OCR क्या है और इसकी जरूरत कब होती है? 20 पेज के स्कैन पर जांच

आसान शब्दों में OCR

स्कैन किया गया पेज कागज की एक फोटो है। आप शब्द पढ़ सकते हैं, पर कंप्यूटर के लिए वे किसी भी दूसरी तस्वीर की तरह धूसर बिंदु हैं। OCR, यानी ऑप्टिकल कैरेक्टर रिकग्निशन, उस तस्वीर में अक्षरों की आकृतियां ढूंढता है और उन्हें असली टेक्स्ट में बदलता है।

PDF में यह टेक्स्ट तस्वीर के पीछे एक अदृश्य लेयर में जाता है, और हर शब्द अपनी ही तस्वीर के ऊपर रखा जाता है। पेज खुद तस्वीर ही रहता है। पर अब किसी शब्द को चुना और कॉपी किया जा सकता है, Ctrl+F उसे ढूंढ लेता है, और स्क्रीन रीडर के पास पढ़ने को कुछ होता है।

इस लेयर के बिना स्कैन सहायक तकनीकों के लिए बंद रहता है। वेब एक्सेसिबिलिटी के दिशानिर्देश W3C लिखता है, और स्कैन की गई PDF के लिए उसकी तकनीक कहती है (पेज अंग्रेजी में है, अनुवाद हमारा): “सहायक तकनीकें शब्दों को न पढ़ सकती हैं, न निकाल सकती हैं।” जब मूल फाइल न बची हो, तो वह जो उपाय बताता है, वह OCR है।

तीन जांच: क्या आपकी PDF को इसकी जरूरत है?

PDF को किसी भी व्यूअर में खोलें और कोई एक शब्द चुनने की कोशिश करें। अगर शब्द एक-एक करके हाइलाइट होते हैं, तो फाइल में पहले से टेक्स्ट है। अगर खींचने पर पूरे पेज पर एक बॉक्स बनता है, या कुछ नहीं होता, तो पेज एक तस्वीर है।

फिर पेज पर दिख रहा कोई शब्द Ctrl+F से खोजें, या Mac पर Cmd+F से। सामने दिख रहे शब्द का कोई नतीजा न मिले, तो उसके पीछे कोई टेक्स्ट नहीं है। अगर कॉपी की गई लाइन पेस्ट करने पर ऊटपटांग अक्षर देती है, तो लेयर आम तौर पर होती है, पर गलत।

PDF में OCR करें आपके लिए यही जांच करता है। प्रीव्यू के नीचे “तैयार फाइल की जांच” तालिका खुले हुए पेज के लिए “टेक्स्ट लेयर, पेज 1” पहले और बाद में दिखाती है। हमारे स्कैन पर पहले “नहीं” और बाद में “हां” लिखा था; वेब पेज से प्रिंट की गई PDF पर शुरू से ही “हां” था।

20 पेज के स्कैन में OCR ने क्या बदला

23 अक्टूबर 2026 को हमने 5,548 शब्दों वाले 20 पेज के एक टेक्स्ट डॉक्यूमेंट से टेस्ट स्कैन बनाया। हर पेज 200 ppi पर 1700 × 2200 पिक्सल की एक धूसर JPEG बना, और फाइल में कोई टेक्स्ट नहीं था। स्कैन का साइज 83,02,321 बाइट था, जिसे टूल 7.9 MB दिखाता है।

हमने Mac पर Chrome में “PDF में OCR करें” उसकी डिफॉल्ट सेटिंग के साथ चलाया: अंग्रेजी, “मौजूदा टेक्स्ट छोड़ें”, “तिरछे पेज सीधे करें” और “पेज अपने आप घुमाएं”। “टेक्स्ट पहचानें” दबाने के 50.7 सेकंड बाद परिणाम तैयार था, अपलोड समेत। पेज पर लिखा था: “सर्वर रिपोर्ट: 20 में से 20 पेज पर टेक्स्ट मिला।”

फिर हमने परिणाम से टेक्स्ट निकाला और उसकी मूल से शब्द-दर-शब्द तुलना की। 5,548 में से 5,536 शब्द मेल खाए, यानी 99.78%। जो छूटे, वे संख्याएं थीं, जैसे 4, 7 और 636, और एक शब्द। “warranty” की खोज में 243 नतीजे मिले, ठीक उतने, जितने मूल डॉक्यूमेंट में थे।

पेज तस्वीर ही रहे, सभी 20, उसी क्रम में। टेक्स्ट लेयर से फाइल भारी नहीं हुई: वह 7.6 MB की होकर लौटी, स्कैन से 4% हल्की। उसमें हेडिंग या पढ़ने के क्रम के टैग नहीं थे; W3C की तकनीक इन्हें अलग चरण में जोड़ती है। हमारा स्कैन साफ छपा हुआ टेक्स्ट था; हमने फोन से खींची फोटो या हाथ की लिखावट नहीं जांची।

तिरछा पेज, और तस्वीरों का क्या होता है

स्कैन अक्सर टेढ़े निकलते हैं, इसलिए हमने दो पेज 3 डिग्री घुमाकर भी देखे। “PDF में OCR करें” ने उन्हें सीधा कर दिया: ImageMagick से नापने पर झुकाव 2.96 डिग्री से शून्य हो गया। दोनों पेजों के सभी 549 शब्द मेल खाए, और काम में 15.8 सेकंड लगे।

सीधा करने की एक कीमत है। “तिरछे पेज सीधे करें” चालू होने पर हर पेज की तस्वीर JPEG के रूप में दोबारा सेव हुई, सीधे पेज भी। फिर हमने “और सेटिंग” में इसे और “पेज अपने आप घुमाएं” को बंद किया। वही दो सीधे पेज अपनी तस्वीरों के साथ बाइट-दर-बाइट वैसे ही लौटे, जैसे स्कैन हुए थे। इसलिए जब फाइल में मूल तस्वीरें बनी रहनी चाहिए, तो दोनों बंद करें।

OCR की जरूरत कब नहीं होती

कंप्यूटर पर बनी ज्यादातर PDF में पहले से टेक्स्ट होता है: Word से एक्सपोर्ट की गई फाइल, या ब्राउजर से PDF में प्रिंट किया गया पेज। हमारा 20 पेज का डॉक्यूमेंट ऐसा ही था, Chrome से प्रिंट किया हुआ। “PDF में OCR करें” ने उसे 2.1 सेकंड में लौटा दिया: “इस PDF में पहले से टेक्स्ट लेयर है, इसलिए कुछ नहीं जोड़ा गया।” संदेश ने इसकी जगह “OCR दोबारा करें” की ओर इशारा किया।

“OCR दोबारा करें” गलत टेक्स्ट लेयर के लिए है, काम कर रही लेयर के लिए नहीं। अगर खोज और कॉपी पहले से काम करते हैं, तो लेयर को न छेड़ें।

पहले से टेक्स्ट वाली PDF से शब्द निकालने के लिए PDF से टेक्स्ट उसे आपके ब्राउजर में ही पढ़ता है, बिना अपलोड किए। और जिस फोटो या ड्रॉइंग में कोई शब्द नहीं है, उसमें OCR को ढूंढने के लिए कुछ नहीं मिलता।

हमारा “PDF में OCR करें” कहां रुकता है

“PDF में OCR करें” हमारे सर्वर पर चलता है, आपके ब्राउजर में नहीं। “टेक्स्ट पहचानें” दबाने पर फाइल हमारे सर्वर पर अपलोड होती है और काम पूरा होते ही हटा दी जाती है। परिणाम एक घंटे तक डाउनलोड किया जा सकता है और लगभग दो घंटे में सर्वर से मिट जाता है।

एक काम में 300 MB और 500 पेज तक की एक PDF जाती है। हमारे सर्वर वाले सभी टूल को मिलाकर आप घंटे में 30 काम चला सकते हैं। लंबी किताब हिस्सों में जाती है: किताब स्कैन करने की हमारी गाइड कैमरा, हिस्से और तीनों मोड समझाती है।

यह मेन्यू की 15 भाषाओं में से कोई भी पढ़ता है, एक साथ तीन तक। “टेक्स्ट पहचानें” दबाने से पहले “डॉक्यूमेंट की भाषा” में स्कैन की भाषा चुनें: अंग्रेजी मानकर पढ़ा गया रूसी पेज लैटिन अक्षरों में लौटता है। अगर PDF की जगह एडिट करने लायक डॉक्यूमेंट चाहिए, तो PDF से Word स्कैन को उस भाषा में पहचानता है जो आप “और सेटिंग” में “OCR की भाषा” में चुनते हैं।

तस्वीर या स्क्रीनशॉट के लिए PDF की जरूरत ही नहीं। इमेज से टेक्स्ट JPG, PNG और दूसरी इमेज आपके ब्राउजर में ही पढ़ता है और आपको .txt फाइल देता है। “PDF में OCR करें” PulsarKit के 200 से ज्यादा मुफ्त टूल में से एक है, बिना अकाउंट और बिना सब्सक्रिप्शन के।