PDF में टेक्स्ट चुनना और कॉपी करना क्यों नहीं हो रहा

फ़ाइल को “PDF से टेक्स्ट” टूल में चलाएँ। TXT में खाली पृष्ठ का मतलब है स्कैन या कर्व वाला टेक्स्ट। कॉपी पर रोक हो पर खोलने का पासवर्ड न हो, तो टेक्स्ट फिर भी निकलता है। ध्यान दें: OCR हिंदी (देवनागरी) नहीं पहचानता।

वजह जानने का सबसे तेज़ तरीका है फ़ाइल को PDF से टेक्स्ट में चलाना और बनी हुई TXT फ़ाइल देखना। टूल PDF की टेक्स्ट लेयर को जैसी है वैसी ही लेता है: लेयर न हो तो फ़ाइल लगभग खाली आती है, और लेयर खराब हो तो वही अजीब अक्षर दिखते हैं जो कॉपी करने पर आते हैं। यह नतीजा व्यूअर के धूसर बटन से कहीं ज़्यादा बताता है।

आम तौर पर चार वजहें होती हैं: पेज स्कैन या फ़ोटो है, एक्सपोर्ट के समय टेक्स्ट को कर्व में बदल दिया गया, लेखक ने सुरक्षा सेटिंग में कॉपी पर रोक लगाई है, या अक्षरों के दिखने वाले रूप और उनके असली कोड का मेल टूट गया है। नीचे हर वजह को पहचानने और सुलझाने का तरीका है।

एक लाइन से शुरू करें

PDF खोलें, कोई साधारण वाक्य चुनें और उसे किसी सादे टेक्स्ट एडिटर में पेस्ट करें। पेज पर साफ़ दिख रहा कोई शब्द सर्च करें। यही दूसरे पेज पर भी दोहराएँ: एक ही दस्तावेज़ में स्कैन किए पेज और असली टेक्स्ट वाले पेज साथ-साथ हो सकते हैं।

जो दिखे, उसे नोट करें। कुछ भी नहीं चुना जा रहा, पूरा पेज एक साथ चुना जा रहा है, बेतरतीब अक्षर आ रहे हैं या व्यूअर साफ़ कह रहा है कि कॉपी की अनुमति नहीं है? ये बातें फ़ाइल के साइज़ से ज़्यादा काम की हैं। बड़ी PDF ज़रूरी नहीं कि स्कैन हो, और छोटी में ज़रूरी नहीं कि टेक्स्ट हो। यह भी देखें कि व्यूअर में टेक्स्ट चुनने वाला टूल चालू है, न कि पेज खिसकाने वाला हाथ।

TXT फ़ाइल क्या बताती है

फ़ाइल अपलोड करें और डिफ़ॉल्ट सेटिंग के साथ बदलाव चलाएँ। TXT में हर पेज “--- पृष्ठ 3 ---” जैसे निशान से शुरू होता है। निशान के नीचे तीन में से कोई एक स्थिति दिखेगी।

• “(खाली पृष्ठ)”। इस पेज पर टेक्स्ट लेयर नहीं है: यह इमेज है या कर्व में बदला टेक्स्ट। अगर सभी पेज ऐसे हों, तो टूल यह चेतावनी भी दिखाता है: “इस PDF में टेक्स्ट लेयर नहीं है”।
• सामान्य टेक्स्ट। लेयर ठीक है, दिक्कत व्यूअर में है या उन सुरक्षा पाबंदियों में, जिनकी बात आगे है।
• बेतरतीब अक्षर, खाने या गलत लिपि, जैसे हिंदी की जगह अंग्रेज़ी अक्षरों की खिचड़ी। लेयर मौजूद है, पर खराब है।

TXT में खाली पेज का मतलब यह नहीं कि टूल फ़ेल हो गया: वह बस बता रहा है कि निकालने लायक कुछ नहीं था।

पेज स्कैन या फ़ोटो है

अक्षर किसी तस्वीर का हिस्सा हो सकते हैं। व्यूअर उन्हें वैसे ही दिखाता है जैसे टेबल की लाइनें, और टेक्स्ट निकालने से इमेज अक्षरों में नहीं बदलती। ऐसे में ओसीआर पीडीएफ टेक्स्ट पहचानकर इमेज के नीचे एक अदृश्य लेयर जोड़ता है, जिसके बाद सर्च और कॉपी काम करने लगते हैं।

लेकिन एक बड़ी सीमा पहले जान लें। “ओसीआर भाषा” फ़ील्ड में सिर्फ़ “ऑटो”, “अंग्रेज़ी” और “रूसी” हैं। हिंदी या कोई और देवनागरी भाषा इसमें नहीं है, इसलिए हिंदी में छपे स्कैन पर OCR से काम का टेक्स्ट नहीं मिलेगा। ऐसे दस्तावेज़ के लिए भेजने वाले से मूल डिजिटल फ़ाइल माँगें, जैसे Word फ़ाइल या टेक्स्ट वाली PDF, या ज़रूरी हिस्सा हाथ से टाइप करें।

अंग्रेज़ी स्कैन के लिए OCR अच्छा काम करता है। अगर दस्तावेज़ में रूसी टेक्स्ट नहीं है, तो “ओसीआर भाषा” में “अंग्रेज़ी” चुनें: “ऑटो” मोड में लैटिन अक्षर उनसे मिलते-जुलते सिरिलिक अक्षरों के रूप में पहचाने जा सकते हैं। तिरछे स्कैन के लिए “डेस्कयू” विकल्प चालू करें; यह पहचान से पहले पेज को सीधा करता है। “ओसीआर गुणवत्ता” में “सटीक” चुनें, जब रफ़्तार से ज़्यादा सटीकता ज़रूरी हो। नतीजा मूल स्कैन पर निर्भर करता है: छोटे अक्षर, झुकाव और धब्बे गलतियाँ पैदा करते हैं, खासकर अंकों में। 12,580 रुपये के बिल में रकम, नंबर और तारीख अलग-अलग जाँचें: एक सही पहचाना नाम पूरे पेज पर भरोसे के लिए काफ़ी नहीं। सेटिंग्स की पूरी जानकारी Scanned PDF में OCR से text कैसे पहचानें में है।

टेक्स्ट को कर्व में बदल दिया गया है

कभी-कभी पेज बिल्कुल सामान्य टाइप किए दस्तावेज़ जैसा दिखता है, फिर भी कोई अक्षर नहीं चुना जाता और TXT में “(खाली पृष्ठ)” आता है। आम वजह यह है कि डिज़ाइन प्रोग्राम से एक्सपोर्ट करते समय या प्रिंटिंग की तैयारी में टेक्स्ट को कर्व (आउटलाइन) में बदल दिया गया। हर अक्षर अब एक वेक्टर आकृति है, किसी लाइन या लोगो की तरह, और फ़ाइल में अक्षर बचे ही नहीं। बहुत ज़ूम करने पर भी अक्षर धारदार दिखें तो यह स्कैन नहीं है, पर कॉपी के लिए फ़र्क नहीं पड़ता: पेज तस्वीर की तरह बर्ताव करता है।

इसे पहचानने का आसान तरीका है फ़ाइल को पीडीएफ संपादित करें में खोलकर “पाठ पहचानें (OCR)” दबाना। पैनल हर पेज की स्थिति दिखाता है: “पाठ है”, “स्कैन” या “चित्र”। “चित्र” का मतलब है ऐसा पेज जिसमें टेक्स्ट नहीं, पर बहुत सारे वेक्टर ग्राफ़िक्स हैं, यानी अक्सर कर्व वाला टेक्स्ट। “बिना पाठ वाले पृष्ठ” विकल्प स्कैन और ऐसे पेज दोनों चुन लेता है। अंग्रेज़ी टेक्स्ट हो तो यहीं OCR चलाया जा सकता है; हिंदी टेक्स्ट के लिए फिर से मूल फ़ाइल ही रास्ता है।

सुरक्षा सेटिंग ने कॉपी रोकी है

PDF बिना पासवर्ड खुल सकती है और फिर भी कॉपी पर रोक हो सकती है: लेखक ने ओनर पासवर्ड से पाबंदियाँ लगाई हैं। तब व्यूअर “कॉपी” को धूसर कर देता है या अनुमति का संदेश दिखाता है। यह खोलने के पासवर्ड से अलग है, जिसके बिना फ़ाइल एक भी पेज नहीं दिखाती।

अगर फ़ाइल बिना पासवर्ड खुलती है, तो PDF से टेक्स्ट सीधे टेक्स्ट निकाल देता है; पहले कुछ अनलॉक करने की ज़रूरत नहीं। अगर व्यूअर में ही कॉपी करना है, तो पीडीएफ अनलॉक करें ऐसी पाबंदियाँ हटा देता है: “पासवर्ड” फ़ील्ड खाली छोड़ दें, ओनर पासवर्ड की ज़रूरत नहीं होती। ऐसा अपने दस्तावेज़ों या उन फ़ाइलों के साथ करें जिन्हें इस्तेमाल करने की आपको अनुमति है। पाबंदियाँ लेखक के साथ हुए समझौते का हिस्सा हो सकती हैं, और उन्हें हटाने से सामग्री दोबारा इस्तेमाल करने का अधिकार नहीं मिल जाता।

अगर फ़ाइल खोलते समय पासवर्ड माँगती है, तो वह आपको पता होना चाहिए: उसे “पासवर्ड” फ़ील्ड में डालें। टूल पासवर्ड का अंदाज़ा नहीं लगाता। पासवर्ड न हो तो भेजने वाले से खुलने लायक कॉपी माँगें। सुरक्षा के बारे में और जानकारी सुरक्षित PDF से पासवर्ड कैसे हटाएँ में है।

कॉपी करने पर बेमतलब अक्षर आते हैं

PDF में अक्षर का दिखने वाला रूप और उसका असली मतलब अलग-अलग रखे जाते हैं। अगर फ़ॉन्ट की मिलान तालिका अधूरी या खराब हो, तो पेज ठीक पढ़ा जाता है, पर क्लिपबोर्ड में बकवास पहुँचती है। हिंदी दस्तावेज़ों में इसकी एक बहुत आम वजह पुराने non-Unicode फ़ॉन्ट हैं, जैसे Kruti Dev: स्क्रीन पर हिंदी दिखती है, पर कॉपी करने पर अंग्रेज़ी अक्षरों की खिचड़ी आती है। फ़ाइल का एक्सटेंशन .txt कर देने से कुछ नहीं सुधरता।

सबसे अच्छा रास्ता है मूल प्रोग्राम से दोबारा एक्सपोर्ट, एम्बेड किए गए Unicode फ़ॉन्ट के साथ। हिंदी फ़ाइलों के लिए यही लगभग अकेला रास्ता है, क्योंकि हमारा OCR देवनागरी नहीं पहचानता।

अंग्रेज़ी टेक्स्ट वाली फ़ाइल हो तो एक जाल से बचें: ओसीआर पीडीएफ उन पेजों को छोड़ देता है जिनमें पहले से कम से कम 24 अक्षरों (स्पेस छोड़कर) की टेक्स्ट लेयर है, चाहे वह लेयर बेकार ही क्यों न हो। काम पूरा हो जाता है, पर ऐसे पेज जैसे थे वैसे रहते हैं। उपाय है पहले पेजों को इमेज बनाना। फ़ाइल को पीडीएफ से जेपीजी में चलाएँ: हर पेज की एक इमेज वाला ZIP आर्काइव मिलेगा। पूरा आर्काइव या निकाली गई इमेजें जेपीजी से पीडीएफ में अपलोड करें और पेजों का क्रम जाँचें। नई PDF में टेक्स्ट लेयर नहीं होगी, इसलिए ओसीआर पीडीएफ हर पेज पहचानेगा। मूल फ़ाइल के लिंक और बुकमार्क खो जाएँगे और साइज़ बढ़ सकता है, इसलिए मूल फ़ाइल संभालकर रखें। एक बार में जेपीजी से पीडीएफ सीमित संख्या में ही इमेजें लेता है, और ZIP के अंदर की इमेजें भी गिनी जाती हैं (सीमा टूल के पेज पर दी गई है)। लंबे दस्तावेज़ को हिस्सों में बदलें और बनी हुई PDF फ़ाइलों को PDF फ़ाइलें मर्ज करें से जोड़ें। इस रास्ते में आपकी दैनिक सीमा से कम से कम तीन ऑपरेशन खर्च होते हैं, और हिस्सों में काम करने पर इससे ज़्यादा।

पूरा नतीजा जाँचें

सुधार के बाद पहला, बीच का कोई और आख़िरी पेज खोलें। कोई शब्द सर्च करें, एक वाक्य कॉपी करें और ज़रूरी आँकड़ों को इमेज से मिलाएँ। टेबल अलग से जाँचें: टेक्स्ट होने का मतलब यह नहीं कि TXT में सेल सही क्रम में हैं।

अगर किसी एक उद्धरण की जगह पूरा टेक्स्ट चाहिए, तो उसे निकालने की ओर बढ़ें: मोड कैसे चुनें और पेज ब्रेक कैसे सेट करें, यह PDF से टेक्स्ट निकालकर TXT में सहेजने वाले लेख में बताया गया है। मूल PDF नतीजे के साथ रखें और वे जगहें नोट करें जहाँ पहचान या लाइनों के क्रम को हाथ से ठीक करना पड़ा।