PDF سے متن نکالنے کا ٹول

ایک یا کئی PDFs سے متن نکالیں، جس میں کالم ترتیب سے پڑھے جاتے ہیں، ہائفن سے ٹوٹے الفاظ جڑتے ہیں اور پیراگراف برقرار رہتے ہیں۔ .txt یا Markdown میں محفوظ کریں، یا اسکین شدہ صفحات کو OCR سے پڑھیں۔ فائلیں آپ کے ڈیوائس پر پروسیس ہوتی ہیں اور کبھی اپلوڈ نہیں ہوتیں۔

PDF فائلیں

ابھی کوئی PDF نہیں

متن پڑھنے کے لیے ایک PDF چنیں، یا نمونہ آزما کر دیکھیں کہ کالم، ہائفن والے الفاظ اور ٹیبل کیسے سنبھالے جاتے ہیں۔

آؤٹ پٹ
سادہ پیراگراف۔ ٹیبلز ٹیب سے الگ کی گئی قطاروں میں بدل جاتے ہیں۔
لائن بریکس
ایک پیراگراف کی سطریں جوڑی جاتی ہیں۔ پڑھنے اور دستاویز میں چسپاں کرنے کے لیے بہترین۔
آپشنز

نکالا گیا متن

صفحات
—
الفاظ
—
حروف
—
شروع کرنے کے لیے ایک PDF شامل کریں

PDF آپ کے ڈیوائس پر پڑھی جاتی ہے اور متن وہیں بنتا ہے۔ کچھ اپلوڈ نہیں ہوتا۔

متن کی ترتیب ہر لفظ کی صفحے پر جگہ سے دوبارہ بنتی ہے، اس لیے غیر معمولی لے آؤٹ، تصاویر کے اندر متن اور پیچیدہ ٹیبلز غلط ترتیب میں آ سکتے ہیں۔ اسکین شدہ صفحات کو OCR چاہیے، جو اصل متن سے کم درست ہے۔ نتیجے پر بھروسہ کرنے سے پہلے اسے جانچیں۔

PDF سے متن کیسے نکالیں

PDF سے متن نکالنے کے لیے فائل اوپر والے باکس پر ڈراپ کریں۔ صفحات پڑھے جاتے ہی متن دائیں طرف ظاہر ہوتا ہے، اور آپ اسے کاپی کر سکتے ہیں یا .txt یا Markdown فائل کے طور پر ڈاؤن لوڈ کر سکتے ہیں۔ سب کچھ آپ کے براؤزر میں ہوتا ہے، اس لیے کوئی معاہدہ، بینک اسٹیٹمنٹ یا غیر شائع شدہ مسودہ کبھی سرور پر نہیں جاتا۔

  1. ایک PDF یا کئی شامل کریں۔ اگر آپ صرف دیکھنا چاہتے ہیں کہ ٹول کیا کرتا ہے تو نمونے کا بٹن استعمال کریں۔
  2. سادہ متن یا Markdown چنیں، اور طے کریں کہ سطریں پیراگرافوں میں جوڑی جائیں یا نہیں۔
  3. اگر آپ کو فائل کا صرف حصہ چاہیے تو صفحات کی رینج لکھیں، جیسے 1-3, 5, 8-۔
  4. نتیجہ پوری دستاویز یا صفحہ بہ صفحہ منظر میں جانچیں، پھر کاپی کریں یا ڈاؤن لوڈ کریں۔ کئی فائلوں کے ساتھ سب ڈاؤن لوڈ کریں (.zip) ہر PDF کے لیے ایک متنی فائل دیتا ہے۔

متن کے اوپر کے الفاظ اور حروف کی گنتی منتخب کیے گئے صفحات کے لیے ہے، جو کسی لمبی رپورٹ کی جلدی گنتی کے لیے کام آتی ہے، بغیر ورڈ پروسیسر کھولے۔

کاپی کیا گیا PDF متن ٹوٹا ہوا کیوں لگتا ہے

PDF میں پیراگراف نہیں ہوتے۔ اس میں متن کے ٹکڑے ہوتے ہیں جن کے کوآرڈینیٹس ہوتے ہیں، اور وہ اس ترتیب میں بنائے جاتے ہیں جو اسے بنانے والے پروگرام نے چنی۔ PDF ریڈر میں منتخب کر کے کاپی کریں تو ہر چھپی ہوئی سطر کے آخر میں لائن بریک ملتا ہے، ہائفن سے آدھے کٹے الفاظ ملتے ہیں، اور دو کالم والے مضمون میں بائیں کالم کی پہلی سطر کے بعد دائیں کالم کی پہلی سطر آ جاتی ہے۔

یہ ٹول کوآرڈینیٹس سے ڈھانچہ دوبارہ بناتا ہے:

کاپی کرتے وقت کا مسئلہٹول کیا کرتا ہےآپشن
ہر چھپی ہوئی سطر کے بعد لائن بریکپیراگراف کی سطریں جوڑتا ہے، پیراگراف کے درمیان خالی جگہ رکھتا ہےلائن بریکس
inter-
national دو سطروں میں بٹا ہوا
ہائفن ہٹا کر لفظ جوڑتا ہےہائفن سے ٹوٹے الفاظ درست کریں
کالم آپس میں مل گئےبائیں کالم کو نیچے تک پڑھتا ہے، پھر اگلاکالم ایک کے بعد دوسرا پڑھیں
ہر صفحے پر صفحہ نمبر اور عنواناوپر یا نیچے کے مارجن میں دہرائی جانے والی سطریں ہٹاتا ہےدہرائے جانے والے ہیڈرز، فوٹرز اور صفحہ نمبر ہٹائیں
ٹیبل ایک الفاظ کے سلسلے میں بدل گیاقطاریں اور کالم برقرار رکھتا ہے، ٹیب سے الگ یا Markdown ٹیبل کے طور پرٹیبلز کی شناخت کریں

ہائفن درست کرنے کے آپشن کے بارے میں ایک احتیاط: یہ کسی چھوٹے حرف سے شروع ہونے والے تسلسل کو اس سے پہلے کے لفظ کے ساتھ جوڑتا ہے، اس لیے وہ مرکب لفظ جو کسی ہائفن پر ٹوٹتا ہے، جیسے "well-
known"، "wellknown" بن جاتا ہے۔ ایسی دستاویزات کے لیے جن میں مرکب الفاظ بہت ہوں، یہ آپشن بند کر دیں۔

سادہ متن یا Markdown؟

سادہ متن ای میل، نوٹس ایپ یا ترجمے کے ٹول میں چسپاں کرنے کے لیے سب سے محفوظ انتخاب ہے۔ Markdown اس وقت بہتر ہے جب متن دستاویزات، وکی یا کسی نوٹس ایپ میں جائے جو اسے سمجھتی ہو۔ ٹول فونٹ سائز سے ہیڈنگز کا اندازہ لگاتا ہے: سب سے بڑا ہیڈنگ سائز # بنتا ہے، اگلا ##، پھر ###۔ بلٹ اور نمبر والی فہرستیں اپنے نشان برقرار رکھتی ہیں، اور ٹیبلز Markdown ٹیبلز بن جاتے ہیں۔ وہ PDF جو ہر چیز کے لیے ایک ہی فونٹ سائز استعمال کرے، اس میں ڈھونڈنے کے لیے کوئی ہیڈنگ نہیں ہوتی۔

اسکین شدہ PDFs اور OCR

اسکین ایک صفحے کی تصویر ہوتی ہے، اس لیے اس میں نکالنے کے لیے متن نہیں ہوتا۔ جب کسی صفحے میں متن کی تہہ نہ ہو تو ایک OCR باکس ظاہر ہوتا ہے، جہاں آپ زبان چنتے ہیں اور صفحات پڑھتے ہیں۔ OCR انجن (Tesseract) آپ کے براؤزر میں چلتا ہے۔ انجن اور زبان کا ڈیٹا پہلی بار استعمال پر ڈاؤن لوڈ ہوتا ہے (چند میگابائٹس، کچھ زبانوں کے لیے زیادہ)، اور آپ کے صفحات پھر بھی اپلوڈ نہیں ہوتے۔

یہ ٹول کیا نہیں کر سکتا

تصویر، چارٹ یا ڈرائنگ کا حصہ بننے والا متن PDF میں متن نہیں ہوتا، اور اگر آپ اس صفحے پر OCR استعمال نہ کریں تو وہ چھوڑ دیا جاتا ہے۔ فلوٹنگ باکس، سائیڈ بارز یا تصاویر کے گرد لپٹے متن والے پیچیدہ لے آؤٹ غلط ترتیب میں پڑھے جا سکتے ہیں، اور صفحہ بہ صفحہ منظر ایسے صفحات تیزی سے پہچاننے کا بہترین طریقہ ہے۔ خراب فونٹ انکوڈنگ سے بنی PDFs بگڑے ہوئے حروف دے سکتی ہیں، جو آپ کو کچھ ڈاؤن لوڈ کرنے سے پہلے نتیجے میں نظر آ جائیں گے۔ الٹے لکھے ہوئے متن کو چھوڑ دیا جاتا ہے۔ 150 MB سے بڑی فائلیں قبول نہیں ہوتیں تاکہ ٹیب میموری ختم نہ کرے۔

اکثر پوچھے جانے والے سوالات

PDF سے متن بغیر اپلوڈ کے کیسے نکالوں؟

PDF اس صفحے پر ڈراپ کریں، اور متن چند لمحوں میں دائیں طرف ظاہر ہوتا ہے، کاپی کرنے یا .txt کے طور پر ڈاؤن لوڈ کرنے کے لیے تیار۔ آپ کا براؤزر فائل خود پڑھتا ہے، اس لیے کچھ بھی آپ کے فون یا کمپیوٹر سے باہر نہیں جاتا۔ 20 صفحات کی متنی PDF میں چند سیکنڈ لگتے ہیں۔

PDF سے کاپی کیے گئے متن میں سطریں ٹوٹی ہوئی اور اسپیسنگ عجیب کیوں ہوتی ہے؟

PDF ہر سطر کو صفحے پر الگ ٹکڑوں میں رکھتی ہے، پیراگراف کے طور پر نہیں۔ یہ ٹول ٹکڑوں کو پڑھنے کی ترتیب میں واپس لاتا ہے، ہر پیراگراف کی سطریں جوڑتا ہے، اور لائن کے آخر میں ہائفن سے ٹوٹے الفاظ درست کرتا ہے، تاکہ نتیجہ دستاویز میں صاف چسپاں ہو۔ اگر آپ کو سطریں بالکل ویسی چاہییں جیسی چھپی ہیں تو لائن بریکس کو سطریں برقرار رکھیں پر بدلیں۔

کیا یہ دو یا تین کالموں والی PDFs کو درست ترتیب میں پڑھ سکتا ہے؟

زیادہ تر صورتوں میں، ہاں۔ ٹول ایک واضح عمودی خلا تلاش کرتا ہے اور ہر کالم کو اوپر سے نیچے پڑھتا ہے، پھر اگلے کالم پر جاتا ہے، جبکہ کالموں کے اوپر پوری چوڑائی کا عنوان اوپر ہی رہتا ہے۔ تصاویر کے گرد لپٹا متن، سائیڈ بارز یا بے ترتیب باکس والے میگزین صفحات پھر بھی غلط ترتیب میں آ سکتے ہیں، اس لیے ایسے صفحات صفحہ بہ صفحہ منظر میں جانچیں۔

اسکین شدہ PDF سے متن کیسے نکالوں؟

جب کسی صفحے میں متن کی تہہ نہ ہو تو ظاہر ہونے والا OCR باکس استعمال کریں۔ دستاویز کی زبان چنیں اور صفحات پڑھیں دبائیں۔ OCR انجن آپ کے براؤزر میں چلتا ہے، اور پہلی بار زبان کا ڈیٹا ایک بار ڈاؤن لوڈ ہوتا ہے۔ صاف 300 DPI اسکین اچھی طرح پڑھے جاتے ہیں، جبکہ ٹیڑھی فون کی تصویر بہت کم درست۔ نتیجہ ضرور پروف ریڈ کریں۔

کیا متن کو ہیڈنگز کے ساتھ Markdown میں لے سکتا ہوں؟

ہاں۔ Markdown (.md) چنیں تو بڑا متن ہیڈنگز بن جاتا ہے: سب سے بڑا سائز #، اگلا ##، پھر ###۔ بلٹ اور نمبر والی فہرستیں اپنے نشان برقرار رکھتی ہیں، اور ٹیبلز Markdown ٹیبلز بن جاتے ہیں۔ ہیڈنگز فونٹ کے سائز سے اندازہ کی جاتی ہیں، اس لیے جو PDF ہر جگہ ایک ہی سائز استعمال کرے اس میں کوئی ہیڈنگ نہیں ملے گی۔

صفحات کے ہیڈرز، فوٹرز اور صفحہ نمبر متن سے کیسے ہٹاؤں؟

دہرائے جانے والے ہیڈرز، فوٹرز اور صفحہ نمبر ہٹائیں کا آپشن ٹِک رہنے دیں۔ اوپر یا نیچے کے مارجن کی وہ سطریں جو کم از کم آدھے صفحات پر دہرائی جائیں، اور اکیلے صفحہ نمبر، ہٹا دیے جاتے ہیں۔ صرف ایک صفحے پر آنے والا عنوان رہتا ہے۔ اگر کوئی فوٹر جو آپ کو چاہیے ہٹ رہا ہو تو اس آپشن کو بند کر دیں۔

کیا میں صرف کچھ صفحات سے یا کئی PDFs سے ایک ساتھ متن نکال سکتا ہوں؟

صفحات کے خانے میں مثلاً 1-3, 5, 8- لکھیں تو صرف وہی صفحات پڑھے جاتے ہیں۔ آپ کئی PDFs بھی شامل کر سکتے ہیں اور ہر ایک کی متنی فائل ایک .zip میں ڈاؤن لوڈ کر سکتے ہیں۔ ایک جیسے آپشنز اور صفحات کی رینج ہر فائل پر لاگو ہوتی ہے۔

کیا PDF کے سائز پر کوئی حد ہے؟

150 MB تک کی PDFs کھولی جا سکتی ہیں، اور ایک وقت میں 3,000 صفحات تک پڑھے جاتے ہیں۔ صفحات ایک ایک کر کے پروسیس ہوتے ہیں، پروگریس بار اور منسوخ کریں بٹن کے ساتھ، تاکہ 200 صفحات کی فائل ٹیب کو منجمد نہ کرے۔ پاس ورڈ والی PDFs پاس ورڈ مانگتی ہیں، اور وہ پاس ورڈ صرف آپ کے ڈیوائس پر فائل کھولنے کے لیے استعمال ہوتا ہے۔