OCR PDF

OCR क्या है और इसे चलाने के बाद क्या बदलता है?

ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) टेक्स्ट की एक छवि को असली टेक्स्ट वर्णों में बदल देता है जिन्हें कंप्यूटर कॉपी, खोज और इंडेक्स कर सकता है। एक «स्कैन की गई» PDF एक PDF कंटेनर के भीतर चिपकाई गई पेज छवियों के ढेर से ज़्यादा कुछ नहीं होती; आप जो शब्द देखते हैं वे पिक्सेल हैं, अक्षर नहीं। OCR के बाद, दस्तावेज़ में उन पिक्सेल के ऊपर एक अदृश्य टेक्स्ट परत रख दी जाती है (ताकि यह दिखता तो समान है पर Ctrl+F काम करता है), या आपने टेक्स्ट को बिना फ़ॉर्मैट वाली .txt फ़ाइल में निकाल लिया होता है जिसे आप कहीं और पेस्ट कर सकते हैं। ऊपर दोनों मोड दिए गए हैं।

इस पेज पर OCR कैसे काम करता है

हम Tesseract.js का उपयोग करते हैं — Google के ओपन-सोर्स Tesseract इंजन का WebAssembly संकलन — जो आपके ब्राउज़र टैब के भीतर चलता है। जब आप OCR चलाएँ पर क्लिक करते हैं:

1. आपकी PDF का हर पेज PDF.js से 300 DPI पर एक कैनवस पर रास्टराइज़ होता है।
2. कैनवस के पिक्सेल Tesseract.js को भेजे जाते हैं, जो पहचाना गया टेक्स्ट और प्रति-पंक्ति बाउंडिंग बॉक्स लौटाता है।
3. खोजने योग्य PDF के लिए, हम आपके मूल पेजों को एक नई PDF में कॉपी करते हैं और पहचाने गए टेक्स्ट को 0 अपारदर्शिता के साथ ऊपर रखते हैं: देखने में अदृश्य, पर चुनने और खोजने योग्य।
4. केवल टेक्स्ट के लिए, हम हर पेज के टेक्स्ट को एक ही .txt फ़ाइल में जोड़ देते हैं।

इस पूरी प्रक्रिया में कोई भी चरण सर्वर को नहीं बुलाता: PDF.js, Tesseract.js और pdf-lib क्लाइंट-साइड चलते हैं। OCR से जुड़ा एकमात्र नेटवर्क अनुरोध प्रशिक्षित भाषा मॉडल का एक-बार डाउनलोड है (प्रति भाषा लगभग 5 से 15 MB), जिसे आपका ब्राउज़र फिर अगली बार के लिए कैश कर लेता है।

ईमानदार अपेक्षाएँ

• 300 DPI पर साफ़ छपा टेक्स्ट: आमतौर पर 95% से 98% प्रति-अक्षर सटीकता। खोजने और थोड़े सुधार के साथ कॉपी/पेस्ट के लिए पर्याप्त।
• कम रिज़ॉल्यूशन (200 DPI से कम) या फ़ोटो खींचे पेज: सटीकता तेज़ी से गिरती है; Tesseract को साफ़ अक्षर किनारे चाहिए। हो सके तो ज़्यादा DPI पर फिर से स्कैन करें।
• बहु-स्तंभ लेआउट और तालिकाएँ: टेक्स्ट स्तंभों के आर-पार पंक्ति-दर-पंक्ति लौटता है। हम इसे तार्किक पढ़ने के क्रम में पुनर्व्यवस्थित नहीं करते। तालिकाओं के लिए, PDF से Excel पर विचार करें।
• हस्तलेख: भरोसेमंद ढंग से समर्थित नहीं। Tesseract छपी टाइपोग्राफ़ी पर प्रशिक्षित है; हस्तलिखित वर्ण अक्सर अपठनीय लौटते हैं।
• लिपियों का भारी मिश्रण: अगर कोई पेज आधा अरबी और आधा लैटिन है, तो प्रमुख लिपि चुनें। बहु-लिपि OCR संभव है, पर धीमा और कम सटीक।

गोपनीयता और सुरक्षा

OCR एक ऐसी श्रेणी है जहाँ ब्राउज़र में प्रोसेसिंग ख़ासतौर पर मूल्यवान है। स्कैन किए दस्तावेज़ अक्सर लोगों के पास मौजूद सबसे संवेदनशील चीज़ें होती हैं — पासपोर्ट की प्रतियाँ, कर रिटर्न, अनुबंध, चिकित्सा इतिहास, किराया अनुबंध — और उन्हें किसी तीसरे-पक्ष सर्वर पर भेजना एक ऐसा निशान बना देता है जिसे आप मिटा नहीं सकते। चूँकि प्रक्रिया का हर बाइट स्थानीय रूप से चलता है, न कोई अपलोड दर्ज होता है, न कोई अस्थायी फ़ाइल ज़ब्त की जा सकती है, न ही किसी प्रतिधारण अवधि पर भरोसा करना पड़ता है। OCR इंजन स्वयं ओपन-सोर्स और निरीक्षण योग्य है।