PDF टेक्स्ट निष्कर्षण बनाम OCR: अनुवाद से पहले सही विकल्प चुनें

जब किसी PDF में पहले से ही भरोसेमंद मशीन-पठनीय टेक्स्ट मौजूद हो, तो टेक्स्ट निष्कर्षण (extraction) का उपयोग करें। जब किसी पृष्ठ में केवल टेक्स्ट की छवि (image) हो, तो OCR का उपयोग करें। यदि किसी पृष्ठ की मौजूदा टेक्स्ट लेयर ही गलत है, तो इनमें से कोई भी नियम पर्याप्त नहीं है: आपको उस लेयर को बनाए रखने, बदलने या फिर से बनाने का निर्णय लेने से पहले निकाले गए शब्दों की दृश्य पृष्ठ से तुलना करनी होगी।

यह निर्णय अनुवाद से पहले लिया जाना चाहिए। कोई भी अनुवादक उस संख्या, नाम या वाक्य को पुनर्प्राप्त नहीं कर सकता जो वर्कफ़्लो में गलत तरीके से दर्ज हुआ हो। वह केवल उसी स्रोत का अनुवाद कर सकता है जो उसे प्राप्त होता है।

त्वरित निर्णय तालिका

केवल फ़ाइलों का ही नहीं, बल्कि पृष्ठों का परीक्षण करें। एक ही PDF में डिजिटल शीर्षक पृष्ठ, स्कैन किए गए अध्याय और पुराने OCR वाले इंसर्ट्स का मिश्रण हो सकता है।

शब्दों को सेलेक्ट कर पाना केवल इस बात का प्रमाण है कि कोई टेक्स्ट ऑब्जेक्ट मौजूद है। यह साबित नहीं करता कि टेक्स्ट पेज से मेल खाता है। इसके विपरीत, कॉपी टेस्ट का विफल होना यह साबित नहीं करता कि पूरी PDF केवल इमेज ही है।

हमारा चार-पेज का मिक्स्ड-PDF टेस्ट

हमने ज्ञात कंटेंट के साथ एक डाउनलोड करने योग्य चार-पेज की PDF तैयार की। इसमें कोई निजी या थर्ड-पार्टी दस्तावेज़ शामिल नहीं है:

1. एक बॉर्न-डिजिटल पेज;
2. एक केवल-इमेज वाला पेज;
3. सही छिपी हुई टेक्स्ट लेयर वाला स्कैन जैसा दिखने वाला पेज;
4. जानबूझकर भ्रामक छिपी हुई टेक्स्ट लेयर वाला स्कैन जैसा दिखने वाला पेज।

प्रत्येक पेज के लिए, हमने मौजूदा PDF डेटा पर Poppler pdftotext चलाया। अलग से, हमने पेज को 300 dpi पर रेंडर किया और उस इमेज पर Tesseract चलाया। दृश्य संदर्भ दोनों टेस्ट से पहले तय किया गया था।

मुद्दा यह नहीं है कि Tesseract हमेशा जीतता है। इस साफ-सुथरे अंग्रेज़ी नमूने पर यह सफल रहा क्योंकि हमने इस पेज को निर्णय को अलग से परखने के लिए ही तैयार किया था। शोरगुल वाले स्कैन, असामान्य लिपियों, तालिकाओं, हस्तलेखन या जटिल लेआउट पर, नया OCR अलग-अलग तरीकों से विफल हो सकता है।

यह पेज-दर-पेज परिणाम, निर्णय शीट, पुनरुत्पादन नोट्स, और जेनरेटर फिक्सचर के साथ उपलब्ध हैं। 21 सितंबर 2026 को दर्ज किए गए संस्करण Poppler pdftotext 26.08.0 और Tesseract 5.5.3 थे।

यह परीक्षण क्या साबित करता है—और क्या नहीं

यह साबित करता है कि देखने में पढ़ने योग्य चार पेजों के लिए अनुवाद से पहले तीन अलग-अलग तरीकों की आवश्यकता हो सकती है। यह यह भी साबित करता है कि खोजने योग्य टेक्स्ट सही प्रतीत होते हुए भी पेज की वास्तविक सामग्री से भिन्न हो सकता है।

यह सामान्य OCR सटीकता, पाठक सुगमता, टेबल रिकवरी, बहुभाषी पहचान या BookTranslator के अपलोड व्यवहार को नहीं मापता है। पेज सरल हैं और चौथे पेज पर त्रुटियां जानबूझकर डाली गई थीं; Tesseract ने उन्हें उत्पन्न नहीं किया था।

एक्सट्रैक्शन और OCR अलग-अलग प्रक्रियाएं क्यों हैं

टेक्स्ट एक्सट्रैक्शन PDF में पहले से संग्रहीत टेक्स्ट ऑब्जेक्ट्स को पढ़ता है। OCR पिक्सल में वर्णों की पहचान करता है। वर्तमान pypdf एक्सट्रैक्शन गाइड भी यही अंतर स्पष्ट करती है: pypdf मौजूदा टेक्स्ट लेयर को पढ़ सकता है, लेकिन किसी इमेज के अंदर मौजूद शब्दों को पहचान नहीं सकता।

यह अंतर इसलिए मायने रखता है क्योंकि एक डिजिटल PDF में ऐसी जानकारी हो सकती है जिसे रेखांकन (rasterizing) करने पर वह नष्ट हो जाती है या उसे दोबारा प्राप्त करना कठिन हो जाता है: कैरेक्टर एन्कोडिंग, फ़ॉन्ट की जानकारी, लिंक, वेक्टर ग्राफिक्स और अन्य दस्तावेज़ ऑब्जेक्ट्स। pypdf स्पष्ट रूप से डिजिटल रूप से निर्मित (born-digital) फ़ाइलों के लिए OCR को सार्वभौमिक विकल्प न मानने की सलाह देता है। यह एक अन्य सीमा की भी व्याख्या करता है: PDF आमतौर पर टेक्स्ट को विज़ुअल प्लेसमेंट के लिए संग्रहीत करता है, न कि सिमेंटिक पैराग्राफ, टेबल या हेडिंग के रूप में।

इसलिए प्रीफ़्लाइट जांच में दो स्वतंत्र प्रश्न शामिल होने चाहिए:

1. क्या वर्ण सही हैं? निकाले गए नामों, संख्याओं, विराम चिह्नों और अपरिचित शब्दों की तुलना पेज से करें।
2. क्या संरचना उपयोग योग्य है? एक पूरा पैराग्राफ पढ़ें, फिर कॉलम, फुटनोट, टेबल, कैप्शन और पेज सीमाओं की जांच करें।

गलत क्रम में सही वर्ण भी अनुवाद के लिए एक त्रुटिपूर्ण स्रोत ही होते हैं।

अनुवाद से पहले पेज-स्तरीय प्रीफ़्लाइट जांच

1. मूल फ़ाइल को सुरक्षित रखें

एक अपरिवर्तित स्रोत फ़ाइल रखें और यदि दस्तावेज़ महत्वपूर्ण है तो उसका हैश रिकॉर्ड करें। सभी प्रयोग प्रतियों पर करें। किसी अपूर्ण टेक्स्ट लेयर को बदलने से वेक्टर सामग्री फ़्लैट हो सकती है या वह जानकारी नष्ट हो सकती है जिसकी आपको बाद में आवश्यकता पड़े।

2. पेज प्रकारों की सूची बनाएं

केवल पहले पेज को देखकर निर्णय न लें। शीर्षक सामग्री, सामान्य मुख्य भाग के पेजों, परिशिष्टों, तालिकाओं, चित्रों, इन्सर्ट्स और ऐसे किसी भी पेज का नमूना लें जो फोटो खींचा हुआ या फोटोकॉपी किया हुआ लगता हो।

किसी लंबे दस्तावेज़ के लिए, पेज श्रेणियों को रिकॉर्ड करें:

डाउनलोड करने योग्य CSV हमारे फिक्सचर के लिए इसी पैटर्न का उपयोग करता है।

3. केवल आसान गद्य ही नहीं, बल्कि कठिन टोकन की भी तुलना करें

प्रवाहपूर्ण दिखने वाले वाक्य जांच के लिए पर्याप्त नहीं होते। इनमें शामिल करें:

• किसी व्यक्ति का नाम;
• एक तारीख और एक मात्रा;
• एक पहचानकर्ता (आइडेंटिफायर) जिसमें अक्षर और संख्याएं दोनों हों;
• उच्चारण चिह्न (एक्सेंट) युक्त या गैर-लैटिन टेक्स्ट;
• लाइन ब्रेक के पार जाने वाला वाक्य;
• किसी फ़ुटनोट, चित्र या दूसरे कॉलम के पास का गद्यांश।

यदि जांच केवल सामान्य शब्दों तक ही सीमित रहती, तो हमारे फिक्सचर का चौथा पृष्ठ उपयोगी प्रतीत होता। त्रुटियां मुख्य रूप से O/0, 58/53, और 7.5/7.8में केंद्रित हैं—यह ठीक उसी प्रकार के टोकन हैं जो अनुवाद के बाद संदर्भों और तथ्यों को विकृत कर सकते हैं।

4. अनिश्चितता का ईमानदारी से वर्गीकरण करें

चार परिणामों का उपयोग करें: पास हुआ नमूना, विफल नमूना, कोई निष्कर्षण योग्य टेक्स्ट नहीं, या अभी तक परीक्षण नहीं किया गया। "चयन योग्य" कोई परिणाम नहीं है। न ही "OCR पूरा हो गया" कोई परिणाम है।

नमूना जांच (सैंपलिंग) की अपनी सीमाएं होती हैं। तीन पृष्ठों का पास होना 400 पृष्ठों की पुस्तक को प्रमाणित नहीं करता, विशेष रूप से तब जब फ़ाइल में विभिन्न स्कैन या लेआउट शामिल हों। जहां भी स्रोत सामग्री बदलती है, वहां जांच का दायरा बढ़ाएं।

जांच और निदान के बाद ही OCRmyPDF मोड चुनें

OCRmyPDF का वर्तमान दस्तावेज़ उन पृष्ठों के लिए कई व्यवहारों का वर्णन करता है जिनमें पहले से टेक्स्ट मौजूद है। ये रूटिंग विकल्प हैं, गुणवत्ता की गारंटी नहीं।

• डिफ़ॉल्ट व्यवहार तब रुक जाता है जब किसी पृष्ठ में पहले से ही प्रिंट करने योग्य टेक्स्ट या कोई छिपी हुई OCR लेयर मौजूद होती है, क्योंकि यह भरोसेमंद तरीके से यह नहीं बता सकता कि उसे किस प्रकार का टेक्स्ट मिला है।
• Skip text टेक्स्ट वाले पृष्ठों को बिना किसी बदलाव के कॉपी करता है और अन्य पृष्ठों पर OCR चलाता है। यह मिश्रित फ़ाइल के लिए केवल तभी उपयोगी है जब मौजूदा टेक्स्ट विश्वसनीय हो।
• Redo OCR पहले से मौजूद नॉन-प्रिंटिंग OCR टेक्स्ट को हटा देता है और प्रिंट करने योग्य वेक्टर टेक्स्ट को छोड़ते हुए पृष्ठ को फिर से पहचानता है। यह डिजिटल और पहले OCR किए गए पृष्ठों के मिश्रण के लिए उपयुक्त हो सकता है, लेकिन यह हर ऐतिहासिक व्यवस्था की पहचान नहीं कर सकता।
• Force OCR वेक्टर सामग्री को रैस्टरराइज़ करता है और बनने वाली छवि पर OCR चलाता है। यह किसी खराब लेयर को बदल तो सकता है, लेकिन इसमें जानकारी का नुकसान होता है और यह इंटरैक्टिव सामग्री को फ़्लैट कर सकता है।

ये नियम OCRmyPDF 17.12.1 के मौजूदा-टेक्स्ट त्रुटि दस्तावेज़से लिए गए हैं। कोई भी बैच प्रोसेस चलाने से पहले अपने इंस्टॉल किए गए वर्शन का दस्तावेज़ अवश्य पढ़ें। केवल किसी फ़्लैग का नाम इस बात का प्रमाण नहीं है कि आउटपुट ने बुकमार्क, टैग, लिंक, फ़ॉर्म या एक्सेसिबल संरचना को सुरक्षित रखा है।

हमारे फिक्सचर में, skip-text चौथे पृष्ठ के जानबूझकर गलत रखे गए छिपे हुए टेक्स्ट को बनाए रखेगा। यही कारण है कि बैच मोड चुनने से पहले कॉपी-और-तुलना का चरण पूरा किया जाना चाहिए।

अक्सर होने वाली गलतियां

“यदि टेक्स्ट चयन योग्य है, तो OCR छोड़ दें”

चौथा पृष्ठ इस नियम को गलत साबित करता है। टेक्स्ट का चुना जाना केवल उसकी उपस्थिति दर्शाता है, उसकी सटीकता नहीं।

“सुरक्षित रहने के लिए पूरी PDF पर OCR चलाएं”

यह साफ़-सुथरे डिजिटल पेजों की गुणवत्ता खराब कर सकता है और उपयोगी PDF ऑब्जेक्ट्स को हटा सकता है। यह सिमेंटिक रीडिंग ऑर्डर को स्वचालित रूप से ठीक किए बिना समीक्षा के काम को भी बढ़ा देता है।

“जो भी आउटपुट अधिक स्वाभाविक लगे, उसका उपयोग करें”

यहाँ स्वाभाविकता (fluency) खतरनाक हो सकती है। दिखने वाले मूल पेज से तुलना करें। किसी लैंग्वेज मॉडल द्वारा किसी पहचानकर्ता (आइडेंटिफायर) या संख्या को अपने आप ठीक न करने दें और न ही उस परिणाम को मूल स्रोत प्रमाण मानें।

“एक साफ़ पेज पूरी फ़ाइल का प्रतिनिधित्व करता है”

मिश्रित PDF आम हैं: एक डिजिटल कवर के बाद स्कैन किए गए अध्याय हो सकते हैं, या खोजने योग्य (searchable) पुस्तक में केवल-छवि (image-only) वाले पृष्ठ शामिल हो सकते हैं। पेज रेंज के आधार पर अपने निर्णय तय करें।

अनुवाद के लिए तैयार PDF का रिलीज़ गेट

फ़ाइल को अनुवाद वर्कफ़्लो में भेजने से पहले, निम्नलिखित सभी की आवश्यकता सुनिश्चित करें:

1. प्रत्येक पेज रेंज को डिजिटल, केवल-छवि, या मौजूदा OCR के रूप में वर्गीकृत किया गया हो।
2. विफल हो चुकी मौजूदा लेयर्स के लिए एक दस्तावेजीकृत प्रतिस्थापन मार्ग (रिप्लेसमेंट पाथ) उपलब्ध हो।
3. नमूना पेजों पर नाम, संख्याएँ, पहचानकर्ता और अपरिचित शब्द स्रोत तुलना में सही पाए गए हों।
4. निकाले गए स्रोत में पैराग्राफ और कॉलम का क्रम पठनीय हो।
5. तालिकाओं, चित्रों, फ़ुटनोट्स और समीकरणों को या तो सत्यापित किया गया हो या स्पष्ट रूप से अलग एसेट के रूप में ट्रैक किया गया हो।
6. अनुवाद के बाद तुलना के लिए मूल PDF उपलब्ध रहे।

जब कोई टेक्स्ट वाली PDF पहले से ही विफल हो रही हो, तो अलग कॉपी-पेस्ट निदान गाइड का उपयोग करें। जब पेज केवल-छवि वाले हों, तो स्कैन किए गए PDF वर्कफ़्लो का उपयोग करें, और जब भाषा का चयन विफलता का हिस्सा हो, तो मिश्रित-भाषा OCR गाइड का उपयोग करें।

सत्यापित स्रोत का अनुवाद करें, फिर आउटपुट की समीक्षा करें

यदि अंतिम लक्ष्य किसी अन्य भाषा में पूरा दस्तावेज़ पढ़ना है, तो सत्यापित PDF को PDF Translatorपर अपलोड करें। स्कैन किए गए या अत्यधिक छवियों वाले पेजों के लिए, BookTranslator का OCR Mode पहचानी जा सकने वाली सामग्री को निकालता है और एक साफ़ अनुवादित PDF फिर से बनाता है; यह मूल पेज लेआउट, फ़ॉन्ट या आकारों को हूबहू बनाए रखने, या हर मौजूदा छिपी हुई टेक्स्ट लेयर को ठीक करने का वादा नहीं करता है।

अपनी पृष्ठ सूची और मूल फ़ाइल को संभालकर रखें। अनुवाद के बाद, टार्गेट फ़ाइल पर उच्च-जोखिम वाली जांचें दोहराएं: नाम, मात्राएं, पहचानकर्ता, पृष्ठ कवरेज, पैराग्राफ का क्रम और वह कोई भी संरचना जिस पर आप निर्भर हैं। PDF अनुवाद QA चेकलिस्ट उस अंतिम स्वीकृति समीक्षा को कवर करती है।

मूल नियम बेहद सरल है: जो पहले से विश्वसनीय है उसे एक्सट्रैक्ट करें, केवल उसी पर OCR का उपयोग करें जिसे पहचान की आवश्यकता है, और किसी टेक्स्ट लेयर को केवल तभी बदलें जब आप यह साबित कर लें कि वह गलत है।