OCR PDF
একটি স্ক্যান করা PDF-কে নির্বাচনযোগ্য ও সার্চযোগ্য নথিতে পরিণত করুন। ১০০% আপনার ব্রাউজারে: আপনার ফাইল কখনো আপনার ডিভাইস ছাড়ে না।
একটি স্ক্যান করা PDF বেছে নিন
বা এখানে একটি PDF ছেড়ে দিন — Tesseract.js দিয়ে স্থানীয়ভাবে প্রক্রিয়া হয়
—
প্রিন্টের ৩০০ DPI পরিষ্কার স্ক্যানে সেরা (~৯৮% নির্ভুল)। কম-রেজোলিউশন স্ক্যান, ম্লান ফোন শট এবং ছোট ফন্ট কম নির্ভুল। হাতের লেখা নির্ভরযোগ্যভাবে সমর্থিত নয়।
Your file is ready
Processed entirely in your browser — the file never left your device.
কীভাবে একটি PDF OCR করবেন
তিনটি ধাপ। কিছুই আপলোড হয় না।
একটি স্ক্যান করা PDF বেছে নিন
একটি PDF বেছে নিন বা টেনে আনুন। আপনার ব্রাউজারের ভেতরেই থাকে।
ভাষা ও আউটপুট বেছে নিন
নথির ভাষা সেট করুন এবং বেছে নিন আপনি সার্চযোগ্য PDF চান নাকি শুধু টেক্সট।
চালান ও ডাউনলোড করুন
Tesseract.js (WebAssembly) আপনার ট্যাবের ভেতরে প্রতিটি পৃষ্ঠা চেনে; তারপর আপনি ফলাফল ডাউনলোড করেন।
OCR কী এবং এটি চালানোর পর কী পরিবর্তন হয়?
অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) টেক্সটের একটি ছবিকে প্রকৃত টেক্সট ক্যারেক্টারে রূপান্তর করে যেগুলো কম্পিউটার কপি করতে, সার্চ করতে এবং ইনডেক্স করতে পারে। একটি «স্ক্যান করা» PDF কেবল একটি PDF কন্টেইনারের ভেতরে আঠা দিয়ে আটকানো পৃষ্ঠার ছবির একটি গাদা; আপনি যে শব্দগুলো দেখেন সেগুলো পিক্সেল, অক্ষর নয়। OCR-এর পরে, নথিটি হয় সেই পিক্সেলগুলোর উপর একটি অদৃশ্য টেক্সট লেয়ার পায় (তাই এটি একই দেখায় কিন্তু Ctrl+F কাজ করে), অথবা আপনি টেক্সটটি একটি সাধারণ .txt ফাইলে বের করেছেন যা আপনি অন্য কোথাও পেস্ট করতে পারেন। উপরে উভয় মোড উপলব্ধ।
এই পৃষ্ঠায় OCR কীভাবে কাজ করে
আমরা Tesseract.js ব্যবহার করি — Google-এর ওপেন সোর্স Tesseract ইঞ্জিনের WebAssembly কম্পাইলেশন — যা আপনার ব্রাউজার ট্যাবের ভেতরে চলে। আপনি যখন OCR চালান টিপুন:
- PDF-এর প্রতিটি পৃষ্ঠা PDF.js ব্যবহার করে ৩০০ DPI-তে একটি canvas-এ রাস্টারাইজ হয়।
- Canvas পিক্সেলগুলো Tesseract.js-এ পাস হয়, যা স্বীকৃত টেক্সট সহ প্রতিটি লাইনের জন্য বাউন্ডিং বক্স ফেরত দেয়।
- «সার্চযোগ্য PDF»-এর জন্য, আমরা আপনার মূল পৃষ্ঠাগুলো একটি নতুন PDF-এ কপি করি এবং স্বীকৃত টেক্সট ০ স্বচ্ছতায় ওভারলে করি: চোখের কাছে অদৃশ্য, কিন্তু নির্বাচনযোগ্য ও সার্চযোগ্য।
- «শুধু টেক্সট»-এর জন্য, আমরা প্রতিটি পৃষ্ঠার টেক্সট একটি একক .txt ফাইলে একত্র করি।
এই চেইনের কোনো কিছুর সার্ভারের প্রয়োজন নেই: PDF.js, Tesseract.js এবং pdf-lib ক্লায়েন্ট-সাইড। OCR-সম্পর্কিত একমাত্র নেটওয়ার্ক রিকোয়েস্ট হলো প্রশিক্ষিত ভাষা মডেলের একবারের ডাউনলোড (~৫ থেকে ১৫ মেগাবাইট প্রতি ভাষায়), যা আপনার ব্রাউজার পরবর্তী বারের জন্য ক্যাশ করে।
সৎ প্রত্যাশা
- ৩০০ DPI-তে পরিষ্কার মুদ্রিত টেক্সট: সাধারণত ৯৫% থেকে ৯৮% প্রতি ক্যারেক্টার নির্ভুলতা। সার্চের জন্য এবং সামান্য সংশোধনের সাথে কপি-পেস্টের জন্য যথেষ্ট।
- কম রেজোলিউশন (২০০ DPI-এর নিচে) বা ফোন-শট পৃষ্ঠা: নির্ভুলতা ভেঙে পড়ে; Tesseract-এর পরিষ্কার ক্যারেক্টার এজ প্রয়োজন। সম্ভব হলে উচ্চতর DPI-তে আবার স্ক্যান করুন।
- বহু-কলাম লেআউট ও টেবিল: টেক্সট কলামজুড়ে সারিতে সারিতে ফিরে আসে। আমরা এটি যৌক্তিক পড়ার ক্রমে পুনর্বিন্যস্ত করি না। টেবিলের জন্য, PDF থেকে Excel বিবেচনা করুন।
- হাতের লেখা: নির্ভরযোগ্যভাবে সমর্থিত নয়। Tesseract প্রিন্টের উপর প্রশিক্ষিত; হাতে লেখা ক্যারেক্টার প্রায়শই অপাঠ্যভাবে ফিরে আসে।
- ভারী মিশ্র স্ক্রিপ্ট: একটি পৃষ্ঠা যদি অর্ধেক বাংলা ও অর্ধেক ল্যাটিন হয়, প্রভাবশালী স্ক্রিপ্ট বেছে নিন। বহু-স্ক্রিপ্ট OCR সম্ভব, কিন্তু ধীর ও কম নির্ভুল।
গোপনীয়তা ও নিরাপত্তা
OCR এমন একটি বিভাগ যেখানে ব্রাউজারে প্রক্রিয়াকরণ বিশেষভাবে মূল্যবান। স্ক্যান করা নথিগুলো প্রায়শই মানুষের কাছে থাকা সবচেয়ে সংবেদনশীল জিনিসগুলোর মধ্যে — পাসপোর্ট কপি, কর রিটার্ন, চুক্তি, চিকিৎসা রেকর্ড, লিজ — এবং সেগুলো একটি তৃতীয় পক্ষের সার্ভারে পাঠানো এমন একটি ট্রেইল তৈরি করে যা আপনি মুছতে পারেন না। যেহেতু এই চেইনের প্রতিটি বাইট স্থানীয়ভাবে চলে, কোনো আপলোড লগ হয় না, কোনো অস্থায়ী ফাইল রাখা হয় না, এবং কোনো ধরে রাখার উইন্ডো নেই যাতে বিশ্বাস করতে হবে। OCR ইঞ্জিন নিজেই ওপেন সোর্স ও পরিদর্শনযোগ্য।
প্রায়শই জিজ্ঞাসিত প্রশ্ন
একটি সমর্থিত ভাষায় মুদ্রিত নথির পরিষ্কার ৩০০ DPI স্ক্যানে, প্রায় ৯৫% থেকে ৯৮% অক্ষর নির্ভুলতা আশা করুন। কম-রেজোলিউশন স্ক্যান (২০০ DPI-এর নিচে), ম্লান ফোন ক্যামেরা শট, কাত পৃষ্ঠা এবং ছোট ফন্ট নির্ভুলতা লক্ষণীয়ভাবে কমিয়ে দেয়। হাতের লেখা Tesseract দ্বারা নির্ভরযোগ্যভাবে চেনা যায় না — হাতে লেখা নোটের জন্য সাধারণত আপনার একটি ভিন্ন ইঞ্জিন (শুধু ক্লাউড) প্রয়োজন।
না। স্বীকৃতি ইঞ্জিন (WebAssembly-তে কম্পাইল করা Tesseract.js) সম্পূর্ণভাবে আপনার ব্রাউজার ট্যাবের ভেতরে চলে। আপনার নির্বাচিত PDF মেমরিতে পড়া হয়, প্রতিটি পৃষ্ঠা একটি canvas-এ রাস্টারাইজ হয়, এবং canvas পিক্সেলগুলো সরাসরি Tesseract-এ দেওয়া হয় — আপনার নথির কোনো নেটওয়ার্ক আপলোড নেই, কোনো সার্ভার পদক্ষেপ নেই। আপনি আপনার ব্রাউজারের Network ট্যাবে যাচাই করতে পারেন: শুধু ভাষা মডেল আনা হয় (একবার, তারপর ক্যাশ হয়)।
imisspdf.com নিজে যে বারোটি ভাষা ব্যবহার করে আমরা সেগুলো প্রি-লোড করি: ইংরেজি, স্প্যানিশ, ফরাসি, জার্মান, পর্তুগিজ, ইতালীয়, ইন্দোনেশীয়, জাপানি, কোরীয়, চাইনিজ (সরলীকৃত), আরবি এবং হিন্দি। Tesseract আরও প্রায় ১০০টি ভাষা সমর্থন করে — ভাষার ক্ষেত্রে যেকোনো ISO 639-3 কোড (যেমন «ben» বা «urd» বা «fas») পেস্ট করুন, এবং মিলে যাওয়া মডেল চাহিদা অনুযায়ী আনা হবে।
প্রথমবার যখন আপনি একটি নির্দিষ্ট ভাষায় OCR চালান, Tesseract সেই ভাষার প্রশিক্ষিত মডেল (সাধারণত ৫ থেকে ১৫ মেগাবাইট) এবং WebAssembly ইঞ্জিন (প্রায় ৩০ মেগাবাইট) ডাউনলোড করে। এরপর সেগুলো আপনার ব্রাউজারে ক্যাশ হয়ে যায়, এবং পরবর্তী রানগুলো এক-দুই সেকেন্ডে শুরু হয়। ট্যাব বন্ধ করলে ক্যাশ মুছে যায় না।
«সার্চযোগ্য PDF» বেছে নিন যদি আপনি মূল নথির চেহারা ধরে রাখতে চান কিন্তু এর টেক্সট নির্বাচনযোগ্য ও Ctrl+F-এ সার্চযোগ্য করতে চান (OCR টেক্সট অদৃশ্যভাবে এর ওপরে রাখা হয়)। «শুধু টেক্সট» বেছে নিন যদি আপনার শুধু শব্দগুলো দরকার — যেমন একটি নোট অ্যাপে পেস্ট করতে বা অন্য টুলে দিতে।