PDF से Word और वापस: कन्वर्ट करने पर क्या बचता है, क्या नहीं

एक दिशा में ढांचा दोबारा बनाना पड़ता है, दूसरी में बस प्रिंट करना

“Word से PDF” से Word डॉक्यूमेंट को PDF बनाना रेंडरिंग का काम है। डॉक्यूमेंट का अपना लेआउट इंजन पेज को वैसे ही बनाता है, जैसे प्रिंट के लिए बनाता, और PDF उस पहले से सही परिणाम को दर्ज कर लेती है। “PDF से Word” से PDF को वापस एडिट होने वाले Word डॉक्यूमेंट में बदलना उल्टी दिशा का और ज्यादा कठिन काम है। PDF को पैराग्राफ, स्टाइल या डॉक्यूमेंट का ढांचा याद नहीं रहता। उसे बस इतना पता होता है कि टेक्स्ट का हर टुकड़ा पेज पर कहां रखा है। इसलिए Word में लौटने का मतलब है वह ढांचा फिर से बनाना, जो फाइल में कभी रखा ही नहीं गया था, बस चीजों की जगह से झलकता था। पास-पास की दो लाइनें एक पैराग्राफ भी हो सकती हैं और दो भी। कोई खाली जगह पैराग्राफ का अंत भी हो सकती है और कॉलम की सीमा भी। कन्वर्ट करते समय यह तय करना पड़ता है, और यह फैसला सिर्फ जगहों के आधार पर हो सकता है।

PDF पेज पर किसी चीज की जगह से पता नहीं चलता कि वह टेबल थी

PDF में टेबल का कोई अपना कॉन्सेप्ट है ही नहीं। पेज पर जो बिल्कुल सेलों की ग्रिड जैसा दिखता है, वह असल में टेक्स्ट के अलग-अलग टुकड़े हैं, जो बराबर दूरी पर रखे गए हैं। फाइल में कहीं भी ऐसा कोई निशान नहीं होता, जो कहे कि “यह टेबल है”। इस दिखने वाली ग्रिड को Word में असली, एडिट होने वाली टेबल के रूप में फिर से बनाना जरूरी तौर पर अंदाजे पर टिका काम है: ढांचा जगहों से निकाला जाता है। किसी जटिल या बेढंगे लेआउट वाली टेबल को बाद में हाथ से थोड़ा ठीक करना पड़े, तो यह स्वाभाविक है। यह खुद फॉर्मेट की सीमा है, किसी खास कन्वर्टर की ऐसी खामी नहीं, जिसे ठीक किया जा सके।

बहता टेक्स्ट और सटीक लेआउट अलग-अलग सवालों के जवाब हैं

जब डॉक्यूमेंट को बाद में दोबारा लिखा जाना है, तब PDF को ऐसे बहते पैराग्राफ के रूप में बनाना सही है, जो एडिट करने पर अपने आप नई लाइनों में खिसक जाएं। व्यवहार में “एडिट होने लायक” का मतलब यही होना चाहिए। इसके बजाय अगर इसे सटीक लेआउट वाली कॉपी के रूप में बनाया जाए, जिसमें टेक्स्ट का हर ब्लॉक पेज पर अपनी मूल जगह के ज्यादा करीब रहे, तो परिणाम PDF की हूबहू दिखने वाली नकल के ज्यादा पास होता है। कीमत यह है कि बाद में उसके साथ आम बहते टेक्स्ट की तरह काम करना मुश्किल होता है। इनमें से चुनना इस सवाल पर टिका है कि फाइल के साथ आगे क्या होगा, इस पर नहीं कि सिद्धांत में कौन-सा विकल्प मूल के ज्यादा करीब लगता है।

स्कैन की गई PDF के लिए शुरुआत ही अलग चाहिए

स्कैन किया गया डॉक्यूमेंट पेज की एक फोटो है, जिसमें से निकालने लायक कोई टेक्स्ट नहीं होता। इसका मतलब है कि PDF से Word में आम तरीके से ढांचा बनाने के लिए कुछ भी नहीं है: जगह पर रखा कोई टेक्स्ट ही नहीं, जिससे पैराग्राफ और टेबल का ढांचा निकाला जाए। ऐसी हालत को अपने आप पहचानना और Word डॉक्यूमेंट बनाने से पहले OCR (टेक्स्ट पहचान) चलाना ही दूसरी तरफ असली, एडिट और सेलेक्ट होने वाला टेक्स्ट देता है, न कि किसी खाली डॉक्यूमेंट में बेढंगे ढंग से चिपकाई गई पेज की फोटो। अगर आप स्कैन को PDF के रूप में भी रखना चाहते हैं, तो “PDF में OCR करें” उसी तरह की टेक्स्ट लेयर खुद स्कैन में जोड़ देता है।

फॉन्ट ज्यादातर लोगों की उम्मीद से बेहतर बचे रहते हैं

फॉन्ट एम्बेड करने का विकल्प चालू रखकर Word को PDF में कन्वर्ट करने का मतलब है कि डॉक्यूमेंट में इस्तेमाल हुआ टाइपफेस बनी हुई PDF फाइल के अंदर साथ जाता है। इसलिए पेज उस मशीन पर भी हूबहू वैसा ही दिखता है, जिस पर वह फॉन्ट इंस्टॉल नहीं है। जहां किसी वजह से फॉन्ट एम्बेड नहीं हो सकता, वहां उसकी जगह मेट्रिक के हिसाब से संगत फॉन्ट लगाया जाता है, यानी ऐसा फॉन्ट, जिसके अक्षरों की चौड़ाई इतनी मिलती-जुलती हो कि लाइनें कहां टूटती हैं और अंतर कितना है, यह न बदले। इससे डॉक्यूमेंट का लेआउट बना रहता है, भले ही पाने वाले की तरफ ठीक वही टाइपफेस न दिख सके।

आने-जाने में होने वाली आम गलतियां

पहली गलती यह उम्मीद करना है कि वापसी में वही Word फाइल मिलेगी, जिससे आपने शुरुआत की थी। PDF हेडिंग का रूप रखती है, यह तथ्य नहीं कि वह हेडिंग थी, इसलिए “PDF से Word” को स्टाइल और ढांचे का अंदाजा लगाना पड़ता है। मूल DOCX संभालकर रखें और कन्वर्ट की गई कॉपी को नया डॉक्यूमेंट मानें। दूसरी गलती है उस टेक्स्ट के लिए सटीक लेआउट चुनना, जिसे आप दोबारा लिखने वाले हैं: हर ब्लॉक अपनी जगह पर जड़ा रहता है, और एडिट करना बक्से खिसकाने में बदल जाता है। तीसरी गलती है OCR की डिफॉल्ट सेटिंग पर भरोसा करना: जब तक आप पंद्रह दूसरी भाषाओं में से कोई न चुनें, पहचान अंग्रेजी मानकर चलती है, और “ऑटो” सेटिंग फाइल में पहले से मौजूद टेक्स्ट लेयर को रहने देती है। इसलिए गड़बड़ टेक्स्ट वाली PDF के लिए “हमेशा” सेटिंग चाहिए।

दूसरी दिशा में, “Word से PDF” के साथ, आम चूक है बिना देखे भेज देना: जो फॉन्ट एम्बेड नहीं हो सकता, उसकी जगह मेट्रिक के हिसाब से संगत फॉन्ट आ जाता है, इसलिए लाइनें वहीं टूटती हैं, पर टाइपफेस अलग दिख सकता है। पासवर्ड वाली फाइल दोनों दिशाओं में नहीं ली जाती: पहले पासवर्ड हटाएं, PDF के लिए “PDF से पासवर्ड हटाएं” से और DOCX के लिए Word में ही। दोनों कन्वर्टर हमारे सर्वर पर चलते हैं: PDF 300 MB और 500 पेज तक की हो सकती है, फाइल हमारे सर्वर पर अपलोड होती है और काम के बाद हटा दी जाती है; परिणाम लगभग दो घंटे में मिट जाता है।