OCR PDF – स्कैन को सर्च करने लायक बनाएँ

स्कैन की हुई PDF असल में तस्वीरों का एक ढेर होती है: आप उसे पढ़ सकते हैं, पर उसमें कुछ खोज नहीं सकते, कोई वाक्य सेलेक्ट नहीं कर सकते और कोई नंबर कॉपी नहीं कर सकते। OCR (ऑप्टिकल कैरेक्टर रिकग्निशन) इन तस्वीरों में टेक्स्ट ढूँढता है और उसे PDF में एक अदृश्य लेयर के रूप में, दिखने वाले शब्दों के ठीक नीचे जोड़ देता है। पेज वैसे ही दिखते हैं, पर अब Ctrl+F, कॉपी-पेस्ट और स्क्रीन रीडर काम करने लगते हैं।

pdfdots OCR PDF के लिए Tesseract इस्तेमाल करता है — एक जाना-माना ओपन-सोर्स इंजन — जो सीधे आपके ब्राउज़र में चलता है। आपका दस्तावेज़ कभी अपलोड नहीं होता। सिर्फ़ चुनी हुई भाषा का मॉडल डाउनलोड होता है (हिंदी, English, चीनी, अरबी, रूसी, तुर्की, स्पेनिश, पुर्तगाली, जर्मन या फ़्रेंच), लगभग 10–20 MB, और आपका ब्राउज़र उसे रख लेता है ताकि अगली बार जल्दी शुरू हो। सही भाषा चुनना ज़रूरी है, क्योंकि इससे इंजन को अक्षर, मात्राएँ और आम शब्द पहचानने में मदद मिलती है। हिंदी और अंग्रेज़ी मिले-जुले दस्तावेज़ में उस भाषा को चुनें जिसमें ज़्यादा टेक्स्ट है।

नतीजे स्कैन पर निर्भर करते हैं। साफ़, सीधे, अच्छी रोशनी वाले और ठीक-ठाक रिज़ॉल्यूशन के पेज बहुत अच्छे नतीजे देते हैं; धुंधली फ़ोटो, टेढ़े पेज, बहुत छोटे अक्षर या अनोखे फ़ॉन्ट से गलतियाँ बढ़ती हैं, और हाथ की लिखावट भरोसे से नहीं पहचानी जाती। पहचान से पहले हर पेज लगभग 200 DPI पर दोबारा रेंडर होता है, इसलिए तैयार फ़ाइल मूल से बड़ी हो सकती है — ज़रूरत हो तो बाद में PDF Compress चलाएँ।

आम कंप्यूटर पर हर पेज की पहचान में कुछ सेकंड लगते हैं, इसलिए लंबे दस्तावेज़ों में थोड़ा सब्र चाहिए, और फ़ोन धीमे होते हैं। अगर लंबे स्कैन का सिर्फ़ एक हिस्सा चाहिए, तो पहले वे पेज निकाल लें। PDF में टेक्स्ट लेयर आ जाने के बाद उसे Excel या Word में बदलना भी कहीं ज़्यादा भरोसेमंद हो जाता है।