BMP को TXT में बदलें

आज कोई जान-बूझकर BMP में स्कैन नहीं करता। यहाँ पहुँचने वाली फ़ाइलें 1990 के दशक के स्कैनर ड्राइवर, किसी फ़ैक्स गेटवे, पुराने फ़र्मवेयर वाले multifunction डिवाइस, या रिकॉर्ड कार्यालय में बीस साल से चुपचाप चल रहे किसी Windows दस्तावेज़ सिस्टम से लिखी गई थीं।

यह इस काम की शक्ल तय करता है। यह अक्सर एक पेज और एक सवाल नहीं होता — यह पूरी डायरेक्टरी होती है, जिसे बंद हो रहे सिस्टम से निकालना ज़रूरी है क्योंकि उसे पढ़ने वाला सिस्टम ही जा रहा है।

चूँकि BMP बिना संपीड़न के हर पिक्सेल पर तीन बाइट ख़र्च करता है, इसका आकार अंकगणित है और उलटा भी काम करता है। 300 dpi पर स्कैन किया A4 पेज 2,480x3,508 पिक्सेल और लगभग 26 MB का होता है। वही पेज 150 dpi पर लगभग 6.5 MB का होता है।

सैकड़ों किलोबाइट में नापी फ़ाइल का मतलब है वह इतने कम resolution पर स्कैन हुई कि भरोसे से पढ़ी न जा सके। पूरी डायरेक्टरी बदलने से पहले यह जाँचना सस्ता तरीक़ा है — फ़ाइल आकार से क्रमबद्ध करना recognition कितना अच्छा जाएगा इसका मोटा क्रम भी देता है।

बहुत सी पुरानी स्कैनिंग bilevel थी — स्कैन के वक़्त ही हर पिक्सेल शुद्ध काला या सफ़ेद कर दिया जाता, क्योंकि एक बिट प्रति पिक्सेल पर पेज आठवाँ हिस्सा जगह लेता और डिस्क जगह ही रुकावट थी।

पहचानने वाला इंजन धूसर रंग चाहता है। Anti-aliased किनारे और आधी रेखाएँ ही उसे e और c में फ़र्क़ बताते हैं, और threshold करने से वे फ़ाइल बनने से पहले ही मिट गईं। अगर काग़ज़ अब भी मौजूद है, तो 300 dpi पर धूसर रंग में दोबारा स्कैन करना किसी भी processing से ज़्यादा फ़ायदा देगा।

हर नतीजा मूल फ़ाइल नाम रखता है, सिर्फ़ एक्सटेंशन बदलता है, इसलिए टेक्स्ट फ़ाइलों का क्रम बिटमैप का ही क्रम है — जो 1998 में imaging सिस्टम ने तय किया था। SCAN0001 से SCAN0912 तक के नाम सही क्रम में लगते हैं; बिना पैडिंग वाले नंबर नहीं।

जिस विफलता को देखना चाहिए वह ख़ामोश है — जिस पेज पर पहचानने वाले को कुछ न मिला वह ख़ाली फ़ाइल बनकर लौटता है, त्रुटि नहीं। नतीजे को आकार से क्रमबद्ध करके सबसे छोटी कुछ फ़ाइलें खोलना एक मिनट लेता है और हर एक ऐसी फ़ाइल ढूँढ लेता है।

यहाँ English, German, French और Spanish के मॉडल हैं, और यह चुनाव कोई संकेत नहीं है। पहचानने वाला इंजन आकृतियों को एक भाषा के letterforms और शब्दावली से मिलाता है, और ग़लत भाषा दी जाए तो यह विफल नहीं होता — यह उस सेट में सबसे नज़दीकी मेल लौटाता है जिसमें सही जवाब है ही नहीं।

लक्षण है सहज दिखने वाला ग़लत टेक्स्ट — जर्मन umlaut बिगड़े हुए, फ्रेंच accent छूटे हुए। डायरेक्टरी पर यह पहली फ़ाइल पर ही सही करना सौवीं फ़ाइल की तुलना में बेहतर है।

यह इस साइट का इकलौता engine है जो सिर्फ़ अपूर्ण नहीं, आत्मविश्वास से ग़लत हो सकता है। कोई bitmap-to-PNG कन्वर्टर या तो काम करता है या error देता है; यह वही टेक्स्ट लौटाता है चाहे उसने पेज पर लिखा हुआ पकड़ा हो या नहीं।

नतीजे को मूल के मुक़ाबले पढ़िए, और पहले अंक पढ़िए। किसी invoice total, account reference या तारीख़ में ग़लत पढ़ा अंक ठीक वह गलती है जो जल्दी नज़र में बच जाती है और महीनों बाद असली समस्या बनती है।

सादा टेक्स्ट — न शीर्षक, न कॉलम, न टेबल, न पेज पर स्थिति। एक कॉलम वाला पत्र या नोट सही क्रम में लौटता है और सही पढ़ा जाता है, जो किसी रिकॉर्ड आर्काइव में बैठी काफ़ी सामग्री को ढक लेता है।

जो संरचित है वह बिगड़ता है। दो-कॉलम वाला पेज कॉलम आपस में मिलाकर लौट सकता है, और टेबल एक ऐसी संख्याओं की लड़ी बन जाती है जिसमें यह पता नहीं कौन-सा कॉलम कौन-सा था।

Tesseract सामान्यतः तीन चीज़ें किसी तीसरे-पक्ष CDN से मँगाता है — worker, WebAssembly core और भाषा मॉडल। यहाँ तीनों इसी साइट से परोसे जाते हैं, और अगर कोई CDN URL दोबारा दिखे तो एक test विफल हो जाता है।

बिटमैप वैसे भी कहीं जाने वाला नहीं था; असल बात यह है कि payslip या medical record पढ़ने वाले को इस tooling की वजह से किसी तीसरे पक्ष के सामने अपने काम की जानकारी नहीं देनी चाहिए।

फ़ोल्डर छोड़ दीजिए। हर फ़ाइल बारी-बारी पहचानी जाती है और नतीजे साथ लौटते हैं, फ़ाइल नाम रखते हुए सिर्फ़ एक्सटेंशन बदलते हैं। इंजन आपकी भाषा के लिए एक बार शुरू होता है और फ़ाइलों के बीच बना रहता है।

यह इस साइट पर सबसे धीमी चीज़ है, और 100 MB प्रति-फ़ाइल की सीमा असली बाधा नहीं — समय है। बड़ा आर्काइव शुरू कीजिए, छोड़ दीजिए, और पहले कुछ नतीजों की जाँच पहले कर लीजिए।