ब्राउज़र में पढ़ने के लिए PDF को HTML में कैसे बदलें

“पीडीएफ से एचटीएमएल” टूल एक .html फ़ाइल बनाता है, जिसमें हर पेज का टेक्स्ट और पेजों के लिंक होते हैं। “संसाधन एम्बेड करें” हर पेज की तस्वीर फ़ाइल के अंदर जोड़ देता है, पर फ़ाइल काफ़ी भारी हो जाती है। OCR के बिना स्कैन में “(खाली पृष्ठ)” दिखेगा।

कई बार दस्तावेज़ PDF व्यूअर की बजाय ब्राउज़र में ज़्यादा काम का होता है: Ctrl+F से कोई शब्द ढूँढ लें, कोई पैराग्राफ़ कॉपी कर लें या ऐसी फ़ाइल भेज दें जो किसी भी डिवाइस पर खुल जाए। इसी के लिए पीडीएफ से एचटीएमएल टूल है: यह PDF से टेक्स्ट निकालता है और उसे पेज-दर-पेज एक ही HTML फ़ाइल में रख देता है।

पहले से जान लेना अच्छा है कि आपको क्या मिलेगा। नतीजा पढ़ने और खोजने के लिए एक कॉपी है, कोई डिज़ाइन किया हुआ वेब पेज नहीं। नीचे बताया गया है कि फ़ाइल में क्या आता है, टूल की दो सेटिंग कैसे काम करती हैं, स्कैन के साथ क्या करें और नतीजे को जल्दी कैसे जाँचें।

आख़िर में क्या मिलता है

नतीजा एक ही `.html` फ़ाइल है, तस्वीरों के फ़ोल्डर वाला ZIP नहीं। डिफ़ॉल्ट रूप से उसका नाम `converted_` और मूल PDF का नाम होता है; कोई दूसरा नाम “आउटपुट फ़ाइल नाम” फ़ील्ड में लिखा जा सकता है। स्टाइल और तस्वीरें (अगर चालू हों) फ़ाइल के अंदर ही रहती हैं, इसलिए यह बिना इंटरनेट के खुलती है और ईमेल में अटैच करने या पेन ड्राइव में कॉपी करने पर भी कुछ नहीं छूटता।

फ़ाइल के अंदर PDF का हर पेज एक अलग ब्लॉक बन जाता है, जिसका शीर्षक “पृष्ठ 1”, “पृष्ठ 2” जैसा होता है। पेज का टेक्स्ट एक जैसी चौड़ाई वाले (मोनोस्पेस) फ़ॉन्ट में दिखता है और मूल की लाइनें और इंडेंट बने रहते हैं। “पृष्ठ N” जैसे लेबल और दूसरे सेवा-संदेश उसी भाषा में लिखे जाते हैं जिसमें आपने साइट खोली है।

पहले जाँचें कि PDF में टेक्स्ट है या नहीं

यह टूल तस्वीरों में लिखे अक्षर नहीं पहचानता; यह PDF में पहले से मौजूद टेक्स्ट लेयर का इस्तेमाल करता है। इसे जाँचना आसान है: PDF खोलें, कोई वाक्य चुनें और किसी भी टेक्स्ट एडिटर में पेस्ट करें। अगर सामान्य शब्द आते हैं तो टेक्स्ट लेयर मौजूद है। अगर कुछ चुना ही नहीं जाता या पेस्ट करने पर बेमतलब के चिह्न आते हैं, तो HTML में भी यही दिखेगा।

सबसे आम मामला किसी दस्तावेज़ का स्कैन या फ़ोटो है। ऐसा PDF बिना किसी त्रुटि के बदल जाता है, लेकिन हर ब्लॉक में टेक्स्ट की जगह “(खाली पृष्ठ)” लिखा होता है। इसके दो रास्ते हैं:

• पहले ओसीआर पीडीएफ चलाएँ: यह टूल स्कैन में एक अदृश्य टेक्स्ट लेयर जोड़ देता है। पहचाना हुआ PDF डाउनलोड करें और वही फ़ाइल “पीडीएफ से एचटीएमएल” में अपलोड करें। पहचाने गए टेक्स्ट की लाइनें बनी रहती हैं, लेकिन स्पेस से बना संरेखण नहीं: कॉलम और टेबल के खाने बस एक-एक स्पेस से अलग होते हैं। पहचान की पूरी प्रक्रिया Scanned PDF में OCR से text कैसे पहचानें में दी गई है।
• अगर आपको टेक्स्ट नहीं चाहिए और सिर्फ़ ब्राउज़र में स्कैन पढ़ना है, तो “संसाधन एम्बेड करें” चालू करें। पेज तस्वीरों के रूप में दिखेंगे, लेकिन फ़ाइल काफ़ी भारी हो जाएगी और शब्दों की खोज काम नहीं करेगी।

चरण-दर-चरण कन्वर्ज़न

1. “पीडीएफ से एचटीएमएल” खोलें और PDF को अपलोड वाले हिस्से में खींचकर छोड़ें या “या अपने डिवाइस से चुनें” पर क्लिक करें। एक बार में एक फ़ाइल प्रोसेस होती है। 2. “पैरामीटर” ब्लॉक में ज़रूरत हो तो “आउटपुट फ़ाइल नाम” में नतीजे का नाम लिखें। 3. तय करें कि पेजों की तस्वीरें चाहिए या नहीं: इसे “संसाधन एम्बेड करें” नियंत्रित करता है (डिफ़ॉल्ट रूप से बंद)। 4. “नेविगेशन शामिल करें” को चालू रहने दें या हटा दें (डिफ़ॉल्ट रूप से चालू)। 5. “फ़ाइल प्रोसेस करें” पर क्लिक करें, काम पूरा होने तक रुकें और “डाउनलोड” दबाएँ।

अगर PDF खोलने के लिए पासवर्ड माँगता है, तो प्रोसेसिंग पासवर्ड के बारे में संदेश के साथ रुक जाएगी। पहले सुरक्षा हटाएँ; अगर आपको पासवर्ड पता है, तो तरीका सुरक्षित PDF से पासवर्ड कैसे हटाएँ में बताया गया है। फ़ाइल के आकार और पेजों की संख्या की सीमाएँ टूल के पेज पर ही दिखती हैं।

सिर्फ़ टेक्स्ट: “संसाधन एम्बेड करें” बंद

टूल डिफ़ॉल्ट रूप से ऐसे ही काम करता है और ज़्यादातर कामों के लिए यही काफ़ी है: फ़ाइल हल्की रहती है और टेक्स्ट को खोजा, चुना और कॉपी किया जा सकता है। लेकिन यह उम्मीद न करें कि पेजों का मूल डिज़ाइन दोबारा बन जाएगा। टेक्स्ट लगभग वहीं रखा जाता है जहाँ वह पन्ने पर था, इसका मतलब है:

• दो कॉलम एक ही लाइनों में साथ-साथ चलते हैं: पहले बाएँ कॉलम की एक लाइन, फिर कई स्पेस के बाद दाएँ कॉलम की लाइन;
• टेबल के कॉलम सिर्फ़ स्पेस के सहारे टिके रहते हैं, यह असली HTML टेबल नहीं होती;
• हेडर, फ़ुटर और पेज नंबर हर पेज के टेक्स्ट के अंदर ही रहते हैं।

चौड़ी स्क्रीन पर यह व्यवस्था ठीक-ठाक पढ़ी जाती है। फ़ोन पर लंबी लाइनें टूटकर अगली लाइन में चली जाती हैं और कॉलम आपस में मिल सकते हैं। अगर दस्तावेज़ दो कॉलम में है और लोग उसे फ़ोन पर पढ़ेंगे, तो पहले ऐसा एक पेज जाँच लें।

पेजों की तस्वीरें: “संसाधन एम्बेड करें” कब चालू करें

इस विकल्प का नाम बहुत साफ़ नहीं है: यहाँ “संसाधन” का मतलब पेजों की तस्वीरें हैं। इसे चालू करने पर हर पेज के टेक्स्ट के ऊपर उस पेज की PNG तस्वीर आ जाती है, जो सीधे HTML के अंदर एम्बेड होती है। तस्वीर के नीचे टेक्स्ट बना रहता है, इसलिए जहाँ PDF में टेक्स्ट लेयर है वहाँ खोज और कॉपी काम करते रहते हैं।

यह तब काम आता है जब बात पेज के रूप पर टिकी हो: मैनुअल में वायरिंग का डायग्राम, कोई ड्रॉइंग, मुहर और हस्ताक्षर, फ़ॉर्मूले, कोई जटिल टेबल। उदाहरण के लिए, किसी मशीन के मैनुअल में दूसरे पेज का डायग्राम सिर्फ़-टेक्स्ट वाले नतीजे में दिखता ही नहीं; उसके केवल लेबल बचते हैं।

इसकी क़ीमत फ़ाइल का आकार है। हर तस्वीर डेटा जोड़ती है और फ़ाइल सिर्फ़-टेक्स्ट वाले नतीजे से कहीं ज़्यादा बड़ी हो जाती है। तस्वीरों वाला लंबा दस्तावेज़ ईमेल अटैचमेंट की सीमा पार कर सकता है या कमज़ोर फ़ोन पर धीरे खुल सकता है। तस्वीर सिर्फ़ तस्वीर रहती है: डायग्राम बदलने लायक वेब ग्राफ़िक नहीं बनता।

पेजों के बीच नेविगेशन

“नेविगेशन शामिल करें” फ़ाइल में सबसे ऊपर लिंक की एक पट्टी जोड़ता है: “पृष्ठ 1”, “पृष्ठ 2” वग़ैरह। यह पट्टी अपनी जगह टिकी रहती है: स्क्रॉल करते समय भी स्क्रीन के ऊपर दिखती है, और कोई भी पेज एक क्लिक की दूरी पर रहता है।

लिंक पेजों तक ले जाते हैं, अध्यायों तक नहीं; मूल दस्तावेज़ की विषय-सूची दोबारा नहीं बनती। सैकड़ों पेज वाले दस्तावेज़ में यह पट्टी कई लाइनों तक फैल जाती है और फ़ोन की स्क्रीन का अच्छा-ख़ासा हिस्सा घेर लेती है। ऐसे में “नेविगेशन शामिल करें” हटा दें और ब्राउज़र की खोज से सही जगह तक पहुँचें।

नतीजे की जाँच और आम गलतियाँ

डाउनलोड की गई फ़ाइल पर डबल-क्लिक करें; वह आपके डिफ़ॉल्ट ब्राउज़र में खुल जाएगी। फिर:

• Ctrl+F (Mac पर Cmd+F) दबाएँ और दस्तावेज़ के बीच का कोई जाना-पहचाना शब्द खोजें;
• कोई पैराग्राफ़ चुनकर कॉपी करें और किसी एडिटर में पेस्ट करें;
• टेबल या कॉलम वाला कोई पेज ऊपर से नीचे तक देखें;
• अगर नेविगेशन चालू है, तो दस्तावेज़ की शुरुआत, बीच और अंत के लिंक खोलकर देखें।

आम तौर पर क्या गड़बड़ होता है और उसे कैसे पहचानें:

• सभी या लगभग सभी पेजों पर “(खाली पृष्ठ)”: PDF बिना टेक्स्ट लेयर वाला स्कैन है, OCR ज़रूरी है;
• सिर्फ़ कुछ पेजों पर “(खाली पृष्ठ)”: वहाँ या तो सचमुच खाली पन्ना है या कोई डाली गई तस्वीर, जैसे स्कैन किया हुआ परिशिष्ट;
• दो कॉलम के शब्द आपस में मिल गए हैं: यह टेक्स्ट की व्यवस्था का असर है; पेज की तस्वीर या PDF से मिलान करें;
• फ़ाइल बहुत भारी है: “संसाधन एम्बेड करें” बंद करके फिर से कन्वर्ट करें।

अगर आपको बिना मार्कअप के सिर्फ़ टेक्स्ट चाहिए, तो पाठ के लिए पीडीएफ टूल ज़्यादा सुविधाजनक है: नाम थोड़ा अटपटा है, पर यह PDF का टेक्स्ट एक सादी `.txt` फ़ाइल में सेव करता है।

वेबसाइट पर प्रकाशित करने से पहले

कन्वर्ट की गई कॉपी तैयार वेब पेज नहीं है। उसके शीर्षक दस्तावेज़ के खंड नहीं, बल्कि “पृष्ठ N” हैं; टेबल सिर्फ़ स्पेस के सहारे हैं; और पेजों की तस्वीरों पर भी केवल “पृष्ठ N” लिखा है, सामग्री का कोई विवरण नहीं। पेज के कोड में दर्ज भाषा उस साइट की भाषा होती है जिस पर आपने कन्वर्ट किया, दस्तावेज़ की भाषा नहीं।

प्रकाशित करने के लिए टेक्स्ट को अपनी साइट के एडिटर में ले जाएँ, असली शीर्षक लगाएँ, टेबल दोबारा बनाएँ, तस्वीरों का विवरण लिखें और छोटी स्क्रीन पर रूप जाँचें। मिलान के लिए मूल PDF सँभालकर रखें और HTML को साफ़ नाम दें, ताकि पाने वाला उसे दस्तावेज़ का नया संस्करण न समझ ले।