PDF कॉपी-पेस्ट करने पर गलत टेक्स्ट आ रहा है? पहले टेक्स्ट लेयर की जांच करें

यदि कोई PDF देखने में सही लगती है लेकिन पेस्ट करने पर गलत टेक्स्ट आता है, तो पेस्ट किए गए टेक्स्ट को अपने स्रोत के रूप में इस्तेमाल करना तुरंत बंद कर दें। सबसे पहले एक छोटे अंश की तुलना दिखने वाले पेज से करें: कोई नाम, एक वाक्य और कोई संख्या। अगला कदम इस बात पर निर्भर करता है कि फाइल में निकालने योग्य टेक्स्ट बिल्कुल नहीं है, वर्णों की गलत मैपिंग (incorrect character mappings) है, छिपी हुई OCR लेयर गलत है, या फिर पढ़ने के क्रम (reading order) में कोई समस्या है। इन चारों स्थितियों में पूरे दस्तावेज़ पर सीधे OCR चलाना सही पहला कदम नहीं है।

सबसे खतरनाक गलती वह नहीं होती जो निरर्थक (gibberish) दिखे। बल्कि वह होती है जो देखने में बिल्कुल सही लगे: जैसे पेज पर लिखा हो 18 नोटबुक जबकि कॉपी किए गए टेक्स्ट में 13 नोटबुकदिखाई दे। किसी के निजी दस्तावेज़ों का उपयोग किए बिना इस अंतर को स्पष्ट रूप से समझाने के लिए हमने चार डाउनलोड करने योग्य PDF फाइलें तैयार की हैं।

एक छोटे कॉपी-और-तुलना परीक्षण से शुरुआत करें

मूल फाइल में कोई बदलाव न करें और उसकी एक वर्किंग कॉपी खोलें। एक छोटा सा हिस्सा किसी प्लेन-टेक्स्ट एडिटर में पेस्ट करें, फिर एक-एक अक्षर का मिलान पेज से करें। यही प्रक्रिया किसी दूसरे पेज पर और, यदि संभव हो तो, किसी दूसरे PDF रीडर में दोहराएं। यह सिर्फ एक जांच (diagnostic check) है, इस बात का प्रमाण नहीं कि बाकी का पूरा दस्तावेज़ भी सही है।

ये केवल संकेत हैं, किसी एक लक्षण से हर PDF की आंतरिक संरचना पहचानने का अचूक तरीका नहीं। Adobe का सामग्री-पुनः उपयोग संबंधी मार्गदर्शन केवल-छवि (image-only) सामग्री और कॉपी प्रतिबंधों के बीच अंतर स्पष्ट करता है। इनमें से किसी को भी अपने आप क्षतिग्रस्त टेक्स्ट लेयर नहीं माना जाना चाहिए। pypdf निष्कर्षण मार्गदर्शिका अलग से छवियों, टेक्स्ट निष्कर्षण, और तालिकाओं व स्पेसिंग से जुड़ी समस्याओं का विवरण देती है।

किसी लंबी पुस्तक या रिपोर्ट के लिए, उन PDF पृष्ठ संख्याओं को नोट करें जहाँ समस्या आ रही है। एक साफ़-सुथरे शीर्षक पृष्ठ से यह पता नहीं चलता कि कोई परिशिष्ट, स्कैन किया गया अंश, या दो-कॉलम वाला अध्याय ठीक से कॉपी होगा या नहीं।

चार PDFs: पृष्ठ पर क्या दिखता है बनाम निष्कर्षण में क्या मिलता है

हमारे परीक्षण पृष्ठ में चार मूल पंक्तियाँ शामिल हैं, जिनमें ये भी हैं:

संग्रह में 18 नोटबुक हैं।

मद B-204 6 मई को प्राप्त हुआ।

हमने एक सामान्य डिजिटल PDF बनाई और जानबूझकर तीन वैकल्पिक फ़ाइलें तैयार कीं। फिर हमने Poppler और pypdf से उनका टेक्स्ट निकाला। इस परीक्षण में दोनों ही टूल्स ने प्रत्येक फ़ाइल के लिए एक जैसा टेक्स्ट दिया।

सामान्य दिखने वाला डिजिटल पेज भी गलत कॉपी हो सकता है

हमारी तुलना में पहले दो PDF बिल्कुल एक जैसे पिक्सल में रेंडर हुए, फिर भी उनका निकाला गया टेक्स्ट अलग था। दूसरी फ़ाइल में, हमने जानबूझकर एक ToUnicode मैपिंग को बदल दिया: वह जानकारी जिसका उपयोग संग्रहीत कैरेक्टर कोड को यूनिकोड टेक्स्ट में मैप करने के लिए किया जाता है। दिखाई देने वाला अंक 8ही रहा, जबकि निष्कर्षण के बाद मिला 3। pypdf CMap दस्तावेज़ इस मैपिंग तंत्र को स्पष्ट करता है।

यह विफलता के एक तरीके को दर्शाता है, यह दावा नहीं करता कि हर विकृत PDF में यही खराबी होती है। केवल एक गुम ToUnicode प्रविष्टि ही हमारा निदान नहीं है, और मैपिंग को मैन्युअल रूप से संपादित करना आम पाठकों के लिए कोई व्यावहारिक समाधान नहीं है।

सर्च करने योग्य स्कैन में गलत शब्द हो सकते हैं

तीसरी और चौथी PDF भी दिखने में बिल्कुल एक जैसी रेंडर हुईं। एक में गलत अदृश्य टेक्स्ट था; दूसरे में कोई टेक्स्ट नहीं था। तीसरी फ़ाइल में, निष्कर्षण ने चुपचाप एक मात्रा और एक तारीख दोनों को बदल दिया। कोड B-2O4 में अक्षर Oथा, न कि अंक 0 जो इमेज में दिख रहा था।

हमने ये त्रुटियां खुद डाली थीं ताकि यह दिखाया जा सके कि छिपी हुई टेक्स्ट लेयर में किस तरह का बेमेलपन हो सकता है। इन्हें किसी OCR इंजन ने जनरेट नहीं किया था। चौथी फ़ाइल इसके विपरीत स्थिति दिखाती है: एक पठनीय पेज इमेज जिसमें इन टेक्स्ट एक्सट्रैक्टर्स के पास वापस लाने के लिए कुछ भी नहीं है। यह pypdf की प्रलेखित सीमा के अनुरूप है: यह केवल मौजूदा PDF टेक्स्ट निकालता है; यह इमेज के अंदर शब्दों को नहीं पहचानता।

यह परीक्षण क्या सिद्ध करता है—और क्या नहीं

10 सितंबर, 2026 को हमने Poppler 26.08.0 और pypdf 6.10.0 का उपयोग करके चार एक-पेज की फ़ाइलों की जाँच की। विज़ुअल तुलना के लिए Poppler का 144 dpi पर उपयोग किया गया। पिक्सेल समानता दोनों जोड़ों के भीतरबनी रही, सभी चार फ़ाइलों में नहीं: इमेज-आधारित जोड़ा एक अतिरिक्त रेंडरिंग प्रक्रिया से गुज़रा था।

यह एक नियंत्रित प्रदर्शन है, कोई OCR सटीकता बेंचमार्क नहीं। यह बहुभाषी पहचान, जटिल लेआउट, Acrobat सुधार, OCRmyPDF सुधार या BookTranslator अपलोड का परीक्षण नहीं करता है। ये ज्ञात त्रुटियों वाले निर्मित उदाहरण थे, कोई ब्लाइंडेड मूल्यांकन नहीं।

फ़ाइलों के साथ रॉ टेक्स्ट और पिक्सेल परिणाम, पुनरुत्पादन के निर्देश, और जनरेटर उपलब्ध हैं। वे अपने शामिल ओपन फ़ॉन्ट लाइसेंस के साथ एक अपरिवर्तित Noto Sans फ़ॉन्ट का उपयोग करते हैं।

सबसे कम व्यवधान वाला अगला कदम चुनें

निम्नलिखित सुधार के तरीके आधिकारिक दस्तावेज़ों और व्यावहारिक निदान से लिए गए हैं। वे हमारे चार-फ़ाइल प्रयोग के सुधार परिणाम नहीं हैं। एक प्रतिलिपि (कॉपी) पर काम करें और जिस चीज़ पर आप निर्भर हैं उसे बदलने से पहले आउटपुट की पुष्टि कर लें।

यदि आपके पास स्रोत दस्तावेज़ है, तो पहले एक नया एक्सपोर्ट आज़माएँ

मूल वर्ड-प्रोसेसिंग, पब्लिशिंग या टाइपसेटिंग फ़ाइल से एक नई PDF एक उपयोगी पहला विकल्प है। ठीक उसी अंश की तुलना करें जो विफल हुआ था। यह मानकर न चलें कि नया फ़ाइल नाम या सफल एक्सपोर्ट का मतलब है कि उसका टेक्स्ट अब सही है।

किसी संग्रह या प्रकाशक से प्राप्त सामग्री के लिए, जाँचें कि क्या कोई वैकल्पिक टेक्स्ट-युक्त संस्करण मौजूद है। संस्करण और पृष्ठ संदर्भों को संरेखित रखें: किसी भिन्न संस्करण की अधिक स्पष्ट फ़ाइल में वह अंश सुरक्षित नहीं भी रह सकता है जिसकी आपको आवश्यकता है।

यदि किसी स्कैन में पहचान की कुछ त्रुटियाँ हैं, तो उन शब्दों की समीक्षा करें

Acrobat में इसके अंतर्गत एक कार्यप्रवाह प्रलेखित है: Scan & OCR → Correct recognized text। यह आपको स्कैन की गई इमेज के मुकाबले संदिग्ध चिह्नित शब्दों की समीक्षा करने और पहचाने गए टेक्स्ट को सही करने की सुविधा देता है। अपने संस्करण के इंटरफ़ेस के लिए Adobe के वर्तमान सुधार निर्देशों का पालन करें।

संदेह सूची के खाली होने को पूर्णता परीक्षण के रूप में न लें। उन नामों, तारीखों, पहचानकर्ताओं और मात्राओं की स्वतंत्र रूप से तुलना करें जिन्हें आप उद्धृत या अनुवाद करने जा रहे हैं। हमारा जानबूझकर गलत किया गया 13 notebooks उदाहरण दिखाता है कि केवल पठनीय आउटपुट होना ही क्यों पर्याप्त नहीं है।

यदि छिपा हुआ टेक्स्ट बड़े पैमाने पर गलत है, तो redo और force में अंतर समझें

कमांड-लाइन टूल्स का उपयोग करने वाले पाठकों के लिए, OCRmyPDF उन पेजों के लिए अलग-अलग रास्ते प्रलेखित करता है जिनमें पहले से टेक्स्ट मौजूद है:

• --redo-ocr मौजूदा गैर-प्रिंटिंग OCR टेक्स्ट को हटा देता है और प्रिंट करने योग्य टेक्स्ट को OCR से बाहर रखते हुए फिर से पहचान करता है।
• --skip-text टेक्स्ट वाले पेजों को छोड़ देता है। यह किसी मौजूदा गलत टेक्स्ट लेयर का समाधान नहीं है।
• --force-ocr पेज कंटेंट को रेखांकन (rasterize) करता है और परिणामी छवियों पर OCR चलाता है।

इन कार्यप्रणालियों का विवरण OCRmyPDF के मौजूदा-टेक्स्ट त्रुटि दस्तावेज़में दिया गया है। संस्करण 17 में, समकक्ष विकल्प --modeके माध्यम से भी उपलब्ध हैं; पुराने फ़्लैग उपनाम (aliases) बने हुए हैं।

इसके कुछ नुकसान और अपवाद भी हैं। Redo हर ऐतिहासिक OCR व्यवस्था की पहचान नहीं कर सकता; कुछ फ़ाइलें ऐसे टेक्स्ट पर एक अपारदर्शी छवि रख देती हैं जो तकनीकी रूप से प्रिंट करने योग्य होता है। Force प्रिंट करने योग्य टेक्स्ट और वेक्टर कंटेंट को पिक्सल में बदल देता है और इंटरैक्टिव कंटेंट को समतल (flatten) कर देता है। Redo और force किसी मौजूदा स्ट्रक्चर ट्री को फिर से बनाने के बजाय उसे हटा भी देते हैं। इनमें से किसी को भी चुनने से पहले OCRmyPDF का उन्नत दस्तावेज़ देखें।

इसलिए सुधारा गया एक्सट्रैक्ट कोई एक्सेसिबिलिटी पास नहीं है। यदि दस्तावेज़ को हेडिंग, पढ़ने के क्रम या सुलभ आकृतियों की आवश्यकता है, तो अलग से अनुवादित PDF एक्सेसिबिलिटी जांच.

यदि पेज या भाषाएँ भिन्न हैं, तो यह न मानें कि एक ही सेटिंग सभी के लिए उपयुक्त है

सूची बनाएं कि किन पेजों में पहले से ही विश्वसनीय डिजिटल टेक्स्ट है और किन पेजों को पहचान की आवश्यकता है। OCR कॉन्फ़िगर करने से पहले प्रभावित पेजों पर भाषाओं की जांच करें। हमारी मिश्रित-भाषा PDF OCR गाइड भाषा चयन को कवर करती है; यह तय करना एक अलग निर्णय है कि कोई पुरानी टेक्स्ट लेयर गलत है या नहीं।

यदि बिल्कुल भी कोई टेक्स्ट लेयर नहीं है, तो स्कैन किए गए PDF वर्कफ़्लोपर जाएं। बार-बार किसी अन्य प्लेन टेक्स्ट एक्सट्रैक्टर को आज़माने से pypdf किसी छवि में शब्दों को पहचानने नहीं लगेगा।

उपयोग करने से पहले प्रतिस्थापित टेक्स्ट को सत्यापित करें

उपयोग करें डाउनलोड करने योग्य टेक्स्ट-लेयर चेक शीट का उपयोग करें ताकि दिखने वाला मूल संदर्भ, पिछला एक्सट्रैक्शन और बदला हुआ एक्सट्रैक्शन साथ-साथ रखे जा सकें। पहले उस हिस्से से शुरुआत करें जहाँ समस्या की पुष्टि हो चुकी थी, फिर किसी दूसरे गद्यांश और बिल्कुल अलग पेज लेआउट पर इसका परीक्षण करें।

1. शब्द: नामों और अपरिचित शब्दों की अक्षर-दर-अक्षर तुलना करें।
2. संख्याएँ: मात्राओं, दशमलव बिंदुओं, तिथियों और ऐसे पहचानकर्ताओं की जाँच करें जैसे कि B-204.
3. क्रम: लाइन ब्रेक के पार पूरा पैराग्राफ पढ़ें; कॉलमों और आस-पास के कैप्शनों की अलग से जाँच करें।
4. कवरेज: पुष्टि करें कि आपके काम के पेज और गद्यांश छूट तो नहीं गए हैं।
5. फ़ाइल का व्यवहार: सहेजी गई नई फ़ाइल को फिर से खोलें और कॉपी टेस्ट दोहराएं। यदि आप बुकमार्क, लिंक या सुलभ संरचना पर निर्भर हैं, तो उनकी भी जाँच करें।

चुनिंदा गद्यांशों की सफल जाँच केवल उन्हीं गद्यांशों का प्रमाण देती है। यह पूरी फ़ाइल को प्रमाणित नहीं करती। संदर्भ के रूप में मूल पेज इमेज को सुरक्षित रखें, विशेषकर तब जब आप किसी उद्धरण या किसी अपरिचित भाषा को ठीक कर रहे हों।

अनुवाद तभी करें जब आप स्रोत पर पूरी तरह भरोसा कर सकें

यदि आपका उद्देश्य केवल किसी पैराग्राफ को उद्धृत करना या नोट्स लेना था, तो सत्यापित एक्सट्रैक्ट ही आपका अंतिम पड़ाव हो सकता है। उस काम को पूरा करने के लिए आपको अनुवाद सेवा की आवश्यकता नहीं है।

यदि आपको पूरे दस्तावेज़ को किसी अन्य भाषा में पढ़ने की आवश्यकता है, तो सत्यापित फ़ाइल को ही अपने PDF अनुवादके शुरुआती बिंदु के रूप में उपयोग करें। BookTranslator का OCR Mode पहचाने गए कंटेंट से एक नया अनुवादित PDF तैयार करता है; यह किसी मौजूदा टेक्स्ट लेयर की मरम्मत करने या मूल पेज लेआउट को हूबहू वैसा ही दोबारा बनाने का वादा नहीं करता।

अनुवाद के चरण के दौरान भी संदर्भ पेजों को अपने पास रखें। यहाँ जाँची गई वही मात्राएँ और पहचानकर्ता अंतिम PDF अनुवाद QA पासमें भी परखे जाने चाहिए। एक धाराप्रवाह अनुवाद अपने आप में कभी यह नहीं बता सकता कि उसके स्रोत में 18 की जगह 13.