स्कैन की गई PDF में OCR कैसे करें — टेक्स्ट खोजने योग्य और संपादन योग्य

OCR क्या है और यह किसके लिए है?

OCR ऑप्टिकल चरित्र पहचान (Optical Character Recognition) का संक्षिप्त रूप है। यह वह तकनीक है जो कंप्यूटर को एक छवि में दिखाई देने वाले पाठ को "पढ़ने" और इसे वास्तविक, संपादन योग्य और खोजने योग्य डिजिटल पाठ में कनवर्ट करने की अनुमति देती है।

जब आप कागज़ के एक दस्तावेज़ को स्कैन करते हैं — एक हस्ताक्षरित अनुबंध, एक पुरानी चालान, किताब का पृष्ठ — परिणाम एक फोटोग्राफिक छवि है। यद्यपि परिणामी PDF पाठ दस्तावेज़ जैसा दिखता है, यह वास्तव में केवल एक फोटो है। आप पाठ खोजने के लिए Ctrl+F का उपयोग नहीं कर सकते, कोई पैराग्राफ कॉपी नहीं कर सकते, कोई टेक्स्ट चुन नहीं सकते। OCR उस छवि को वास्तविक पाठ दस्तावेज़ में बदल देता है।

OCR की कब आवश्यकता है?

• स्कैन की गई PDF: कागज़ की दस्तावेज़ें जो OCR के बिना स्कैन की गई हैं
• पुरानी चालानें: जब आपको लेखा या डेटाबेस के लिए डेटा कॉपी करने की आवश्यकता हो
• डिजिटलीकृत अनुबंध: विशिष्ट खंडों को खोजने या शर्तें कॉपी करने के लिए
• किताबें और प्रकाशन: सामग्री को डिजिटलाइज़ करने और खोज या उद्धरण के लिए
• दस्तावेज़ों की तस्वीरें: मोबाइल द्वारा ली गई कागज़ की दस्तावेज़ों की तस्वीरें
• अभिलेख फाइलें: ऐतिहासिक दस्तावेज़ों का डिजिटलीकरण
• हाथ से भरी फॉर्म: हाथ से लिखे गए डेटा निकालने के लिए

OCR कैसे काम करता है (सरलीकृत रूप में)

1. पूर्वप्रसंस्करण: छवि में सुधार किया जाता है: विपरीतता बढ़ाई जाती है, झुकाव ठीक किया जाता है (deskewing), पृष्ठभूमि शोर को हटाया जाता है।
2. विखंडन: OCR इंजन पृष्ठ में पाठ क्षेत्र, स्तंभ, तालिकाएं, छवियां और अन्य तत्वों को पहचानता है।
3. वर्णों की पहचान: प्रत्येक वर्ण का विश्लेषण किया जाता है और चयनित भाषा में ज्ञात आकारों के डेटाबेस के साथ तुलना की जाती है।
4. भाषाई सुधार: इंजन पहचान त्रुटियों को सुधारने के लिए भाषा शब्दकोशों का उपयोग करता है।
5. PDF जनरेशन: "अदृश्य" पाठ परत के साथ एक PDF बनाया जाता है मूल छवि पर सुपरइमपोज़ किया जाता है, दृश्य पहलू को संरक्षित करता है लेकिन पाठ को खोजने योग्य बनाता है।

हमारे उपकरण के साथ PDF को OCR कैसे करें

1. उपकरण तक पहुंचें: PDF को OCR करें पर जाएं।
2. अपनी स्कैन की गई PDF अपलोड करें: फाइल को खींचें या चुनें। आप सीधे छवियों को भी अपलोड कर सकते हैं (JPG, PNG, TIFF)।
3. भाषा चुनें: दस्तावेज़ की मुख्य भाषा चुनें (स्पेनिश, अंग्रेजी, फ्रेंच, जर्मन, आदि)। यह सटीकता में महत्वपूर्ण रूप से सुधार करता है।
4. आउटपुट प्रकार चुनें:
   • खोजने योग्य PDF: मूल छवि को बनाए रखता है और अदृश्य पाठ जोड़ता है। मूल जैसा ही दिखता है।
   • संपादन योग्य PDF: छवि को वास्तविक स्वरूपित पाठ से बदलता है। अधिक संपादन योग्य लेकिन मूल डिजाइन को खो सकता है।
5. प्रोसेस और डाउनलोड करें: OCR आकार और जटिलता के आधार पर 10 से 60 सेकंड लगता है।

अनुशंसा: मूल दस्तावेज़ के दिखने को बनाए रखने के लिए (हस्ताक्षर, लोगो, मुहर) और केवल खोज क्षमता जोड़ने के लिए, हमेशा "खोजने योग्य PDF" चुनें। यदि आपको पाठ संपादित करने की आवश्यकता है, तो "संपादन योग्य" चुनें या बाद में हमारे PDF को Word उपकरण का उपयोग करके Word में कनवर्ट करें।

OCR के लिए समर्थित भाषाएं

हमारा OCR उपकरण 100+ भाषाओं का समर्थन करता है, जिनमें शामिल हैं:

OCR में अधिकतम सटीकता के लिए सुझाव

मूल दस्तावेज़ की गुणवत्ता

• अनुशंसित न्यूनतम रिज़ॉल्यूशन: 300 DPI। 200 DPI के नीचे सटीकता में काफी गिरावट आती है।
• विपरीतता: काली पाठ सफेद पृष्ठभूमि पर आदर्श है। हल्के भूरे पाठ सफेद पृष्ठभूमि पर खराब परिणाम देता है।
• झुकाव: यदि दस्तावेज़ 10 डिग्री से अधिक तिरछा है तो OCR सटीकता खो जाती है। हमारा उपकरण छोटे झुकाव को स्वचालित रूप से सुधारता है।
• धब्बे और शोर: धब्बे, मुहर या पाठ पर बहुत पीला कागज़ खराब परिणाम देता है।

OCR कॉन्फ़िगरेशन

• सही भाषा चुनें: यह सटीकता के लिए सबसे महत्वपूर्ण कारक है। अंग्रेजी के लिए कॉन्फ़िगर की गई OCR स्पेनिश में खराब परिणाम देगी (ñ, उच्चारण को भ्रमित करेगी)।
• बहुभाषी OCR का उपयोग करें: यदि दस्तावेज़ में कई भाषाओं में पाठ है, तो दोनों भाषाएं एक साथ चुनें।
• स्तंभों वाले दस्तावेज़ों के लिए: आधुनिक OCR इंजन स्वचालित रूप से कॉलम लेआउट का पता लगाते हैं, लेकिन बहुत जटिल लेआउट (पत्रिकाएं, समाचार पत्र) के लिए सटीकता कम हो सकती है।

मैं OCR से कितनी सटीकता की उम्मीद कर सकता हूं?

आधुनिक OCR सटीकता इष्टतम परिस्थितियों में बहुत अधिक है:

• प्रिंट दस्तावेज़, उच्च गुणवत्ता, 300 DPI: 99%+ सटीकता
• प्रिंट दस्तावेज़, मध्यम गुणवत्ता, 200 DPI: 95-98% सटीकता
• स्कैन की गई दस्तावेज़ धब्बे या झुर्रियों के साथ: 85-95% सटीकता
• हस्तलिखित लेख: 60-80% (हस्तलेख मशीन-प्रिंटेड पाठ से पहचानना बहुत कठिन है)
• सजावटी या स्टाइलीकृत फ़ॉन्ट: चर, कम हो सकता है

बहु-पृष्ठ दस्तावेज़ों में OCR

हमारा उपकरण बहु-पृष्ठ दस्तावेज़ों को एक बार में संसाधित करता है। आपको पृष्ठ दर पृष्ठ OCR करने की आवश्यकता नहीं है। परिणाम एक एकल PDF है जिसमें सभी पृष्ठ खोजने योग्य हैं, मूल क्रम और संरचना को बनाए रखते हैं।

OCR के बाद: निकाली गई पाठ के उपयोग

एक बार PDF में खोजने योग्य पाठ होने के बाद, आप:

• किसी भी PDF रीडर में Ctrl+F के साथ कीवर्ड खोज सकते हैं
• 50-पृष्ठ की किताबों में अनुच्छेद कॉपी कर सकते हैं
• दस्तावेज़ प्रबंधन प्रणाली में दस्तावेज़ को अनुक्रमित कर सकते हैं
• हमारे PDF को Word उपकरण के साथ Word में कनवर्ट कर सकते हैं पूर्ण संपादन के लिए
• पाठ विश्लेषण या AI के लिए ChatGPT जैसे उपकरणों में सामग्री का उपयोग कर सकते हैं