PDF को TXT में बदलें

PDF दो तरह की होती हैं और बाहर से दोनों एक जैसी दिखती हैं। एक किसी दस्तावेज़ से बनी है — Word से निर्यात, किसी सिस्टम की छपाई — और उसमें असली अक्षर पड़े हैं। दूसरी स्कैनर या फ़ोन के कैमरे से बनी है, और उसमें एक तस्वीर के सिवा कुछ नहीं।

बिना कुछ बदले पाँच सेकंड में पता चल जाता है। PDF खोलिए और माउस से एक पंक्ति चुनने की कोशिश कीजिए। अगर अलग-अलग शब्द उभरते हैं, तो अक्षर फ़ाइल में हैं और यह पेज उन्हें बाहर निकाल देगा। अगर पूरा पन्ना एक चौकोर की तरह चुना जाता है, तो वह तस्वीर है।

सादा टेक्स्ट अक्षरों का एक क्रम है और उससे ज़्यादा कुछ नहीं। उसमें कॉलम, तालिका, शीर्षक, पन्ने या फ़ॉन्ट जैसी कोई धारणा है ही नहीं। इसलिए PDF को टेक्स्ट बनाना जान-बूझकर नुक़सान वाला है — यह कोई कमी नहीं जिसे चकमा देना हो, यही वह चीज़ है जो आपने माँगी।

नतीजे की उम्मीद पहले से रख लेना ठीक रहता है। दो कॉलम वाला शोध-पत्र एक लगातार बहती धारा बनकर आता है, जिसमें किसी पन्ने का बायाँ कॉलम पहले और दायाँ बाद में — पंक्ति-दर-पंक्ति गुँथा हुआ नहीं। तालिका अपने ख़ानों के शब्दों में बदल जाती है, बिना उस जाल के जो उन्हें अर्थ देता था।

PDF वाक्य या अनुच्छेद नहीं रखती। वह इस तरह के निर्देश रखती है कि "इन अक्षरों को पन्ने पर इस जगह खींचो", और ये निर्देश जिस क्रम में लिखे हैं वह आम तौर पर पढ़ने का क्रम होता है — हमेशा हो, यह ज़रूरी नहीं।

ख़ूब सजाए गए पन्नों पर यह टूटता है। किसी कॉलम के बीच में लगा उद्धरण, लेबल के इर्द-गिर्द बिखरे फ़ॉर्म के ख़ाने, डिब्बों वाला न्यूज़लेटर — ये गुँथे हुए बाहर आ सकते हैं, क्योंकि फ़ाइल सचमुच जानती ही नहीं कि क्या किसके बाद पढ़ा जाना था।

देखिए कि लोग किन चीज़ों से टेक्स्ट निकालते हैं। अनुबंध, किरायानामे, डॉक्टर की चिट्ठियाँ, बैंक स्टेटमेंट, बिल, अनछपे पांडुलिपियाँ, समीक्षा में पड़े शोध-पत्र। यह श्रेणी असामान्य रूप से उन दस्तावेज़ों की तरफ़ झुकी है जिनकी सामग्री किसी और का मामला है।

इंटरनेट पर बाक़ी हर टेक्स्ट निकालने वाला आपसे फ़ाइल अपलोड कराता है। यह उसे pdf.js से पढ़ता है — वही इंजन जिससे Firefox PDF दिखाता है, खुला स्रोत और Apache लाइसेंस वाला — उसी पन्ने के अंदर जो आपने पहले से खोल रखा है। दस्तावेज़ आपकी मशीन से बाहर नहीं जाता।

यह अब इस कन्वर्ज़न की आम वजहों में है, और सादा टेक्स्ट इसके लिए सही फ़ॉर्मेट है। मॉडल टेक्स्ट पढ़ते हैं; उन्हें उन फ़ॉन्ट और जगहों से कोई फ़ायदा नहीं जो PDF ढोती है, और चैट में सीधे PDF डालने का अक्सर मतलब यही होता है कि औज़ार पर्दे के पीछे यही काम कर रहा है।

दो बातें मदद करती हैं। पन्नों के स्क्रीनशॉट के बजाय पूरा दस्तावेज़ बदलिए, क्योंकि टेक्स्ट सटीक है जबकि तस्वीर को पहचानना पड़ता है। और नतीजे की शुरुआत देख लीजिए — अगर पहला पन्ना सिर्फ़ शीर्षक वाला आवरण है, तो टेक्स्ट भी वहीं से शुरू होगा।

निकाली गई सामग्री उसके बारे में सटीक होती है जो फ़ाइल कहती है, और कभी-कभी इसका मतलब किसी अटपटी चीज़ के बारे में सटीक होना भी है। मूल में पंक्ति के अंत पर टूटा शब्द अपना हाइफ़न साथ ले आता है। कुछ दस्तावेज़ fi और fl को एक ही चिह्न में रखते हैं, और वे एक अक्षर बनकर आते हैं।

यह क्षति नहीं है — यह दस्तावेज़ का ईमानदार ब्योरा है। हाइफ़न नतीजे पर एक बार खोजो-और-बदलो चला देने से सँभल जाते हैं, और जुड़े अक्षरों से ज़्यादातर संपादक और भाषा मॉडल बिना कहे निपट लेते हैं।

नतीजा UTF-8 में आता है, और देवनागरी के लिए यह बीच का कोई विकल्प नहीं बल्कि इकलौता सही जवाब है। एक ही फ़ाइल में हिंदी, अंग्रेज़ी, गणित के चिह्न और इमोजी साथ बैठ सकते हैं, और हर मौजूदा औज़ार इसे पढ़ लेता है।

जहाँ यह अब भी काटता है वह है पुराना Windows सॉफ़्टवेयर, और अपराधी आम तौर पर Excel होता है: फ़ाइल पर दो बार क्लिक करने पर वह UTF-8 के बजाय कोई पुराना कोड पेज अंदाज़ लगा लेता है, और हिंदी बकवास बनकर दिखती है। Excel के आयात संवाद से खोलकर UTF-8 चुनना इसे एक बार में ठीक कर देता है।

अगर चुनने वाली जाँच ने आपको तस्वीर दिखाई, तो यह पेज मदद नहीं कर सकता, और यह कह देना ख़ाली फ़ाइल थमा देने से बेहतर है। अक्षर-पहचान सचमुच अलग काम है जिसकी नाकामी भी अलग तरह की होती है: वह शोर मचाकर नहीं गिरती, चुपचाप अंदाज़ा लगा लेती है।

व्यावहारिक रास्ते दो हैं — आपके सिस्टम की अपनी पहचान, या कोई समर्पित OCR औज़ार। जो भी इस्तेमाल करें, नतीजे पर भरोसा करने से पहले उसे पढ़ लीजिए, क्योंकि ग़लत पहचाना गया अंक उन ग़लतियों में है जो एक नज़र में बच निकलती हैं।

निकालना तेज़ है, क्योंकि यह ढाँचा पढ़ रहा है, कुछ खींच नहीं रहा। कुछ सौ पन्ने कोई बात नहीं, और मेहनत फ़ाइल के आकार से नहीं, उसमें पड़े टेक्स्ट की मात्रा से तय होती है।

धीमा वह दस्तावेज़ करता है जो इसलिए बड़ा है कि उसमें तस्वीरें भरी हैं, क्योंकि उन्हें भी लाँघना पड़ता है। 200 MB का स्कैन किया हुआ विवरण-पत्र एक पल लेता है और फिर, बिल्कुल सही ढंग से, लगभग कुछ भी नहीं लौटाता — यही वह चुनने वाली जाँच है जो आपको यही जवाब सेकंडों में दे देती।