PDF से टेक्स्ट निकालकर TXT फ़ाइल में कैसे सेव करें

PDF को “PDF से टेक्स्ट” टूल में अपलोड करें, मोड चुनें और UTF-8 वाली TXT फ़ाइल डाउनलोड करें। स्कैन को पहले OCR PDF से गुज़ारें: पहचाने गए पेज किसी भी मोड में TXT में आ जाते हैं, लेकिन उन पर “लेआउट” बिल्कुल “सादा” की तरह काम करता है।

PDF से टेक्स्ट टूल PDF की टेक्स्ट लेयर निकालता है और उसे UTF-8 एन्कोडिंग वाली TXT फ़ाइल में सेव करता है। इस फ़ाइल में खोजना, उद्धरण लेना, उसे किसी दूसरे प्रोग्राम में इम्पोर्ट करना या स्क्रिप्ट से प्रोसेस करना आसान होता है। तस्वीरें, फ़ॉन्ट, रंग और टेबल के सेल TXT में नहीं आते: इसमें सिर्फ़ अक्षर, लाइन ब्रेक और पेजों को चिह्नित करने वाली कुछ सहायक लाइनें रहती हैं।

“PDF से टेक्स्ट” में टेक्स्ट पहचानने की सुविधा (OCR) नहीं है। अगर आपके पेज स्कैन या फ़ोटो हैं, तो पहले अलग से OCR करना होगा और उसके बाद ही टेक्स्ट निकालना होगा। नीचे पूरा क्रम, दोनों मोड का फ़र्क और तैयार फ़ाइल की बनावट समझाई गई है।

देखें कि PDF में टेक्स्ट है या नहीं

PDF को किसी भी व्यूअर में खोलें और एक वाक्य चुनने की कोशिश करें। अगर अलग-अलग शब्द चुने जा रहे हैं और उन्हें किसी साधारण टेक्स्ट एडिटर में पेस्ट किया जा सकता है, तो फ़ाइल में टेक्स्ट लेयर है। अगर पूरा पेज एक तस्वीर की तरह एक साथ चुना जाता है, तो वह स्कैन है।

सिर्फ़ पहला पेज नहीं, कई पेज जाँचें। एक ही फ़ाइल में अक्सर Word से सेव किए गए पेज और हस्ताक्षर व मुहर वाले स्कैन किए गए संलग्नक साथ-साथ होते हैं। टेक्स्ट क्यों नहीं चुना जाता और इसके क्या कारण हो सकते हैं, यह PDF में टेक्स्ट चुनना और कॉपी करना क्यों नहीं हो रहा लेख में बताया गया है।

जो फ़ाइल सिर्फ़ पासवर्ड से खुलती है, उसे टूल प्रोसेस नहीं करेगा और इसकी सूचना दिखाएगा। पहले पासवर्ड हटाएँ, जैसा सुरक्षित PDF से पासवर्ड कैसे हटाएँ में बताया गया है।

चरण-दर-चरण टेक्स्ट निकालना

1. PDF से टेक्स्ट खोलें और फ़ाइल को अपलोड वाली जगह पर खींचकर छोड़ें या अपने डिवाइस से चुनें। एक बार में एक ही PDF प्रोसेस होती है। 2. “पैरामीटर” वाले हिस्से में “पाठ मोड” के लिए “सादा” (डिफ़ॉल्ट) या “लेआउट” चुनें। 3. तय करें कि “पेजों के बीच ब्रेक जोड़ें” वाला चेकबॉक्स चाहिए या नहीं। यह डिफ़ॉल्ट रूप से चालू रहता है। 4. “आउटपुट फ़ाइल नाम” खाली छोड़ा जा सकता है; तब नाम अपने-आप रखा जाता है। 5. “फ़ाइल प्रोसेस करें” पर क्लिक करें, काम पूरा होने का इंतज़ार करें और TXT डाउनलोड करें। 6. नतीजे को UTF-8 समझने वाले एडिटर में खोलें और अगर नतीजे के पास कोई चेतावनी दिखे तो उसे पढ़ें।

कौन-सा मोड चुनें: “सादा” या “लेआउट”

“सादा” मोड टेक्स्ट को उसी क्रम में देता है जिसमें वह फ़ाइल के अंदर दर्ज है, बिना संरेखण वाले खाली स्थानों के। चिट्ठियों, अनुबंधों और किसी टेक्स्ट एडिटर से एक्सपोर्ट किए गए लेखों में यह क्रम आमतौर पर पढ़ने के क्रम से मेल खाता है। “लेआउट” मोड पेज पर शब्दों की जगह दोहराता है: वह खाली स्थान और खाली लाइनें इस तरह जोड़ता है कि शब्द लगभग वहीं दिखें जहाँ वे पन्ने पर हैं।

कीमतों की सूची पर यह फ़र्क साफ़ दिखता है। मान लीजिए PDF की एक टेबल की एक पंक्ति में आइटम कोड AB-120, सामान “केबल” और कीमत 250 है। “लेआउट” मोड में टेबल की पंक्ति एक ही लाइन में रहती है: कोड, नाम और कीमत खाली स्थानों से अलग होकर अगल-बगल आते हैं। “सादा” मोड में वही हिस्सा कॉलम के हिसाब से भी आ सकता है — पहले सारे कोड, फिर सारे नाम, फिर सारी कीमतें — अगर टेबल फ़ाइल में इसी तरह दर्ज है। तब कौन-सी कीमत किस सामान की है, यह पता नहीं चलता।

दो कॉलम वाले टेक्स्ट में मामला उल्टा है। “लेआउट” कॉलमों को अगल-बगल रख देता है, इसलिए TXT की हर लाइन में बाएँ कॉलम की एक लाइन और कई खाली स्थानों के बाद दाएँ कॉलम की एक लाइन होती है। ऐसे टेक्स्ट को लगातार पढ़ना मुश्किल है। “सादा” ज़्यादातर पहले पूरा बायाँ कॉलम और फिर दायाँ कॉलम देता है। शक हो तो फ़ाइल को दो बार प्रोसेस करें और एक ही पेज पर दोनों नतीजों की तुलना करें।

OCR के बाद स्कैन: किस मोड से क्या मिलेगा

OCR PDF पेज की तस्वीर को जैसा है वैसा रखता है और उसमें पहचाने गए टेक्स्ट की एक अदृश्य लेयर जोड़ता है। “सादा” मोड यह पूरी लेयर पढ़ता है, जबकि “लेआउट” उसका कुछ ही हिस्सा देखता है या कुछ भी नहीं। इसलिए “लेआउट” मोड में टूल हर पेज जाँचता है: अगर “लेआउट” को उन अक्षरों और अंकों के 80% से कम मिलते हैं जो “सादा” को मिलते हैं, तो वह पेज “सादा” मोड से लिया जाता है। अब “लेआउट” चुनने से पहचाने गए पेज खाली नहीं आते और यह चेतावनी भी नहीं आती कि PDF में टेक्स्ट लेयर नहीं है।

इसकी कीमत यह है कि पहचाने गए पेजों पर “लेआउट” वही नतीजा देता है जो “सादा”: कॉलम अगल-बगल नहीं आते और संरेखण वाले खाली स्थान नहीं जुड़ते। यह फ़ैसला हर पेज के लिए अलग से होता है, इसलिए मिली-जुली फ़ाइल में असली टेक्स्ट वाले पेज “लेआउट” की बनावट रखते हैं। स्कैन के लिए: फ़ाइल को OCR PDF में पहचानें, टेक्स्ट लेयर वाली PDF डाउनलोड करें और उसे “PDF से टेक्स्ट” में अपलोड करें; मोड “सादा” पर रह सकता है। पहचान की भाषा कैसे चुनें और OCR की गुणवत्ता कैसे जाँचें, यह Scanned PDF में OCR से text कैसे पहचानें में बताया गया है।

TXT फ़ाइल में क्या मिलेगा

हर पेज एक मार्क वाली लाइन से शुरू होता है: `--- पृष्ठ 1 ---`, `--- पृष्ठ 2 ---` और इसी तरह आगे। ये मार्क साइट के उस इंटरफ़ेस की भाषा में लिखे जाते हैं जिससे आपने प्रोसेसिंग शुरू की थी। अगर किसी पेज पर टेक्स्ट नहीं मिला, तो मार्क के नीचे `(खाली पृष्ठ)` लिखा होता है। इस लाइन से मिले-जुले दस्तावेज़ में स्कैन किए गए पन्ने ढूँढना आसान होता है, क्योंकि खाली नतीजे की चेतावनी तभी आती है जब किसी भी पेज पर टेक्स्ट न हो।

“पेजों के बीच ब्रेक जोड़ें” चेकबॉक्स हर अगले पेज के मार्क से पहले एक पेज-ब्रेक कैरेक्टर जोड़ता है (form feed, कोड 0x0C, जिसे प्रोग्रामिंग में `\f` लिखा जाता है)। अलग-अलग एडिटर इसे अलग तरह दिखाते हैं: खाली जगह, छोटा चौकोर डिब्बा, या FF अथवा ^L चिह्न। प्रिंटर और कुछ प्रोग्राम इसे नया पन्ना शुरू करने का निर्देश मानते हैं।

चेकबॉक्स हटाने पर सिर्फ़ यही कैरेक्टर हटता है। पेज मार्क हर हाल में बने रहते हैं, और यह काम की बात है: इनसे पता चलता है कि कोई उद्धरण किस पेज से लिया गया है।

सहायक लाइनें कैसे साफ़ करें

अगर मार्क परेशान करें, तो रेगुलर एक्सप्रेशन वाले खोजें-और-बदलें से उन्हें हटा दें। VS Code, Notepad++ या Sublime Text जैसे एडिटर में `^--- पृष्ठ \d+ ---$` पैटर्न को खाली से बदलना काफ़ी है। पेज-ब्रेक कैरेक्टर को `\f` या `\x0C` के रूप में खोजा जाता है। स्क्रिप्ट में टेक्स्ट को `\f` पर पेजों में बाँटना सुविधाजनक है: पेज ब्रेक चालू हों तो हर टुकड़ा अपने पेज के मार्क से शुरू होता है।

हर पेज के टेक्स्ट के बाद टूल एक खाली लाइन जोड़ता है, जिसे भी हटाया जा सकता है। लेकिन हेडर, दस्तावेज़ में छपे पेज नंबर और बार-बार आने वाले टेबल हेडर टूल नहीं छूता: वे टेक्स्ट लेयर का हिस्सा हैं। इन्हें तभी मिटाएँ जब पक्का हो जाए कि ये सचमुच दोहराव हैं, कोई ज़रूरी जानकारी नहीं।

आम समस्याएँ और उन्हें कैसे पहचानें

• TXT खाली है और टेक्स्ट लेयर के बारे में चेतावनी है। फ़ाइल स्कैन है। उसे OCR PDF से गुज़ारें और पहचानी गई फ़ाइल “PDF से टेक्स्ट” में अपलोड करें।
• OCR के बाद “लेआउट” ने कॉलम अगल-बगल नहीं रखे। ऐसा ही होना चाहिए: पहचाने गए पेज “सादा” मोड की तरह आते हैं। “लेआउट” कॉलम सिर्फ़ असली टेक्स्ट वाले पेजों पर रखता है।
• कीमतें सामान से अलग हो गईं। टेबल फ़ाइल में कॉलम के हिसाब से दर्ज है। अगर PDF में OCR की लेयर नहीं, बल्कि असली टेक्स्ट है, तो “लेआउट” मोड आज़माएँ, और अगर असली सेल चाहिए तो PDF से Excel में टेबल कैसे निकालें पढ़ें।
• अक्षरों की जगह अजीब चिह्न आ रहे हैं। PDF में फ़ॉन्ट सही कैरेक्टर टेबल के बिना एम्बेड है: स्क्रीन पर अक्षर ठीक दिखते हैं, लेकिन टेक्स्ट लेयर में दूसरे कोड हैं। जाँचें कि वही हिस्सा किसी व्यूअर से सही कॉपी होता है या नहीं; अगर वहाँ भी बेमतलब चिह्न आएँ, तो समस्या फ़ाइल में ही है।
• OCR के बाद O और 0 या l और 1 आपस में बदल जाते हैं। पहचान की गलतियाँ TXT में जैसी की तैसी पहुँचती हैं। आइटम कोड, रकम और तारीखें हाथ से जाँचें।
• हिंदी अक्षर अजीब चिह्नों में बदल गए। किसी पुराने प्रोग्राम ने UTF-8 फ़ाइल को दूसरी एन्कोडिंग में खोला है। फ़ाइल को दोबारा खोलें और साफ़ तौर पर UTF-8 चुनें, जैसे टेक्स्ट इम्पोर्ट वाले विकल्प से।

इस्तेमाल से पहले नतीजा जाँचें

TXT का शुरुआती हिस्सा, बीच का हिस्सा और आख़िरी पेज पढ़ें और उन्हें PDF से मिलाएँ। फ़ुटनोट, टेबल और कॉलम अलग से देखें, क्योंकि लाइनों का क्रम सबसे ज़्यादा वहीं बिगड़ता है। उद्धरण के लिए हर अंश को उसके मूल पेज से मिलाएँ; पेज नंबर मार्क से पता चल जाएगा। PDF को TXT के साथ रखें: अगर चुना गया मोड ठीक न बैठे, तो दूसरे मोड में टेक्स्ट फिर से निकाला जा सकता है।