स्कैन किया PDF कैसे संपादित करें: OCR के बाद क्या बदल सकते हैं

OCR स्कैन में खोज और कॉपी के लिए अदृश्य टेक्स्ट परत जोड़ता है, पर तस्वीर के अक्षर तस्वीर ही रहते हैं। नोट पेज के ऊपर जोड़ें, बदलाव रेडैक्शन और नए टेक्स्ट से करें, बड़े बदलाव Word में। हिंदी स्कैन अभी पहचाने नहीं जाते।

स्कैन किए गए अनुबंध में तारीख ठीक करनी है या किसी प्रमाणपत्र पर संदर्भ संख्या जोड़नी है? स्कैन को पीडीएफ संपादित करें में खोलें: उसी एडिटर में टेक्स्ट पहचाना जा सकता है, नया टेक्स्ट जोड़ा जा सकता है और पुराना ढका जा सकता है। पहले यह समझ लें कि OCR क्या नहीं करता। वह पेज में पहचाने गए शब्दों की एक अदृश्य परत जोड़ता है, लेकिन छपे हुए अक्षर तस्वीर का हिस्सा बने रहते हैं और अपने आप नहीं बदलते।

यह लेख स्कैन और दस्तावेज़ों की फ़ोटो के बारे में है। अगर PDF Word या किसी दूसरे प्रोग्राम में बना है और उसमें असली टेक्स्ट है, तो संपादन का तरीका अलग है: इसके लिए पढ़ें Word में बदले बिना PDF का टेक्स्ट कैसे संपादित करें।

पहले देखें कि पेज पर क्या है

सबसे पहले मूल फ़ाइल की एक कॉपी सँभाल कर रखें। फिर दस्तावेज़ को एडिटर में खोलें और टूलबार में “OCR” बटन दबाएँ। कर्सर ले जाने पर उसका पूरा नाम “पाठ पहचानें (OCR)” दिखता है, और फ़ोन पर टूलबार “उपकरण” बटन से खुलता है। शुरू करने से पहले ही पैनल पेजों की जाँच करता है। “बिना पाठ वाले पृष्ठ” विकल्प में दिखता है कि ऐसे कितने पेज मिले, और “पृष्ठ चुनें” मोड में हर पेज नंबर के साथ एक निशान होता है: “स्कैन”, “पाठ है”, “चित्र” या “खाली”।

स्कैन किए पेज पर “पाठ है” का मतलब है कि फ़ाइल में पहले से टेक्स्ट परत मौजूद है, जिसे शायद स्कैनर या उस ऐप ने जोड़ा था जिससे दस्तावेज़ सेव हुआ। उसकी गुणवत्ता जाँचें। फ़ाइल को किसी सामान्य PDF व्यूअर में खोलें, तारीख या नंबर वाली किसी पंक्ति को कॉपी करके किसी भी टेक्स्ट एडिटर में चिपकाएँ और पेज पर दिख रहे अंकों से मिलाएँ। अंक मेल खाते हों, तो दोबारा पहचानने की ज़रूरत नहीं।

एडिटर में ही टेक्स्ट पहचानें

मुख्य तरीके में एडिटर छोड़ना नहीं पड़ता:

1. “OCR” दबाएँ। 2. पेज चुनें: “यह पृष्ठ”, “बिना पाठ वाले पृष्ठ”, “सभी पृष्ठ” या “पृष्ठ चुनें”। 3. “भाषा” में पहले से “स्वचालित” (रूसी और अंग्रेज़ी एक साथ) चुना रहता है। अगर दस्तावेज़ में रूसी टेक्स्ट नहीं है, तो “अंग्रेज़ी” चुनें। 4. अगर स्कैन में छोटे अक्षर, तालिकाएँ या मुहरें हैं, तो “गुणवत्ता” में “सटीक (धीमा)” चुनें। 5. “पहचानें” दबाएँ।

आप विंडो बंद करके संपादन जारी रख सकते हैं: प्रोसेसिंग पूरी होते ही परत जुड़ जाती है। इसके बाद खोज स्कैन के शब्द ढूँढ लेती है, और “वापस करें” पहचानी गई परत को एक ही कदम में हटा देता है। पहचान आपकी सीमा से ऑपरेशन खर्च करती है, और पैनल शुरू करने से पहले बता देता है कि कितने।

अलग टूल ओसीआर पीडीएफ पूरी फ़ाइल के साथ यही काम करता है। यह तब काम आता है जब कुछ बदलना नहीं है, सिर्फ़ खोज और कॉपी चाहिए। गुणवत्ता मोड और टेढ़े पेज सीधे करने के बारे में विस्तार से Scanned PDF में OCR से text कैसे पहचानें में बताया गया है।

कौन-सी भाषाएँ पहचानी जाती हैं

अभी पहचान सिर्फ़ दो भाषाएँ जानती है: अंग्रेज़ी और रूसी। एडिटर का “स्वचालित” और ओसीआर पीडीएफ टूल में “ओसीआर भाषा” का “ऑटो” भाषा का अनुमान नहीं लगाते, बल्कि पेज को दोनों भाषाओं से एक साथ पढ़ते हैं।

हिंदी के लिए इसका मतलब साफ़ है: देवनागरी में छपे स्कैन अभी पहचाने नहीं जाते। ऐसे दस्तावेज़ पर OCR चलाने से खोजने लायक हिंदी टेक्स्ट नहीं बनेगा, इसलिए हिंदी स्कैन के लिए OCR पर भरोसा न करें। अंग्रेज़ी में छपे दस्तावेज़ों, जैसे कई सरकारी फ़ॉर्म, बिल और प्रमाणपत्र, पर यह ठीक काम करता है, बशर्ते भाषा “अंग्रेज़ी” चुनी गई हो। “स्वचालित” मोड में लैटिन अक्षर मिलते-जुलते सिरिलिक अक्षरों के रूप में पहचाने जा सकते हैं। लैटिन लिपि वाली दूसरी भाषाएँ भी “अंग्रेज़ी” चुनने पर अंग्रेज़ी मॉडल से पढ़ी जाती हैं और उनके ä या é जैसे अक्षर बिगड़ जाते हैं। नीचे बताया गया रेडैक्शन (जानकारी छिपाना) OCR के बिना भी काम करता है। टेक्स्ट जोड़ते समय सिर्फ़ अंक और लैटिन अक्षर लिखे जा सकते हैं: एडिटर के फ़ॉन्ट में देवनागरी नहीं है, इसलिए देवनागरी टेक्स्ट एडिटर में नहीं जुड़ता।

अगर स्कैन में पहले से खराब OCR है

दोबारा पहचान चलाने से किसी दूसरे टूल की गलतियाँ ठीक नहीं होतीं। जिस पेज पर पहले से कम से कम 24 अक्षरों की टेक्स्ट परत है, वह छोड़ दिया जाता है। पैनल में वह “पहले से पाठ है, छुए नहीं जाएँगे” वाली पंक्ति में दिखता है, और ओसीआर पीडीएफ टूल उसे बिना बदलाव लौटा देता है। इससे असली टेक्स्ट सुरक्षित रहता है, लेकिन पुरानी गलत पहचान वाले स्कैन पर नया रन कुछ नहीं सुधारेगा।

इसका रास्ता है पेजों को फिर से साधारण तस्वीरों में बदलना:

1. फ़ाइल को पीडीएफ से जेपीजी से गुज़ारें। नतीजा ZIP आर्काइव में आता है, हर पेज की एक तस्वीर। 2. आर्काइव खोलें और तस्वीरों को क्रम से जेपीजी से पीडीएफ में अपलोड करें। सफ़ेद किनारा न आए, इसके लिए “मार्जिन” को 0 करें। अगर मूल फ़ाइल A4 थी, तो “पेज का आकार” में A4 चुनें। 3. नई फ़ाइल पर पहचान चलाएँ।

एक बार में जेपीजी से पीडीएफ सीमित संख्या में ही तस्वीरें लेता है (सीमा टूल के पेज पर लिखी होती है)। लंबे दस्तावेज़ को हिस्सों में प्रोसेस करें और फिर पीडीएफ मर्ज करें से जोड़ दें। इस तरीके में आपकी दैनिक सीमा से तीन ऑपरेशन खर्च होते हैं, और हिस्सों में काम करने पर ज़्यादा: हर हिस्से के लिए जेपीजी से पीडीएफ का एक ऑपरेशन और जोड़ने के लिए एक और।

ध्यान रखें कि पुरानी परत के साथ असली टेक्स्ट ऑब्जेक्ट, लिंक और बुकमार्क भी चले जाते हैं। यह तरीका सिर्फ़ उसी दस्तावेज़ के लिए अपनाएँ जो पूरी तरह स्कैन से बना हो।

पेज के ऊपर नोट जोड़ें

अगर मूल सामग्री जैसी है वैसी रहनी चाहिए और बस उसके पास कुछ जोड़ना है, जैसे आवक संख्या, संशोधित समय “14:00” या कोई छोटी टिप्पणी, तो “टेक्स्ट” बटन दबाएँ (उसका पूरा नाम “टेक्स्ट जोड़ें” है)। बॉक्स को खाली जगह पर रखें, “फ़ॉन्ट आकार” और रंग चुनें, फिर ज़ूम करके देख लें कि नोट स्कैन की पंक्तियों पर तो नहीं चढ़ रहा।

“पृष्ठभूमि” फ़ील्ड नोट के नीचे भराव लगाता है, जैसे सफ़ेद। यह सिर्फ़ दिखावटी ढक्कन है: पुराने अक्षर उसके नीचे फ़ाइल में बने रहते हैं, और खोज अब भी उनकी पहचानी गई कॉपी ढूँढ लेती है। डेटा हटाने के लिए यह तरीका ठीक नहीं है।

रेडैक्शन से कोई हिस्सा बदलें

अगर पुराना मान सच में हटाना है, तो “छुपाएँ” बटन दबाएँ (पूरा नाम “जानकारी छिपाने का क्षेत्र जोड़ें”)। पेज पर एक सफ़ेद क्षेत्र आ जाएगा: उसे खींचकर पुरानी तारीख पर रखें, किनारों के हैंडल से आकार ठीक करें, फिर “टेक्स्ट” बटन से नई तारीख उसके ऊपर रखें। “बदलाव लागू करें” के बाद तैयार PDF नीचे दिखता है और डाउनलोड किया जा सकता है। मूल फ़ाइल नहीं बदलती।

इस तरीके की एक कीमत है। रेडैक्शन वाला पेज पूरा का पूरा तस्वीर के रूप में निर्यात होता है, इसलिए ढके क्षेत्र के नीचे कुछ नहीं बचता। लेकिन टेक्स्ट परत पूरे पेज से गायब हो जाती है: उस पेज का टेक्स्ट अब न चुना जा सकता है, न खोजा जा सकता है। उस पेज पर आपका जोड़ा गया टेक्स्ट भी तस्वीर में छप जाता है और टेक्स्ट नहीं रहता। क्षेत्र के बाहर के लिंक बने रहते हैं, जबकि दस्तावेज़ के गुण, अनुलग्नक और बुकमार्क साफ़ नहीं होते। ज़्यादा जानकारी के लिए पढ़ें PDF में संवेदनशील डेटा कैसे छिपाएं।

अंग्रेज़ी दस्तावेज़ में खोज वापस लानी हो, तो नतीजे पर पहचान एक बार और चलाएँ: डाउनलोड की गई फ़ाइल को एडिटर में या ओसीआर पीडीएफ में खोलें। जिन पेजों पर टेक्स्ट बचा है, वे छोड़ दिए जाते हैं, और रेडैक्शन वाले पेज अब साधारण तस्वीरें हैं, इसलिए नई तारीख के साथ फिर से पहचाने जाते हैं।

बड़े बदलावों के लिए Word में जाएँ

स्कैन के ऊपर पूरे पैराग्राफ़ और तालिकाएँ दोबारा लिखना असुविधाजनक है। ऐसे में पहले दस्तावेज़ पहचानें, फिर पीडीएफ से वर्ड खोलें और “परिणाम का प्रकार” में “संपादन योग्य टेक्स्ट” रहने दें। “हूबहू प्रति (संपादन योग्य नहीं)” पेजों को तस्वीरों के रूप में डालता है, उसमें संपादित करने को कुछ नहीं होता। यह रास्ता अंग्रेज़ी स्कैन के लिए है: हिंदी स्कैन से संपादन योग्य हिंदी टेक्स्ट नहीं बनेगा, उसे Word में खुद टाइप करना होगा।

“छवियाँ शामिल करें” का निशान हटा दें। स्कैन में पेज खुद PDF के अंदर एक तस्वीर है, इसलिए यह विकल्प चालू रहने पर DOCX में पेज की तस्वीर और पहचाने गए पैराग्राफ़ दोनों आ जाते हैं, और टेक्स्ट दो बार दिखता है। बिना तस्वीरों के साफ़ टेक्स्ट मिलता है। मुहरें और हस्ताक्षर भी साथ नहीं आएँगे: ज़रूरत हो, तो उन्हें Word में अलग से डालें।

पहचान मूल फ़ॉन्ट, लाइन ब्रेक और तालिकाओं का सटीक लेआउट वापस नहीं लाती। संपादन के बाद दस्तावेज़ को Word से PDF के रूप में सेव करें और मूल से पेज-दर-पेज मिलाएँ: रकम, तारीखें, नंबर और नाम। छोटा नोट सीधे एडिटर में जोड़ना आसान है, जबकि Word में दस्तावेज़ दोबारा बनाना तभी फ़ायदेमंद है जब टेक्स्ट का बड़ा हिस्सा बदल रहा हो।