फाइल प्रोसेसिंग की ऐसी चेन कैसे बनाएं जिसे हर बार दोहरा सकें

असली काम शायद ही कभी एक टूल से पूरा होता है

कागज के डॉक्यूमेंट को काम लायक डिजिटल रूप में लाना ऐसे काम की अच्छी मिसाल है, जो कभी एक चरण में नहीं होता। पहले कैमरे से पेज की फोटो लेनी होती है और उसे सीधा करना होता है (JPG से PDF फोटो को पेज में बदलता है)। फिर PDF में OCR करें से टेक्स्ट पहचाना जाता है, ताकि उसमें सर्च हो सके। अक्सर इसके बाद PDF कंप्रेस करें से भी गुजारना पड़ता है, ताकि परिणाम ईमेल से भेजने लायक छोटा हो जाए। इनमें से हर एक अलग टूल है, जो एक काम अच्छे से करता है। इनके बीच का क्रम है: स्कैन, फिर पहचान, फिर कंप्रेशन, ठीक इसी क्रम में। अगर इसे हर बार नए सिरे से याद करना पड़े, तो इसी हिस्से में गलती करना या कुछ भूल जाना सबसे आसान है।

क्रम छोटी बात नहीं है, और गलत क्रम असली मेहनत बर्बाद करता है

टेक्स्ट पहचान चलाने से पहले डॉक्यूमेंट को कंप्रेस करना, उल्टे क्रम के मुकाबले बुरा विकल्प है। कंप्रेशन स्कैन की इमेज को कुछ धुंधला कर देता है, और उसके बाद चलने वाली पहचान को उसी धुंधली इमेज से काम चलाना पड़ता है। मूल, ज्यादा शार्प स्कैन के मुकाबले यह काम कठिन है, और पहचान कम सटीक होती है। यही तर्क दूसरी तरह की फाइलों पर भी लागू होता है। जो वीडियो कंप्रेस करने और किसी प्लेटफॉर्म के हिसाब से ढालने से पहले काम की लंबाई तक कट कर लिया जाए, उसे दोबारा एनकोडिंग की कीमत सिर्फ एक बार चुकानी पड़ती है। उल्टे क्रम में आप वह फुटेज भी दोबारा एनकोड करते हैं, जो वैसे भी फेंकी जाने वाली है। परिणाम फिर भी ठीक दिख सकता है, और इसी वजह से यह गलती बार-बार दोहराई जाती है: कुछ फेल नहीं होता, बस खर्च ज्यादा होता है और नतीजा जरूरत से थोड़ा खराब निकलता है।

सेव किया गया क्रम दरअसल लिखकर रखे गए फैसले हैं

चरणों की चेन सेव करने का फायदा अपने आप में रफ्तार नहीं है। फायदा यह है कि क्रम और टूल के बारे में फैसले सिर्फ एक बार, सही तरीके से लेने पड़ते हैं, न कि हर उस डॉक्यूमेंट के लिए याद के सहारे दोबारा, जिसे वैसा ही काम चाहिए। स्कैन, फिर पहचान, फिर कंप्रेशन: एक बार बनाया और सेव किया गया यह क्रम अगले पचास डॉक्यूमेंट पर बिना कुछ दोबारा तय किए दोहराया जा सकता है। इससे भी जरूरी बात यह है कि सैंतीसवें डॉक्यूमेंट पर कोई गलती से पहचान से पहले कंप्रेशन नहीं कर बैठता, जो तब होता है जब क्रम कहीं लिखा ही न गया हो।

अगले टूल में डालने से पहले परिणाम की जांच

कई चरणों वाली चेन में बेहतर है कि हर चरण के बाद रुका जाए, न कि शुरू से आखिर तक आंख मूंदकर एक ही पाइपलाइन चलाई जाए। स्कैन से टेढ़ा निकला पेज या टेक्स्ट पहचान में गलत पढ़ा गया नाम उसी चरण के ठीक बाद सुधारना कहीं सस्ता पड़ता है। चार चरणों वाली चेन के आखिर में पता चले, तो गड़बड़ी को उस चरण तक वापस खोजना, जहां वह पैदा हुई, असली मेहनत मांगता है। अगले टूल में भेजने से पहले बीच के परिणाम पर एक नजर डाल लेना छोटी-सी आदत है। इससे शुरुआत के पास के एक खराब चरण की वजह से पूरी चेन नए सिरे से दोबारा करने की नौबत नहीं आती।

यह पैटर्न डॉक्यूमेंट से कहीं आगे तक लागू होता है

इसी तरह की समस्या कागजी डॉक्यूमेंट के बाहर भी लगातार सामने आती है: कई अलग टूल, उनके बीच एक तय क्रम, और क्रम गलत होने की असली कीमत। किसी फोटो का बैकग्राउंड पहले बैकग्राउंड हटाएं से हटाना और फिर किसी खास लिस्टिंग के लिए उसे रिसाइज करना पड़ सकता है। किसी वीडियो को प्लेटफॉर्म के फ्रेम साइज में ढालने से पहले वीडियो कटर से गुजारना पड़ सकता है। इस पैटर्न को पहचानना ही काम की बात है। चेन बस एक व्यावहारिक तरीका है, ताकि हर उस फाइल पर, जिसे उसी क्रम में वही गिने-चुने चरण चाहिए, इसे बार-बार नए सिरे से न पहचानना पड़े।

चरण-दर-चरण: स्कैन की चेन, एक टूल से अगले तक

पेजों की फोटो लें और उन्हें JPG से PDF में डालें, एक बार में 200 फोटो तक, फिर थंबनेल खींचकर पढ़ने के क्रम में लगाएं; पेज साइज का विकल्प फोटो के हिसाब से फिट पर ही रहने दें, तो हर पेज ठीक अपनी फोटो जितना बड़ा बनता है। परिणाम के पेज एक बार पलटकर देख लें, PDF डाउनलोड करें और उसी टैब में PDF में OCR करें खोलें। डाउनलोड की गई फाइल उस टैब में एक घंटे तक हाथ के पास रहती है, इसलिए OCR पेज के ऊपर एक लाइन बताती है कि आपके पिछले चरण की फाइल अभी यहीं है, और एक क्लिक उसे डाउनलोड फोल्डर से गुजरे बिना सही जगह रख देता है।

इस चेन में OCR अकेला चरण है, जिसे ब्राउजर की जगह हमारे सर्वर की जरूरत होती है। फाइल डालने की जगह यह बात कुछ भी डालने से पहले बता देती है, साथ में यह भी कि अपलोड की गई फाइल और परिणाम कब हटाए जाते हैं। डॉक्यूमेंट की भाषा चुनें, अगर उसमें कई भाषाएं मिली हैं तो तीन तक, पेज सीधा करने और अपने आप घुमाने के विकल्प चालू रहने दें, और परिणाम के एक-दो पेज पर Ctrl+F आजमाएं। PDF कंप्रेस करें उन टूल में है, जो ठीक उस परिणाम के नीचे दिखते हैं, इसलिए सर्च करने लायक फाइल सीधे उसमें चली जाती है: ईमेल से जाने वाले डॉक्यूमेंट के लिए संतुलित मोड ठीक है, तय सीमा वाले पोर्टल के लिए टारगेट साइज, और टेक्स्ट लेयर दोनों में बची रहती है।