हिन्दी
PDF से टेक्स्ट कैसे निकालें
PDF से टेक्स्ट निकालने के लिए फ़ाइल ऊपर के बॉक्स पर छोड़ें। पेज पढ़ते ही टेक्स्ट दाईं ओर दिखने लगता है, और आप उसे कॉपी कर सकते हैं या .txt या Markdown फ़ाइल के रूप में डाउनलोड कर सकते हैं। सब कुछ आपके ब्राउज़र में होता है, इसलिए कोई अनुबंध, बैंक स्टेटमेंट या अप्रकाशित पांडुलिपि कभी किसी सर्वर पर नहीं जाती।
- एक PDF या कई जोड़ें। अगर आप सिर्फ़ देखना चाहते हैं कि टूल क्या करता है, तो नमूना बटन दबाएँ।
- सादा टेक्स्ट या Markdown चुनें, और तय करें कि लाइनें पैराग्राफ़ में जोड़ी जाएँ या नहीं।
- अगर आपको फ़ाइल का सिर्फ़ एक हिस्सा चाहिए, तो पेज की सीमा लिखें, जैसे 1-3, 5, 8-।
- नतीजा पूरे दस्तावेज़ के दृश्य में या पेज-दर-पेज जाँचें, फिर कॉपी या डाउनलोड करें। कई फ़ाइलों के साथ सब डाउनलोड करें (.zip) हर PDF के लिए एक टेक्स्ट फ़ाइल देता है।
टेक्स्ट के ऊपर दिखने वाली शब्दों और अक्षरों की गिनती आपके चुने हुए पेजों के लिए है। लंबी रिपोर्ट की जल्दी गिनती के लिए यह काम आती है, बिना वर्ड प्रोसेसर खोले।
PDF से कॉपी किया टेक्स्ट टूटा हुआ क्यों दिखता है
PDF में पैराग्राफ़ नहीं होते। उसमें टेक्स्ट के टुकड़े होते हैं, जिनकी निर्देशांक जगह होती है, और वे उसी क्रम में बने होते हैं जिस क्रम में फ़ाइल बनाने वाले प्रोग्राम ने चुना। PDF रीडर से चुनकर कॉपी करने पर हर छपी लाइन के अंत में लाइन ब्रेक मिलता है, हाइफ़न से आधे-आधे कटे शब्द मिलते हैं, और दो कॉलम वाले लेख में बाएँ कॉलम की पहली लाइन के बाद दाएँ कॉलम की पहली लाइन।
यह टूल निर्देशांकों से संरचना वापस बनाता है:
| कॉपी करते समय समस्या | टूल क्या करता है | विकल्प |
|---|---|---|
| हर छपी लाइन के बाद लाइन ब्रेक | पैराग्राफ़ की लाइनें जोड़ता है, और पैराग्राफ़ों के बीच का अंतर रखता है | लाइन ब्रेक |
| अंतर- राष्ट्रीय दो लाइनों में बँटा | हाइफ़न हटाकर शब्द जोड़ता है | हाइफ़न से टूटे शब्द ठीक करें |
| कॉलम आपस में मिल गए | बायाँ कॉलम नीचे तक पढ़ता है, फिर अगला | कॉलम एक के बाद एक पढ़ें |
| हर पेज पर पेज नंबर और शीर्षक | ऊपर या नीचे के मार्जिन में बार-बार आने वाली लाइनें हटाता है | बार-बार आने वाले हेडर और फ़ुटर हटाएँ |
| टेबल एक शब्दों की धारा में सिमट गई | पंक्तियाँ और कॉलम रखता है, टैब से अलग या Markdown टेबल के रूप में | टेबल पहचानें |
हाइफ़न वाले सुधार पर एक सावधानी: यह छोटे अक्षर से शुरू होने वाले अगले हिस्से को पिछले शब्द से जोड़ता है, इसलिए कोई असली समास शब्द जो हाइफ़न पर टूटा हो, जैसे "well-
known", "wellknown" बन जाता है। ऐसे शब्दों से भरे दस्तावेज़ों के लिए यह विकल्प बंद करें।
सादा टेक्स्ट या Markdown?
ईमेल, नोट्स ऐप या अनुवाद टूल में चिपकाने के लिए सादा टेक्स्ट सबसे सुरक्षित है। Markdown तब बेहतर है जब टेक्स्ट किसी दस्तावेज़, विकी या ऐसे नोट्स ऐप में जाए जो उसे समझता हो। टूल फ़ॉन्ट के आकार से हेडिंग का अनुमान लगाता है: सबसे बड़ा हेडिंग आकार # बनता है, उससे छोटा ##, फिर ###। बुलेट और क्रम वाली सूचियों के चिह्न बने रहते हैं, और टेबल Markdown टेबल बन जाती हैं। जो PDF सब जगह एक ही फ़ॉन्ट आकार इस्तेमाल करती है, उसमें ढूँढने के लिए कोई हेडिंग नहीं होते।
स्कैन की गई PDF और OCR
स्कैन किसी पेज की तस्वीर होता है, इसलिए वहाँ निकालने लायक टेक्स्ट नहीं होता। जब किसी पेज में टेक्स्ट परत न हो, तब एक OCR बॉक्स दिखता है, जहाँ आप भाषा चुनकर पेज पढ़ते हैं। OCR इंजन आपके ब्राउज़र में चलता है। इंजन और भाषा का डेटा आपके पहली बार इस्तेमाल करने पर डाउनलोड होता है (कुछ मेगाबाइट, कुछ भाषाओं के लिए ज़्यादा), और फिर भी आपके पेज अपलोड नहीं होते।
- 300 DPI पर साफ़ स्कैन अच्छे नतीजे देता है। तिरछी ली गई, परछाई वाली फ़ोन की फ़ोटो में नतीजे साफ़ तौर पर खराब होते हैं।
- सही भाषा चुनें। हिंदी पेज को अंग्रेज़ी OCR से पढ़ेंगे तो मात्राएँ और अक्षर बिगड़ जाएँगे।
- OCR के साथ टेबल और कई कॉलम वाले लेआउट असली टेक्स्ट जितने भरोसेमंद नहीं होते। ख़ासकर संख्याएँ जाँचें।
यह क्या नहीं कर सकता
तस्वीर, चार्ट या ड्रॉइंग का हिस्सा बना टेक्स्ट PDF में असली टेक्स्ट नहीं होता, और पेज पर OCR न चलाने पर वह छूट जाता है। फ़्लोटिंग बॉक्स, साइडबार या तस्वीरों के चारों ओर लिपटे टेक्स्ट वाले जटिल लेआउट गलत क्रम में पढ़े जा सकते हैं, और ऐसी गड़बड़ी पहचानने का सबसे तेज़ तरीका पेज-दर-पेज व्यू है। खराब फ़ॉन्ट एन्कोडिंग से बनी PDF में अक्षर गड़बड़ आ सकते हैं, जो आप डाउनलोड करने से पहले नतीजे में देख लेंगे। घुमाकर लिखा टेक्स्ट छोड़ दिया जाता है। 150 MB से बड़ी फ़ाइलें स्वीकार नहीं होतीं, ताकि टैब की मेमोरी न भरे।
अक्सर पूछे जाने वाले सवाल
बिना अपलोड किए PDF से टेक्स्ट कैसे निकालें?
PDF को इस पेज पर छोड़ें, और कुछ पल बाद दाईं ओर टेक्स्ट दिखेगा, जिसे आप कॉपी कर सकते हैं या .txt में डाउनलोड कर सकते हैं। फ़ाइल आपका ब्राउज़र खुद पढ़ता है, इसलिए कुछ आपके फ़ोन या कंप्यूटर से बाहर नहीं जाता। 20 पेज की टेक्स्ट PDF में कुछ सेकंड लगते हैं।
PDF से कॉपी किए टेक्स्ट में लाइनें टूटी हुई और अजीब स्पेसिंग क्यों होती है?
PDF हर लाइन को पेज पर रखे अलग-अलग टुकड़ों के रूप में सेव करता है, पैराग्राफ़ के रूप में नहीं। यह टूल उन टुकड़ों को पढ़ने के क्रम में वापस लगाता है, हर पैराग्राफ़ की लाइनें जोड़ता है और लाइन के अंत में हाइफ़न से टूटे शब्द ठीक करता है, ताकि नतीजा किसी दस्तावेज़ में साफ़ चिपके। अगर आपको लाइनें वैसी ही चाहिए जैसी छपी हैं, तो "लाइन ब्रेक" को "लाइन ब्रेक रखें" पर बदलें।
क्या यह दो या तीन कॉलम वाली PDF को सही क्रम में पढ़ सकता है?
ज़्यादातर मामलों में हाँ। टूल एक साफ़ खड़ा अंतर ढूँढता है और अगले कॉलम पर जाने से पहले हर कॉलम ऊपर से नीचे तक पढ़ता है, जबकि कॉलमों के ऊपर पूरी चौड़ाई का शीर्षक ऊपर ही रहता है। लेकिन जिन मैगज़ीन पेजों पर टेक्स्ट तस्वीरों के चारों ओर लिपटा हो, साइडबार हों या अनियमित बॉक्स हों, उनका क्रम गलत हो सकता है, इसलिए ऐसे पेज पेज-दर-पेज व्यू में जाँचें।
स्कैन की गई PDF से टेक्स्ट कैसे निकालें?
OCR बॉक्स इस्तेमाल करें, जो तब दिखता है जब किसी पेज पर टेक्स्ट की परत न हो। दस्तावेज़ की भाषा चुनें और "OCR से पेज पढ़ें" दबाएँ। इंजन आपके ब्राउज़र में चलता है और पहली बार भाषा का डेटा एक बार डाउनलोड होता है। साफ़, 300 DPI का स्कैन अच्छा पढ़ा जाता है, तिरछी फ़ोन की फ़ोटो कहीं खराब। इसलिए नतीजे को ध्यान से पढ़ें।
क्या मैं टेक्स्ट को हेडिंग के साथ Markdown में ले सकता हूँ?
हाँ। Markdown (.md) चुनें, और बड़े आकार वाला टेक्स्ट हेडिंग बन जाता है: सबसे बड़ा आकार #, उससे छोटा ## और फिर ###। बुलेट और क्रम वाली सूचियों के चिह्न बने रहते हैं, और टेबल Markdown टेबल बन जाती हैं। हेडिंग फ़ॉन्ट के आकार से अनुमानित होती हैं, इसलिए जिस PDF में हर जगह एक ही आकार है, उसमें कोई हेडिंग नहीं बनेगी।
निकाले गए टेक्स्ट से हेडर, फ़ुटर और पेज नंबर कैसे हटाएँ?
"बार-बार आने वाले हेडर, फ़ुटर और पेज नंबर हटाएँ" पर निशान लगा रहने दें। ऊपर या नीचे के मार्जिन की वे लाइनें जो कम से कम आधे पेजों पर दोहराती हैं, और अकेले पेज नंबर, हटा दिए जाते हैं। जो शीर्षक सिर्फ़ एक पेज पर है वह रहता है। अगर कोई ज़रूरी फ़ुटर हट रहा है, तो यह विकल्प बंद करें।
क्या कुछ पेजों से या कई PDF से एक साथ टेक्स्ट निकाल सकता हूँ?
"पेज" बॉक्स में 1-3, 5, 8- जैसे पेज लिखें, तो सिर्फ़ वही पढ़े जाते हैं। आप कई PDF भी जोड़ सकते हैं और हर एक की अलग .txt फ़ाइल एक .zip में ले सकते हैं। वही विकल्प और पेज की सीमा हर फ़ाइल पर लागू होती है।
क्या PDF के आकार की कोई सीमा है?
150 MB तक की PDF खुल सकती हैं, और एक बार में अधिकतम 3,000 पेज पढ़े जाते हैं। पेज एक-एक करके प्रोग्रेस बार और रद्द करें बटन के साथ प्रोसेस होते हैं, इसलिए 200 पेज की फ़ाइल से टैब जमता नहीं। पासवर्ड वाली PDF के लिए पासवर्ड माँगा जाता है, और उसे सिर्फ़ आपके डिवाइस पर फ़ाइल खोलने के लिए इस्तेमाल किया जाता है।