स्कैन की गई PDF से टेक्स्ट कैसे निकालें (OCR समझाया गया)

मुख्य बातें

OCR किसी इमेज में अक्षरों के आकार का विश्लेषण करके उन्हें ज्ञात कैरेक्टर से मिलाता है, और फिर एक टेक्स्ट लेयर बनाता है।
स्कैन की क्वालिटी, जिसमें रेज़ोल्यूशन, तिरछापन और ग्लेयर शामिल हैं, लगभग किसी भी अन्य फैक्टर से ज़्यादा OCR की सटीकता को प्रभावित करती है।
OCR मॉडल हर भाषा और लिपि के हिसाब से अलग-अलग ट्रेन किए जाते हैं, इसलिए सही भाषा चुनने से रिकग्निशन बेहतर होता है।
हस्तलेख (हैंडराइटिंग) की पहचान करना, छपे हुए टेक्स्ट को पहचानने से एक अलग और कम भरोसेमंद समस्या है।

स्कैन की गई PDF से टेक्स्ट निकालने के लिए OCR यानी ऑप्टिकल कैरेक्टर रिकग्निशन की ज़रूरत होती है: यह एक सॉफ्टवेयर है जो इमेज में अक्षरों के आकार का विश्लेषण करता है और उन्हें कैरेक्टर से मिलाता है, जिससे पेज की एक सपाट तस्वीर ऐसे टेक्स्ट में बदल जाती है जिसे आप खोज सकते हैं, चुन सकते हैं और एडिट कर सकते हैं।

OCR क्या है और यह असल में कैसे काम करता है?

एक स्कैन की गई PDF या किसी डॉक्यूमेंट की फोटो, कंप्यूटर के लिए बस पिक्सल का एक ग्रिड होती है। फ़ाइल में "अक्षरों" या "शब्दों" जैसी कोई अंतर्निहित अवधारणा नहीं होती, बस रंग और आकार होते हैं। OCR सॉफ्टवेयर उस इमेज को चरणों में प्रोसेस करता है। पहले, यह पूरे पेज के लेआउट का विश्लेषण करता है, यह पहचानते हुए कि कौन से हिस्से टेक्स्ट के ब्लॉक हैं, कौन से टेबल हैं, और कौन से इमेज या खाली जगह हैं। इसके बाद, यह उन टेक्स्ट ब्लॉक को लाइनों में, फिर शब्दों में, फिर अलग-अलग कैरेक्टर में बाँटता है। अंत में, यह हर कैरेक्टर के आकार की तुलना एक ट्रेंड मॉडल से करता है कि अक्षर और अंक किन फ़ॉन्ट और स्टाइल में कैसे दिखते हैं, और सबसे अच्छा मैच असली टेक्स्ट के रूप में देता है।

यह आउटपुट आमतौर पर मूल इमेज पर वापस एक लेयर के रूप में लगाया जाता है, जिसमें हर पहचाने गए शब्द को पेज पर उसकी सही जगह से मिलाया जाता है। यही वजह है कि OCR से प्रोसेस की गई स्कैन की गई PDF अब भी एक स्कैन किए गए डॉक्यूमेंट जैसी दिखती है, लेकिन अब आप उसके ऊपर मौजूद टेक्स्ट को चुन सकते हैं और खोज सकते हैं।

पुराने OCR सिस्टम कैरेक्टर को फ़ॉन्ट आकारों की एक निश्चित लाइब्रेरी से मिलाने पर निर्भर करते थे, जो साफ़, मानक छपे हुए टेक्स्ट के लिए अच्छा काम करता था लेकिन असामान्य फ़ॉन्ट या शोर वाले स्कैन के साथ आसानी से गड़बड़ा जाता था। आधुनिक OCR मशीन लर्निंग मॉडल का इस्तेमाल करता है जो वास्तविक दुनिया की टेक्स्ट इमेज के बहुत बड़े सेट पर ट्रेंड होते हैं, जिससे यह विविध फ़ॉन्ट, कुछ विकृति, और अलग-अलग तरह के डॉक्यूमेंट के प्रति काफी ज़्यादा सहनशील हो जाता है।

कौन से फैक्टर OCR की सटीकता को प्रभावित करते हैं?

स्कैन क्वालिटी: कम रेज़ोल्यूशन, धुंधलापन, ग्लेयर, या तिरछा पेज — ये सभी साफ़ कैरेक्टर आकार अलग करने की सॉफ्टवेयर की क्षमता को कम करते हैं। इन समस्याओं को शुरुआत में ही कैसे टालें, इसके लिए देखें अपने फ़ोन से डॉक्यूमेंट कैसे स्कैन करें।
फ़ॉन्ट: मानक छपे हुए फ़ॉन्ट सबसे आसान मामला हैं। सजावटी, स्टाइलिश, या असामान्य फ़ॉन्ट ज़्यादा मुश्किल होते हैं, क्योंकि वे उन पैटर्न से ज़्यादा भटकते हैं जिन पर OCR मॉडल ट्रेंड किए गए थे।
भाषा: OCR मॉडल अलग-अलग भाषाओं और लिपियों के लिए अलग-अलग ट्रेंड किए जाते हैं। OCR चलाने से पहले सही भाषा चुनने से सटीकता में काफी सुधार होता है, और एक ही पेज पर कई भाषाओं को मिलाने वाले डॉक्यूमेंट को सही तरीके से प्रोसेस करना ज़्यादा मुश्किल होता है।
कंट्रास्ट: हल्की छपाई, जैसे पुरानी थर्मल रसीदें या पुराने कार्बन-कॉपी डॉक्यूमेंट, सॉफ्टवेयर को काम करने के लिए कम सामग्री देती है, क्योंकि टेक्स्ट और बैकग्राउंड के बीच दिखने वाला अंतर कम होता है।
: भटके हुए निशान, स्टैम्प, बैकग्राउंड पैटर्न, या टेक्स्ट के पीछे मौजूद वॉटरमार्क को गलती से कैरेक्टर समझा जा सकता है, या ये असली कैरेक्टर को छिपा सकते हैं।

अक्सर पूछे जाने वाले प्रश्न

स्कैन की गई PDF और टेक्स्ट PDF में क्या अंतर है?

स्कैन की गई PDF मूल रूप से किसी पेज की फोटो होती है, जिसमें कोई अंतर्निहित टेक्स्ट डेटा नहीं होता, जबकि टेक्स्ट PDF असली कैरेक्टर स्टोर करती है जिन्हें OCR की ज़रूरत के बिना चुना, खोजा और कॉपी किया जा सकता है।

क्या OCR हस्तलेख पढ़ सकता है?

OCR हस्तलेख पढ़ने की कोशिश कर सकता है, लेकिन यह छपे हुए टेक्स्ट को पहचानने से एक अलग और कम भरोसेमंद काम है, क्योंकि हस्तलेख मानकीकृत फ़ॉन्ट की तुलना में लोगों के बीच कहीं ज़्यादा बदलता है।

OCR कभी-कभी O और 0 जैसे अक्षरों को गलत क्यों पढ़ लेता है?

देखने में एक जैसे लगने वाले कैरेक्टर, जैसे अक्षर O और अंक शून्य, या अक्षर l और अंक एक, OCR की गलतियों का एक आम कारण हैं, खासकर कम रेज़ोल्यूशन वाले स्कैन में।

क्या OCR को काम करने के लिए इंटरनेट कनेक्शन चाहिए?

यह सॉफ्टवेयर पर निर्भर करता है। कुछ OCR टूल इमेज को पूरी तरह डिवाइस पर ही प्रोसेस करते हैं, जबकि कुछ अन्य पहचान के लिए इमेज को सर्वर पर भेजते हैं, जिसके लिए प्रोसेसिंग के दौरान कनेक्शन ज़रूरी होता है।

स्कैन की गई PDF से टेक्स्ट कैसे निकालें (OCR समझाया गया)

OCR क्या है और यह असल में कैसे काम करता है?

कौन से फैक्टर OCR की सटीकता को प्रभावित करते हैं?

अक्सर पूछे जाने वाले प्रश्न

Every PDF task, in one app.

संबंधित लेख

How to Convert PDF to JPG on iPhone and Android

How to Merge PDF Files on iPhone and Android

How to Compress a PDF on Your Phone Without Losing Quality

OCR असल में कितना सटीक है?

OCR के नतीजों में गलतियों की जाँच कैसे करें?

क्या OCR हस्तलेख पर काम करता है?