PDF डुप्लिकेट पेज फ़ाइंडर

ब्राउज़र में चलता है नया PDF विश्लेषण और मरम्मत

PDF डालें और हर पेज की तुलना बाक़ी पेजों से होती है: उसके टेक्स्ट से, ताकि सिर्फ़ पेज नंबर या तारीख़ में अलग पेज भी मिल जाए, और पेज की छोटी तस्वीर से, उन स्कैन के लिए जिनमें टेक्स्ट नहीं है। हर समूह अपने पेज नंबर बताता है और यह कि पेज हूबहू एक जैसे हैं, उनका टेक्स्ट एक है, टेक्स्ट लगभग एक है, या वे सिर्फ़ दिखने में एक जैसे हैं। कुछ हटाया नहीं जाता; प्रतियाँ हटानी हों तो बाद में Delete PDF Pages इस्तेमाल करें।

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

PDF फ़ाइल के अंदर क्या होता है, और उसकी मरम्मत क्या करती है?

PDF में एक हेडर होता है जो उसका वर्ज़न बताता है, क्रमांकित ऑब्जेक्ट (पेज, फ़ॉन्ट, इमेज, स्ट्रीम) की बॉडी, एक क्रॉस-रेफ़रेंस टेबल जो दर्ज करती है कि हर ऑब्जेक्ट कहाँ शुरू होता है, और एक ट्रेलर जो कैटलॉग और मेटाडेटा की ओर इशारा करता है। मेटाडेटा Info डिक्शनरी (शीर्षक, लेखक, तारीख़ें, प्रोड्यूसर) में और PDF 1.4 से XMP स्ट्रीम में रहता है; फ़ॉन्ट पूरे एम्बेड, सबसेट या केवल नाम से संदर्भित होते हैं। जो व्यूअर कोई ऑब्जेक्ट न ढूँढ पाए वह क्रॉस-रेफ़रेंस टेबल फिर बनाने के लिए फ़ाइल को स्कैन करता है — मरम्मत यही करती है और फिर से बनी टेबल लिख देती है, जिससे ज़्यादातर "फ़ाइल क्षतिग्रस्त" त्रुटियाँ पेजों को छुए बिना ठीक हो जाती हैं।

PDF डुप्लिकेट पेज फ़ाइंडर कैसे इस्तेमाल करें

  1. PDF डालें (पासवर्ड माँगे तो उसे अनलॉक करें)।
  2. चुनें कि टेक्स्ट कितना मिलता-जुलता होना चाहिए।
  3. "डुप्लिकेट ढूँढें" पर क्लिक करें।
  4. समूह पढ़ें; चाहें तो Delete PDF Pages से प्रतियाँ हटाएँ।

PDF डुप्लिकेट पेज फ़ाइंडर की खूबियाँ

  • हूबहू डुप्लिकेट: वही टेक्स्ट और वही रूप
  • वही टेक्स्ट, अलग रूप
  • 95, 90 या 80% समानता पर लगभग एक जैसा टेक्स्ट
  • स्कैन किए पेज रूप से मिलाए जाते हैं
  • ख़ाली पेज अलग बताए जाते हैं
  • Delete PDF Pages के लिए तैयार पेज नंबर
  • फ़ाइल कभी नहीं बदलती

PDF डुप्लिकेट पेज फ़ाइंडर का उदाहरण

दो बार जोड़ी गई रिपोर्ट

इनपुट:

report.pdf, 24 पेज, थ्रेशोल्ड 90%

आउटपुट:

3 समूह: पेज 4 और 17 हूबहू; पेज 6 और 19 का टेक्स्ट लगभग एक (96%); पेज 22 और 23 दिखने में एक जैसे (टेक्स्ट लेयर नहीं)

PDF डुप्लिकेट पेज फ़ाइंडर के बारे में अक्सर पूछे जाने वाले सवाल

यह कैसे तय करता है कि दो पेज डुप्लिकेट हैं?

यह हर पेज की टेक्स्ट लेयर और पेज की एक छोटी ग्रे तस्वीर पढ़ता है। वही टेक्स्ट और वही तस्वीर हो तो पेज हूबहू हैं; वही टेक्स्ट पर अलग रूप (दूसरा लेआउट या मोहर) "वही टेक्स्ट" है; कम से कम 90% एक जैसा टेक्स्ट — थ्रेशोल्ड बदला जा सकता है — "लगभग एक जैसा" है; और बिना टेक्स्ट वाले पेज सिर्फ़ तस्वीर से मिलाए जाते हैं।

क्या यह स्कैन की गई PDF पर काम करता है?

आंशिक रूप से। स्कैन में टेक्स्ट लेयर नहीं होती, इसलिए उसके पेज सिर्फ़ रूप से मिलाए जाते हैं: दो बार स्कैन किया वही पेज आम तौर पर मिल जाता है, पर खिसका, घूमा या अलग रोशनी वाला दूसरा स्कैन शायद न मिले। टेक्स्ट लेयर जोड़ने के लिए पहले OCR PDF चलाएँ, फिर टेक्स्ट की तुलना के लिए सर्च होने वाली कॉपी जाँचें।

क्या यह डुप्लिकेट पेज हटाता है?

नहीं। यह सिर्फ़ उन्हें बताता है, और आपकी फ़ाइल नहीं बदलती। यह उन पेजों के नंबर देता है जो किसी पिछले पेज को दोहराते हैं, जिन्हें आप Delete PDF Pages में लिख सकते हैं।

ख़ाली पेज अलग क्यों बताए जाते हैं?

सभी ख़ाली पेज एक जैसे दिखते हैं, इसलिए उन्हें डुप्लिकेट गिनने से रिपोर्ट शोर से भर जाती। वे अलग बताए जाते हैं, और आप चाहें तो उन्हें हटा सकते हैं।

क्या पेजों की कोई सीमा है?

एक फ़ाइल में 1,000 पेज तक, क्योंकि हर पेज एक बार रेंडर होता है और लगभग एक जैसे टेक्स्ट की तुलना पेज-दर-पेज होती है। लंबा दस्तावेज़ पहले Split PDF से बाँटें।

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 मुफ़्त अकाउंट चाहिए, और अभी यह टूल चलाने से पहले भी साइन इन माँगता है — 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

हर पेज की टेक्स्ट लेयर pdf.js से पढ़ी और सामान्य की जाती है (केस, स्पेस, विराम चिह्न; कोई भी लिपि)। एक जैसे सामान्य टेक्स्ट वाले पेज समूह में आते हैं, और पेज से बने 32 × 32 ग्रे थंबनेल के सटीक हैश से हूबहू और "वही टेक्स्ट" समूहों में बँटते हैं। बाक़ी पेज शब्दों के 3-शिंगल की Jaccard समानता से मिलाए जाते हैं। एक या दो शब्दों वाले पेज सिर्फ़ हूबहू वही टेक्स्ट होने पर मिलते हैं। बिना टेक्स्ट वाले पेज थंबनेल हैश और 64-बिट डिफ़रेंस हैश (ज़्यादा से ज़्यादा 4 बिट का फ़र्क़) से मिलाए जाते हैं, और लगभग एकसार थंबनेल ख़ाली माने जाते हैं। सब कुछ ब्राउज़र में होता है, और दस्तावेज़ सिर्फ़ पढ़ा जाता है।

संदर्भ

  • ISO 32000-2:2020 — Document management — Portable document format — Part 2: PDF 2.0ISO · 2020वर्तमान PDF मानक: फ़ाइल संरचना, ऑब्जेक्ट, पेज, फ़ॉन्ट, एनोटेशन, फ़ॉर्म और एन्क्रिप्शन।
  • 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।
  • PDF.jsMozillaओपन-सोर्स PDF रेंडरर जो बिना प्लगइन ब्राउज़र में PDF पेज बनाता है — दस्तावेज़ लोकली कैसे प्रीव्यू होते हैं।