OCR PDF

ब्राउज़र में चलता है OCR और टेक्स्ट

स्कैन को ऐसी PDF में बदलें जिसमें आप खोज सकें, टेक्स्ट चुन और कॉपी कर सकें। हर पेज Tesseract से लोकली पहचाना जाता है और शब्द ठीक वहीं अदृश्य टेक्स्ट के रूप में लिखे जाते हैं जहाँ छपे हैं; पेज की इमेज अछूती रहती है। जिन पेजों में पहले से टेक्स्ट है वे छोड़ दिए जाते हैं।

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।

बिना टेक्स्ट लेयर वाला पेज पहचाना जाता है, और पर्याप्त विश्वास वाला हर शब्द स्कैन के ऊपर अदृश्य टेक्स्ट के रूप में लिखा जाता है, इसलिए पेज वैसा ही दिखता है पर खोजा जा सकता है।
प्रश्न 1: क्या पेज में पहले से टेक्स्ट लेयर है?हर चुने पेज के लिए पूछा जाता है

  • उत्तर: हाँ

    प्रश्न 2: क्या "जिन पेजों में पहले से टेक्स्ट है उन्हें छोड़ें" चुना है?

    • उत्तर: चुना है (डिफ़ॉल्ट)

      परिणाम: जैसा है वैसा छोड़ा: कोई OCR नहींउसका टेक्स्ट पहले से चुना और खोजा जा सकता है

    • उत्तर: नहीं चुना

      परिणाम: फिर भी पहचाना जाता है, स्कैन की तरह

  • उत्तर: नहीं: स्कैन, सिर्फ़ पिक्सेल

    प्रश्न 3: क्या पहचाने शब्द का विश्वास कम से कम 30% है?पेज 150, 200 या 300 dpi पर रेंडर होकर आपके ब्राउज़र में Tesseract से पढ़ा जाता है

    • उत्तर: हाँ

      परिणाम: अपने छपे शब्द के ऊपर अदृश्य टेक्स्ट के रूप में लिखा जाता हैस्कैन अछूता रहता है; अब आप खोज सकते हैं, टेक्स्ट चुन और कॉपी कर सकते हैंखोजने योग्य PDF

    • उत्तर: नहीं

      परिणाम: टेक्स्ट लेयर से बाहरटेक्स्ट प्रीव्यू और .txt डाउनलोड में फिर भी रहता है

OCR PDF कैसे इस्तेमाल करें

  1. स्कैन की गई PDF छोड़ें।
  2. टेक्स्ट की भाषा(एँ) और रेज़ोल्यूशन चुनें।
  3. "खोजने योग्य बनाएँ" पर क्लिक करें।
  4. खोजने योग्य PDF (और चाहें तो टेक्स्ट) डाउनलोड करें।

OCR PDF की खूबियाँ

  • ब्राउज़र में Tesseract OCR (WebAssembly), मॉडल इसी साइट से
  • हिन्दी, अंग्रेज़ी, अरबी — अकेले या मिलाकर
  • स्कैन के ऊपर शब्द-दर-शब्द अदृश्य टेक्स्ट लेयर
  • जिन पेजों में पहले से टेक्स्ट है वे छोड़े जाते हैं
  • 150 / 200 / 300 dpi
  • विश्वास दिखता है; कम-विश्वास शब्द टेक्स्ट लेयर से बाहर
  • टेक्स्ट प्रीव्यू और .txt डाउनलोड भी

OCR PDF का उदाहरण

हिन्दी और अंग्रेज़ी में 20-पेज का स्कैन किया अनुबंध

इनपुट:

contract-scan.pdf, भाषा: हिन्दी + अंग्रेज़ी, 200 dpi

आउटपुट:

contract-scan-searchable.pdf — वही पेज, अब चुनने और खोजने योग्य; औसत विश्वास 91%

OCR PDF के बारे में अक्सर पूछे जाने वाले सवाल

क्या OCR किसी सर्वर पर होता है?

नहीं। Tesseract आपके ब्राउज़र के अंदर WebAssembly के रूप में चलता है और भाषा मॉडल इस साइट से एक बार डाउनलोड होते हैं (हर भाषा लगभग 3 MB)। स्कैन कभी आपका डिवाइस नहीं छोड़ता।

यहाँ "खोजने योग्य" का क्या मतलब है?

पहचाने शब्द हर पेज के ऊपर अदृश्य टेक्स्ट लेयर के रूप में जोड़े जाते हैं, छपे शब्दों के आकार और जगह से मेल खाते हुए। पेज अब भी स्कैन जैसा दिखता है, पर आप उसमें खोज सकते हैं, टेक्स्ट चुन और कॉपी कर सकते हैं, और फ़ाइल मैनेजर की पूर्ण-टेक्स्ट खोज उसे पाती है।

यह कितना सटीक है?

छपे टेक्स्ट के साफ़ 200–300 dpi स्कैन पर लैटिन लिपि के लिए आम तौर पर 95% से काफ़ी ऊपर और देवनागरी व अरबी के लिए कुछ कम। नतीजा औसत विश्वास दिखाता है, और 30% से कम विश्वास वाले शब्द कचरे की तरह लिखने के बजाय अदृश्य टेक्स्ट लेयर से छोड़ दिए जाते हैं; टेक्स्ट प्रीव्यू और .txt डाउनलोड में हर पहचाना गया शब्द रहता है। हस्तलेख नहीं पहचाना जाता।

कौन सी भाषाएँ समर्थित हैं?

अंग्रेज़ी, अरबी और हिन्दी, अकेले या मिलाकर (जैसे द्विभाषी अनुबंध के लिए हिन्दी + अंग्रेज़ी)। सही भाषा चुनना किसी भी अन्य सेटिंग से ज़्यादा मायने रखता है।

क्या यह फ़ाइल धीमी या बड़ी कर देगा?

टेक्स्ट लेयर प्रति पेज कुछ किलोबाइट जोड़ती है। पहचान में लैपटॉप पर प्रति पेज लगभग 2–6 सेकंड लगते हैं, फ़ोन पर ज़्यादा।

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।

साइज़ की सीमा क्या है?

डेस्कटॉप ब्राउज़र पर प्रति ऑपरेशन 250 MB और 2,000 पेज तक, फ़ोन पर 60 MB और 500 पेज, क्योंकि सब कुछ आपके डिवाइस की मेमोरी में चलता है। फ़ाइल सीमा से बड़ी हो तो टूल शुरू होने से पहले बता देता है।

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

हर पेज pdf.js से चुने dpi पर (रोटेशन लागू करके) रेंडर होकर Tesseract (tesseract.js 7, LSTM best_int मॉडल) को दिया जाता है। शब्द और उनके पिक्सेल बॉक्स पेज के व्यूपोर्ट ट्रांसफ़ॉर्म से वापस मैप होकर एम्बेडेड Cairo / Noto Sans Devanagari फ़ेस से अदृश्य टेक्स्ट (रेंडर मोड 3) के रूप में लिखे जाते हैं, हर शब्द टेक्स्ट मैट्रिक्स से अपने बॉक्स तक खिंचा हुआ, ताकि चयन छपाई का अनुसरण करे। स्कैन की कंटेंट स्ट्रीम अछूती रहती है।

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।