ہر PDF کو ریکگنیشن کی ضرورت نہیں ہوتی۔ ایک ڈیجیٹل دستاویز، یا ایک اسکین جسے پہلے ہی پہچانا جا چکا ہو، اس میں ایک ٹیکسٹ لیئر ہو سکتی ہے جسے براہ راست ایکسپورٹ کیا جا سکتا ہے۔ PDF ٹو ٹیکسٹ آپ کو وہ ذخیرہ شدہ مواد دیتا ہے۔ کلید یہ ہے کہ نکالنے کو OCR سے الگ کیا جائے اور الفاظ کو دوبارہ استعمال کرنے سے پہلے پڑھنے کی ترتیب کا جائزہ لیا جائے۔
یہ مثال ایک عوامی ورکشاپ پیکٹ کا استعمال کرتی ہے جس میں موجودہ ٹیکسٹ لیئر ہے۔ نکالے گئے الفاظ کا موازنہ مرئی ماخذ کے ساتھ کریں، بجائے اس کے کہ اسے تصویر کی ریکگنیشن سمجھیں۔
چیک کریں کہ آیا PDF میں پہلے سے متن موجود ہے
PDF کو ٹیکسٹ میں کھولیں اور دستاویز کا انتخاب کریں۔ ڈیجیٹل رپورٹ یا پہلے سے OCR پروسیس شدہ اسکین میں وہ الفاظ پہلے سے موجود ہو سکتے ہیں جن کی آپ کو ضرورت ہے۔
اگر فائل صرف امیج اسکین ہے، تو نکالنا اس کے پکسلز سے متن نہیں بنائے گا۔ خالی ٹیکسٹ لیئر کو بار بار ایکسپورٹ کرنے کے بجائے PDF OCR استعمال کریں۔
صفحات اور آؤٹ پٹ کی ترتیب منتخب کریں
جب دستاویز کا صرف ایک حصہ متعلقہ ہو تو صفحہ کی حد درج کریں۔ مسلسل پڑھنے کے لیے ایک TXT فائل منتخب کریں، یا صفحہ پر مبنی حوالہ کے لیے الگ فائلیں۔
ایک رینج میں صفحہ نمبر لوڈ کردہ PDF میں پوزیشنوں کا حوالہ دیتے ہیں۔ پرنٹ شدہ صفحہ نمبر تب مختلف ہو سکتا ہے جب فائل میں کور یا غیر نمبر والا تعارف شامل ہو۔
جب PDF میں قابل استعمال ٹیکسٹ لیئر ہو تو OCR سے پہلے ٹیکسٹ نکالنے کی کوشش کریں۔
الفاظ نکالیں اور جائزہ لیں
ذخیرہ شدہ متن نکالنے کے لیے اسٹارٹ پر کلک کریں۔ نتیجے کا موازنہ مرئی ماخذ کے ساتھ کریں، خاص طور پر جہاں صفحے میں کالم، جدول یا فٹ نوٹس ہوں۔
لائن کے آخر میں ہائفن، غیر معمولی حروف اور اہم شناخت کنندگان کو چیک کریں۔ پچھلی OCR غلطی کو ایکسپورٹ میں بالکل اسی طرح کاپی کیا جا سکتا ہے جیسے درست ڈیجیٹل متن۔
اقتباسات نکالتے وقت یا چیک کرتے وقت صفحہ کے حوالہ جات رکھیں۔
متن ڈاؤن لوڈ کریں اور اس کا ماخذ سیاق و سباق برقرار رکھیں
TXT یا ZIP نتیجہ ڈاؤن لوڈ کریں۔ الگ فائلوں کے لیے، صفحہ پر مبنی فائل کے نام اور شامل مشترکہ متن کا استعمال کریں تاکہ یہ ٹریک کیا جا سکے کہ اقتباسات کہاں سے آئے ہیں۔
سادہ متن دوبارہ استعمال کے لیے ہے، نہ کہ PDF کی بصری تولید کے لیے۔ لے آؤٹ یا حوالہ جات چیک کرنے کے لیے ماخذ PDF رکھیں، اور OCR صرف ان صفحات کے لیے استعمال کریں جن کے امیج مواد کو ابھی بھی ریکگنیشن کی ضرورت ہے۔
عام سوالات
کیا PDF to Text، OCR چلاتا ہے؟
نہیں۔ یہ PDF میں پہلے سے موجود ٹیکسٹ کو نکالتا ہے۔ صرف تصویر والے صفحات کے لیے PDF OCR کی ضرورت ہوتی ہے۔
ٹیکسٹ کی ترتیب صفحے سے مختلف کیوں ہے؟
PDF ٹیکسٹ کو پوزیشن والے ٹکڑوں کے طور پر محفوظ کیا جا سکتا ہے۔ کالم، ٹیبل، فٹ نوٹس اور غیر معمولی فونٹ میپنگ ایسی ترتیب پیدا کر سکتے ہیں جس کے لیے سادہ ٹیکسٹ میں نظر ثانی کی ضرورت ہوتی ہے۔
الگ الگ فائلوں والی ZIP کے اندر کیا ہے؟
اس میں ہر منتخب صفحے کے لیے ایک ٹیکسٹ فائل اور ایک مشترکہ ٹیکسٹ فائل ہوتی ہے۔ فائلیں UTF-8 ٹیکسٹ کا استعمال کرتی ہیں۔
کیا ایکسٹریکشن پرانی OCR لیئر سے غلطیوں کو ٹھیک کر سکتی ہے؟
نہیں۔ موجودہ ٹیکسٹ کی غلطیاں ایکسپورٹ میں کاپی ہو سکتی ہیں۔ اہم الفاظ کا موازنہ نظر آنے والے ماخذ سے کریں اور دوبارہ استعمال سے پہلے اسے درست کریں۔
اپنی اگلی دستاویز کو PDF ٹو ٹیکسٹ کے ساتھ تیار کریں۔
جب PDF میں قابل استعمال ٹیکسٹ لیئر ہو تو OCR سے پہلے ٹیکسٹ نکالنے کی کوشش کریں۔
