PDF से टेक्स्ट निकालें

ब्राउज़र में चलता है OCR और टेक्स्ट

टेक्स्ट लेयर वाली किसी भी PDF से टेक्स्ट निकालें: रिपोर्ट, ई-बुक, Word से निर्यात। हर छपी पंक्ति के लिए एक पंक्ति रखें या पंक्तियों को पैराग्राफ़ में जोड़ें, पेज की सीमाएँ चिह्नित करें, और नतीजा कॉपी या डाउनलोड करें। स्कैन किए पेजों में टेक्स्ट लेयर नहीं होती — टूल यह बताता है और OCR की ओर इशारा करता है।

गोपनीयता: आपके ब्राउज़र में लोकली प्रोसेस होता है। आपकी फ़ाइल अपलोड नहीं होती।

OCR क्या है?

OCR (ऑप्टिकल कैरेक्टर रिकग्निशन) स्कैन किए पेज या फ़ोटो के पिक्सेल को टेक्स्ट में बदलता है: यह लाइनें और शब्द ढूँढता है, हर लिपि के लिए प्रशिक्षित मॉडल से कैरेक्टर पहचानता है, और ऐसा टेक्स्ट देता है जिसे खोजा, कॉपी और इंडेक्स किया जा सके। सटीकता रिज़ॉल्यूशन (300 dpi सामान्य लक्ष्य), कंट्रास्ट, तिरछापन और लिपि पर निर्भर है — अरबी और देवनागरी को अपने भाषा मॉडल चाहिए — और जहाँ महत्व हो वहाँ आउटपुट प्रूफ़रीड करना चाहिए।

PDF से टेक्स्ट निकालें कैसे इस्तेमाल करें

  1. एक PDF छोड़ें।
  2. पेज और लेआउट चुनें।
  3. "टेक्स्ट निकालें" पर क्लिक करें।
  4. .txt कॉपी करें या डाउनलोड करें।

PDF से टेक्स्ट निकालें की खूबियाँ

  • टेक्स्ट लेयर जैसे रीडर देखता है, पेज-दर-पेज
  • पंक्ति या पैराग्राफ़ लेआउट
  • वैकल्पिक पेज विभाजक
  • प्रति पेज अक्षर गिनती
  • खाली (स्कैन) पेज OCR के संकेत के साथ चिह्नित
  • लोकल प्रोसेसिंग

PDF से टेक्स्ट निकालें का उदाहरण

अध्याय 2 का टेक्स्ट पाएँ

इनपुट:

book.pdf, पेज 31-58, पैराग्राफ़

आउटपुट:

book.txt — पैराग्राफ़ के रूप में अध्याय, "--- पेज 31 ---" विभाजक

PDF से टेक्स्ट निकालें के बारे में अक्सर पूछे जाने वाले सवाल

नतीजा खाली या बिगड़ा हुआ क्यों है?

खाली का मतलब पेज इमेज हैं (स्कैन) — OCR PDF या स्कैन को टेक्स्ट में बदलें चलाएँ। बिगड़ा टेक्स्ट आम तौर पर इसलिए कि PDF में फ़ॉन्ट बिना सही Unicode मैप के एम्बेड हैं; उस स्थिति में भी "स्कैन को टेक्स्ट में बदलें", जो रेंडर किए पेजों को पहचानता है, पढ़ने योग्य टेक्स्ट दिला देता है (OCR PDF डिफ़ॉल्ट रूप से उन पेजों को छोड़ देता है जिनमें पहले से टेक्स्ट है)।

क्या दो-कॉलम पेजों के लिए पढ़ने का क्रम सही रहता है?

पंक्तियाँ टेक्स्ट रन की स्थितियों से ऊपर से नीचे और बाएँ से दाएँ (अरबी रन के लिए दाएँ से बाएँ) फिर से बनती हैं। सरल लेआउट क्रम में निकलते हैं; कई-कॉलम पेजों में कॉलम आपस में मिल सकते हैं, जैसा ज़्यादातर एक्सट्रैक्टर करते हैं।

क्या यह हिन्दी और अरबी संभालता है?

हाँ, बशर्ते PDF में असली टेक्स्ट हो। अरबी तार्किक क्रम में निकलती है, पेस्ट के लिए तैयार; देवनागरी संयुक्ताक्षर PDF की अपनी एन्कोडिंग पर निर्भर करते हैं।

क्या मेरी PDF किसी सर्वर पर अपलोड होती है?

नहीं। फ़ाइल आपका ब्राउज़र WebAssembly और JavaScript से खोलता और प्रोसेस करता है; Mutqan Soft या किसी और को कुछ नहीं भेजा जाता। टैब बंद करें और फ़ाइल चली जाती है। नतीजा डाउनलोड करने के लिए सिर्फ़ एक मुफ़्त अकाउंट चाहिए — न सब्सक्रिप्शन, न भुगतान।

क्या यह पासवर्ड वाली PDF पर काम करता है?

हाँ, अगर आप पासवर्ड जानते हैं: फ़ाइल सूची एक बार पासवर्ड पूछती है और फिर हर ऑपरेशन डिक्रिप्ट किए पेजों पर चलता है। नतीजा बिना पासवर्ड सेव होता है जब तक आप उसे दोबारा सुरक्षित न करें।

तकनीकी नोट्स

pdf.js का getTextContent() स्थिति वाले रन देता है; पंक्तियाँ बेसलाइन और x-क्रम से फिर से बनती हैं (वही रूटीन जो विश्लेषण टूल उपयोग करते हैं), फिर वैकल्पिक रूप से खाली पंक्तियों पर पैराग्राफ़ में बहाई जाती हैं।

संदर्भ

  • Tesseract OCR documentationTesseract OCR projectओपन-सोर्स OCR इंजन: समर्थित भाषाएँ और लिपियाँ, इमेज की तैयारी और सटीकता के कारक।
  • PDF Reference — ISO 32000-1:2008 (PDF 1.7), Adobe copyAdobe · 2008मुफ़्त पढ़ने योग्य PDF 1.7 स्पेसिफ़िकेशन: पेज ट्री, कंटेंट स्ट्रीम, मेटाडेटा, अनुमतियाँ और स्टैंडर्ड सिक्योरिटी हैंडलर।