हो — किसी दस्तावेज़ीकरण साइट के पेज के रूप में, किसी नॉलेज बेस की प्रविष्टि के रूप में, किसी रिपॉज़िटरी की फ़ाइल के रूप में, या ऐसी किसी चीज़ के इनपुट के रूप में जो टेक्स्ट पर काम करती है।

Markdown ठीक उलटी क़िस्म का फ़ॉर्मैट है: सादा टेक्स्ट, छोटा, जिसका अंतर देखा जा सकता है, जो बिना किसी ख़ास सॉफ़्टवेयर के पढ़ा जा सकता है, और जिसे लगभग किसी भी और चीज़ में बदला जा सकता है। सामग्री को PDF से Markdown में लाना एक तैयार चीज़ को वापस ऐसी चीज़ में बदल देता है जिसे बदला जा सके, लाइन-दर-लाइन जाँचा जा सके और दोबारा प्रकाशित किया जा सके।

आम मंज़िलें हैं स्टैटिक साइट जेनरेटर, विकी और दस्तावेज़ीकरण मंच, नोट सिस्टम, और वे वर्ज़न-कंट्रोल वाली रिपॉज़िटरी जहाँ रूप से ज़्यादा एक अर्थपूर्ण अंतर मायने रखता है।

PDF निर्देशांकों पर ग्लिफ़ सहेजती है। वह यह दर्ज नहीं करती कि कोई लाइन शीर्षक थी, कि तीन लाइनें एक ही पैराग्राफ़ थीं, या कि चीज़ों का एक स्तंभ सूची था — ये सब पाठक रूप देखकर ख़ुद समझ लेता है। कन्वर्टर को उन्हीं सुरागों से वही अंदाज़े लगाने पड़ते हैं।

ज़्यादातर संकेत टाइप के नाप से आता है। जो टेक्स्ट मुख्य इबारत से काफ़ी बड़ा है वह लगभग हमेशा शीर्षक होता है, और दस्तावेज़ में मौजूद अलग-अलग नाप क्रम से शीर्षक-स्तरों पर बैठ जाते हैं। बुलेट वाले चिह्न और शुरू में लगे नंबर सूचियों की पहचान कराते हैं। लाइनों के बीच की दूरी और हाशिया-दूरी बताती है कि पैराग्राफ़ कहाँ शुरू और ख़त्म होते हैं — और यही वह चीज़ है जिससे लपेटी गई लाइनें कड़े ब्रेक के रूप में बचे रहने के बजाय दोबारा बहती इबारत में जुड़ जाती हैं।

यह इसलिए अच्छा काम करता है कि ज़्यादातर दस्तावेज़ टाइपोग्राफ़ी के मामले में परंपरागत होते हैं। और उन दस्तावेज़ों पर बुरा काम करता है जो नहीं होते — जहाँ नाप क्रम के बजाय ज़ोर बताता है, या जहाँ डिज़ाइनर ने मुख्य इबारत बड़ी और शीर्षक छोटे रख दिए हैं।

एक कॉलम वाले, टेक्स्ट-प्रधान दस्तावेज़ सबसे मज़बूत मामला हैं: रिपोर्ट, शोध पत्र, नीतियाँ, दस्तावेज़ीकरण, ईबुक, बैठक के नोट। शीर्षक, पैराग्राफ़, सूचियाँ और ज़ोर सब आ जाते हैं, और नतीजा हल्की-फुल्की संपादना के साथ काम लायक होता है।

तीन चीज़ों पर लगातार ध्यान देना पड़ता है। कई कॉलम वाले लेआउट पढ़ने का क्रम तय करने पर मजबूर करते हैं, और वह कभी-कभी सुलझता ही नहीं — इसलिए कोई शोध पत्र या न्यूज़लेटर कॉलमों को आपस में गूँथ सकता है। टेबल शायद ही कभी टेबल के रूप में बचती हैं, क्योंकि पंक्तिबद्ध टेक्स्ट की जाली में ऐसा कोई निशान नहीं होता जो उसे अलग-अलग टेक्स्ट के चार कॉलमों से अलग बता सके — बशर्ते वह रेखाओं से खींची न गई हो। और हेडर, फ़ुटर तथा पेज नंबर हर पेज पर दोहराए जाते हैं और बहाव में आ गिरते हैं, क्योंकि वे सामग्री नहीं, पेज का साज़-सामान थे।

इनमें से कुछ भी कन्वर्ज़न का दोष उतना नहीं है जितना इस बात का नतीजा कि PDF है क्या। दोहराया हुआ साज़-सामान हटाने और एक-दो टेबल दोबारा बनाने के लिए कुछ मिनट रख लेना ही व्यावहारिक अपेक्षा है।

पहले यह जाँचिए कि PDF में टेक्स्ट है भी या नहीं: किसी शब्द को चुनकर देखिए। अगर कुछ भी हाईलाइट न हो, तो पेज एक तस्वीर है और पहले PDF OCR करें चलाना पड़ेगा — उसे चलाने से एक नाउम्मीद कन्वर्ज़न अच्छा कन्वर्ज़न बन जाता है।

फिर नतीजे को ऊपर से नीचे तक ऐसे एडिटर में देखिए जिसमें लाइव प्रीव्यू हो, क्योंकि उससे ग़लत शीर्षक-स्तर तुरंत साफ़ दिख जाते हैं। बाक़ी सब से पहले शीर्षकों का क्रम ठीक कर लेना सबसे ज़्यादा काम का है, क्योंकि जहाँ भी दस्तावेज़ प्रकाशित होगा, वहाँ वही तय करता है कि वह कैसे पढ़ा जाएगा।

अगर आपको शब्दों के साथ तस्वीरें भी चाहिए, तो PDF से JPG का एक्सट्रैक्ट मोड उन्हें उनके मूल नाप पर बाहर निकाल देता है। और अगर आप असल में टेक्स्ट फ़ॉर्मैट नहीं, बल्कि बदला जा सकने वाला दस्तावेज़ चाहते थे, तो PDF से Word पैराग्राफ़ और असली टेबल दोबारा गढ़ता है और वही बेहतर टूल है।