OCR PDF
ایک اسکین شدہ PDF کو قابل انتخاب اور قابل تلاش دستاویز میں تبدیل کریں۔ 100% آپ کے براؤزر میں: آپ کی فائل کبھی آپ کا ڈیوائس نہیں چھوڑتی۔
ایک اسکین شدہ PDF منتخب کریں
یا یہاں ایک PDF چھوڑیں — Tesseract.js سے مقامی طور پر پراسیس ہوتی ہے
—
پرنٹ کے 300 DPI صاف اسکینز کے ساتھ بہترین (~98% درست)۔ کم ریزولوشن اسکینز، مدھم فون شاٹس اور چھوٹے فونٹس کم درست ہیں۔ ہاتھ سے لکھی تحریر قابل اعتماد طور پر سپورٹ نہیں۔
Your file is ready
Processed entirely in your browser — the file never left your device.
PDF کو OCR کیسے کریں
تین مراحل۔ کچھ بھی اپ لوڈ نہیں ہوتا۔
ایک اسکین شدہ PDF منتخب کریں
ایک PDF منتخب یا گھسیٹیں۔ آپ کے براؤزر کے اندر رہتی ہے۔
زبان اور آؤٹ پٹ منتخب کریں
دستاویز کی زبان متعین کریں اور منتخب کریں کہ آپ قابل تلاش PDF چاہتے ہیں یا صرف متن۔
چلائیں اور ڈاؤن لوڈ کریں
Tesseract.js (WebAssembly) ہر صفحے کو آپ کے ٹیب کے اندر پہچانتا ہے؛ پھر آپ نتیجہ ڈاؤن لوڈ کرتے ہیں۔
OCR کیا ہے اور اسے چلانے کے بعد کیا بدلتا ہے؟
آپٹیکل کیریکٹر ریکگنیشن (OCR) متن کی تصویر کو حقیقی متنی کیریکٹرز میں تبدیل کرتا ہے جنہیں کمپیوٹر کاپی، تلاش اور انڈیکس کر سکتا ہے۔ ایک «اسکین شدہ» PDF صرف صفحے کی تصاویر کا ایک ڈھیر ہے جو PDF کنٹینر کے اندر چپکا ہوتا ہے؛ آپ جو الفاظ دیکھتے ہیں وہ پکسلز ہیں، حروف نہیں۔ OCR کے بعد، دستاویز یا تو ان پکسلز کے اوپر ایک غیر مرئی متنی پرت حاصل کرتی ہے (تو یہ ایک جیسی نظر آتی ہے لیکن Ctrl+F کام کرتا ہے)، یا آپ نے متن کو ایک پلین .txt فائل میں نکالا ہے جسے آپ کہیں اور پیسٹ کر سکتے ہیں۔ دونوں موڈ اوپر دستیاب ہیں۔
اس صفحے پر OCR کیسے کام کرتا ہے
ہم Tesseract.js استعمال کرتے ہیں — Google کے اوپن سورس Tesseract انجن کی WebAssembly کمپائلیشن — جو آپ کے براؤزر ٹیب کے اندر چلتی ہے۔ جب آپ OCR چلائیں دباتے ہیں:
- PDF کا ہر صفحہ PDF.js کا استعمال کرتے ہوئے 300 DPI پر ایک canvas پر رسٹرائز ہوتا ہے۔
- Canvas پکسلز Tesseract.js کو پاس ہوتے ہیں، جو تسلیم شدہ متن نیز ہر لائن کے لیے باؤنڈنگ باکسز واپس کرتا ہے۔
- «قابل تلاش PDF» کے لیے، ہم آپ کے اصل صفحات کو ایک نئی PDF میں کاپی کرتے ہیں اور تسلیم شدہ متن کو 0 شفافیت پر اوور لے کرتے ہیں: آنکھ کے لیے غیر مرئی، لیکن قابل انتخاب اور قابل تلاش۔
- «صرف متن» کے لیے، ہم ہر صفحے کا متن ایک واحد .txt فائل میں ملاتے ہیں۔
اس چین میں کسی چیز کو سرور کی ضرورت نہیں: PDF.js، Tesseract.js اور pdf-lib کلائنٹ سائڈ ہیں۔ OCR سے متعلق واحد نیٹ ورک درخواست تربیت یافتہ زبان ماڈل کا ایک بار کا ڈاؤن لوڈ ہے (~5 سے 15 MB فی زبان)، جسے آپ کا براؤزر اگلی بار کے لیے کیش کر لیتا ہے۔
دیانتدارانہ توقعات
- 300 DPI پر صاف پرنٹ شدہ متن: عام طور پر 95% سے 98% فی کیریکٹر درستگی۔ تلاش اور معمولی اصلاحات کے ساتھ کاپی پیسٹ کے لیے کافی۔
- کم ریزولوشن (200 DPI سے کم) یا فون شاٹ صفحات: درستگی گر جاتی ہے؛ Tesseract کو واضح کیریکٹر کناروں کی ضرورت ہے۔ اگر ممکن ہو تو زیادہ DPI پر دوبارہ اسکین کریں۔
- کثیر کالم لے آؤٹ اور ٹیبلز: متن کالموں کے آر پار قطار در قطار واپس آتا ہے۔ ہم اسے منطقی پڑھنے کی ترتیب میں دوبارہ ترتیب نہیں دیتے۔ ٹیبلز کے لیے، PDF سے Excel پر غور کریں۔
- ہاتھ سے لکھی تحریر: قابل اعتماد طور پر سپورٹ نہیں۔ Tesseract کو پرنٹ پر تربیت دی گئی ہے؛ ہاتھ سے لکھے کیریکٹرز اکثر گارمل واپس آتے ہیں۔
- بھاری ملا جلا رسم الخط: اگر ایک صفحہ آدھا اردو اور آدھا لاطینی ہے، تو غالب رسم الخط منتخب کریں۔ ملٹی اسکرپٹ OCR ممکن ہے، لیکن سست اور کم درست۔
رازداری اور سلامتی
OCR ایک ایسی کیٹیگری ہے جہاں براؤزر میں پروسیسنگ خاص طور پر قیمتی ہے۔ اسکین شدہ دستاویزات اکثر سب سے زیادہ حساس چیزوں میں سے ہوتی ہیں جو لوگوں کے پاس ہوتی ہیں — پاسپورٹ کاپیاں، ٹیکس ریٹرنز، کنٹریکٹس، طبی ریکارڈز، لیز — اور انہیں تیسرے فریق کے سرور پر بھیجنا ایک نشان چھوڑتا ہے جسے آپ مٹا نہیں سکتے۔ چونکہ اس چین میں ہر بائٹ مقامی طور پر چلتا ہے، کوئی اپ لوڈ ریکارڈ نہیں ہوتی، کوئی عارضی فائل نہیں رکھی جاتی، اور کوئی برقراری ونڈو نہیں جس پر بھروسہ کرنا پڑے۔ OCR انجن خود اوپن سورس اور قابل معائنہ ہے۔
اکثر پوچھے گئے سوالات
ایک سپورٹڈ زبان میں پرنٹ شدہ دستاویز کی 300 DPI کی صاف اسکین پر، تقریباً 95% سے 98% کیریکٹر درستگی کی توقع رکھیں۔ کم ریزولوشن اسکینز (200 DPI سے کم)، مدھم فون کیمرہ شاٹس، ٹیڑھے صفحات اور چھوٹے فونٹس درستگی کو واضح طور پر کم کرتے ہیں۔ ہاتھ سے لکھی تحریر Tesseract کے ذریعے قابل اعتماد طور پر پہچانی نہیں جاتی — ہاتھ سے لکھے نوٹس کے لیے عام طور پر آپ کو ایک مختلف انجن (صرف کلاؤڈ) کی ضرورت ہوتی ہے۔
نہیں۔ تسلیم کرنے کا انجن (Tesseract.js WebAssembly میں کمپائل کیا گیا) آپ کے براؤزر کے ٹیب کے اندر مکمل طور پر چلتا ہے۔ آپ کی منتخب کردہ PDF میموری میں پڑھی جاتی ہے، ہر صفحہ ایک canvas پر رسٹرائز ہوتا ہے، اور canvas پکسلز براہ راست Tesseract کو دیے جاتے ہیں — آپ کی دستاویز کی کوئی نیٹ ورک اپ لوڈ نہیں، کوئی سرور قدم نہیں۔ آپ اپنے براؤزر کے Network ٹیب میں تصدیق کر سکتے ہیں: صرف زبان کا ماڈل لایا جاتا ہے (ایک بار، پھر کیش ہو جاتا ہے)۔
ہم نے وہ بارہ زبانیں پہلے سے لوڈ کی ہیں جو imisspdf.com خود استعمال کرتا ہے: انگریزی، ہسپانوی، فرانسیسی، جرمن، پرتگالی، اطالوی، انڈونیشی، جاپانی، کوریائی، چینی (سادہ کردہ)، عربی اور ہندی۔ Tesseract تقریباً 100 مزید زبانوں کو سپورٹ کرتا ہے — کوئی بھی ISO 639-3 کوڈ (جیسے «urd» یا «fas» یا «ben») زبان فیلڈ میں پیسٹ کریں، اور مطابقت رکھنے والا ماڈل آن ڈیمانڈ لایا جائے گا۔
پہلی بار جب آپ کسی خاص زبان میں OCR چلاتے ہیں، Tesseract اس زبان کا تربیت یافتہ ماڈل (عام طور پر 5 سے 15 MB) اور WebAssembly انجن (تقریباً 30 MB) ڈاؤن لوڈ کرتا ہے۔ اس کے بعد وہ آپ کے براؤزر میں کیش ہو جاتے ہیں، اور اگلے رنز ایک دو سیکنڈ میں شروع ہوتے ہیں۔ ٹیب بند کرنے سے کیش صاف نہیں ہوتا۔
«قابل تلاش PDF» منتخب کریں اگر آپ اصل دستاویز کی شکل برقرار رکھنا چاہتے ہیں جبکہ اس کا متن قابل انتخاب اور Ctrl+F سے قابل تلاش بنانا چاہتے ہیں (OCR متن اس کے اوپر غیر مرئی طور پر رکھا جاتا ہے)۔ «صرف متن» منتخب کریں اگر آپ کو صرف الفاظ چاہئیں — مثلاً نوٹس ایپ میں پیسٹ کرنے کے لیے یا کسی اور ٹول کو فیڈ کرنے کے لیے۔