स्कैन की गई PDF में OCR करें

स्कैन की गई PDF में 15 भाषाओं में खोजने लायक टेक्स्ट लेयर जोड़ें। टेक्स्ट चुना जा सकेगा, और तिरछे या करवट लेटे पेज सीधे हो जाते हैं, जब तक आप यह बंद न करें। काम हमारे सर्वर पर होता है; फाइलें लगभग दो घंटे में अपने आप हटा दी जाती हैं।

फाइलें यहां छोड़ें

.pdf · 300 MB तक · घंटे में 30 काम तक · फाइल हमारे सर्वर पर अपलोड होती है और काम के बाद हटा दी जाती है; परिणाम लगभग दो घंटे में मिट जाता है

फाइलें चुनें

स्कैन की गई PDF में OCR कैसे करें

1
स्कैन की गई PDF अपलोड करें
ऐसा डॉक्यूमेंट, जो असल में टेक्स्ट की तस्वीर है, 300 MB और 500 पेज तक।
2
डॉक्यूमेंट की भाषा चुनें
अगर डॉक्यूमेंट में कई भाषाएं मिली हुई हैं, तो तीन तक भाषाएं चुनें। यह भी तय करें कि जिन पेजों में पहले से टेक्स्ट है, उन्हें छोड़ना है या नहीं।
3
खोजने लायक PDF डाउनलोड करें
वही पेज, उसी क्रम में, पर अब टेक्स्ट चुना, कॉपी किया और Ctrl+F से खोजा जा सकता है।

तस्वीर वही रहती है, नीचे टेक्स्ट लेयर जुड़ती है

OCR आपके स्कैन को किसी दूसरी तरह के डॉक्यूमेंट में नहीं बदलता। वह हर पेज के शब्द पहचानता है और जो इमेज आप पहले से देखते हैं, उसके पीछे एक अदृश्य टेक्स्ट लेयर ठीक सही जगह पर रख देता है। परिणाम खोलें, तो वह मूल जैसा ही दिखता है। फर्क बस इतना है कि तिरछे पेज सीधे होकर लौटते हैं (नीचे देखें), टेक्स्ट अब चुना जा सकता है, और सर्च इंजन, स्क्रीन रीडर या आपका अपना Ctrl+F उसे पढ़ सकता है। पेजों की संख्या और क्रम में कुछ नहीं बदलता।

तीन स्थितियों के लिए तीन मोड

“मौजूदा टेक्स्ट छोड़ें” डिफॉल्ट है और सबसे सुरक्षित विकल्प भी: जिन पेजों में पहले से टेक्स्ट लेयर है, उन्हें छुआ नहीं जाता, और सिर्फ वे पेज पहचाने जाते हैं जो पूरी तरह इमेज हैं। “OCR दोबारा करें” पहले से मौजूद टेक्स्ट लेयर को बदल देता है; यह तब काम आता है, जब पिछली OCR ठीक से नहीं हुई थी। यह मोड पेज सीधे करने के साथ काम नहीं करता, इसलिए इसे चलाने से पहले “और सेटिंग” में “तिरछे पेज सीधे करें” बंद करें। “हर पेज पर OCR” मौजूदा टेक्स्ट को नजरअंदाज करता है और हर पेज को इमेज मानकर फिर से पहचानता है। यह तब जरूरी है, जब टेक्स्ट लेयर मौजूद तो है, पर गलत है, बिगड़ा हुआ है या किसी गलत पहचान के बाद बचा रह गया है।

पहचान से पहले पेज सीधा करना, घुमाना और साफ करना

हल्के कोण से खींचा गया या उल्टा पकड़ा गया स्कैन पहचान की सटीकता को बहुत बिगाड़ देता है। इसलिए Tesseract के पेज देखने से पहले ही डिफॉल्ट रूप से पेज सीधा करना (डेस्क्यू) और अपने आप घुमाना चलता है, और परिणाम में सीधा किया हुआ पेज ही जाता है। हर पेज को बिल्कुल वैसा ही रखने के लिए “और सेटिंग” में दोनों बंद करें। जिन स्कैन में कागज की बनावट दिखती है या पीछे की तरफ का छपा हुआ झलकता है, उनके लिए बैकग्राउंड साफ करने का अलग विकल्प है; इससे काम थोड़ा ज्यादा देर चलता है।

हमारे सर्वर पर प्रोसेसिंग, फाइलें अपने आप हटती हैं

कई पेज के स्कैन को भरोसे के साथ पहचानने के लिए सर्वर पर चलने वाला असली OCR इंजन चाहिए, ब्राउजर में चलने वाला अंदाजन तरीका नहीं। इसलिए फाइल प्रोसेसिंग के लिए हमारे सर्वर पर अपलोड होती है। काम पूरा होते ही अपलोड की गई फाइल हटा दी जाती है। परिणाम एक घंटे तक डाउनलोड किया जा सकता है और लगभग दो घंटे में सर्वर से मिट जाता है, चाहे आप उसे डाउनलोड करें या नहीं। न कोई अकाउंट है, न हाथ से कुछ हटाना पड़ता है।

अक्सर पूछे जाने वाले सवाल

फाइल सर्वर पर कितनी देर रहती है?

काम पूरा होते ही अपलोड की गई PDF हटा दी जाती है। खोजने लायक PDF एक घंटे तक डाउनलोड की जा सकती है और लगभग दो घंटे में सर्वर से मिट जाती है, चाहे आप उसे डाउनलोड करें या नहीं।

कौन-सी भाषाएं सपोर्ट होती हैं?

पंद्रह। अगर एक ही फाइल में कई भाषाएं मिली हुई हैं, तो आप एक साथ तीन तक भाषाएं चुन सकते हैं।

मौजूदा टेक्स्ट छोड़ने और जबरन OCR में क्या फर्क है?

“मौजूदा टेक्स्ट छोड़ें” उन पेजों को नहीं छूता, जिनमें पहले से टेक्स्ट है, और सिर्फ उन पेजों को पहचानता है जिनमें केवल इमेज है। “हर पेज पर OCR” हर पेज को फिर से पहचानता है, चाहे उसमें पहले से टेक्स्ट हो या नहीं। यह तब काम आता है, जब मौजूदा टेक्स्ट लेयर गलत या बिगड़ी हुई हो।

फोन से खींची गई फोटो पर पहचान खराब क्यों आती है?

पहचान की सटीकता बहुत हद तक इस पर निर्भर करती है कि मूल पेज समतल हो, उस पर अच्छी रोशनी हो और कोण एक जैसा हो। पेज सीधा करना और घुमाना चालू करने से मदद मिलती है, पर गहरी छाया, धुंधलेपन या तेज कोण वाली फोटो की पहचान फिर भी फ्लैटबेड स्कैन से खराब रहेगी।

क्या पेजों का रूप बदलता है?

सिर्फ वहां, जहां पहचान के लिए जरूरी हो। डिफॉल्ट रूप से तिरछा स्कैन सीधा किया जाता है और करवट या उल्टा पड़ा पेज सीधा घुमाया जाता है, और ये पेज परिणाम में ऐसे ही आते हैं। हर पेज को पहले जैसा रखने के लिए “और सेटिंग” में “तिरछे पेज सीधे करें” और “पेज अपने आप घुमाएं” बंद करें। “हर पेज पर OCR” भी हर पेज को इमेज में बदल देता है।

क्या PDF की जगह सादा टेक्स्ट मिल सकता है?

हां। “साथ में सादी टेक्स्ट फाइल भी दें” विकल्प चालू करें, और आपको एक ZIP मिलेगा, जिसमें PDF और एक सादी .txt फाइल, दोनों होंगी।

यहां PDF/A का विकल्प क्यों नहीं है?

PDF/A के लिए अलग टूल है, “PDF को PDF/A में कन्वर्ट करें”। वह आर्काइव की अतिरिक्त शर्तें संभालता है, जैसे एम्बेड किए गए फॉन्ट, कलर प्रोफाइल और वैलिडेशन, जिनकी सामान्य OCR को जरूरत नहीं होती।