यदि PDF सही दिखता है लेकिन सादे पाठ संपादक में चिपकाने से अलग-अलग वर्ण उत्पन्न होते हैं, तो फ़ॉन्ट बदलने या OCR चलाने से पहले कारण की जांच करें। पृष्ठ पर बनी आकृति और उसके द्वारा दर्शाए गए चरित्र के बीच मानचित्रण गलत हो सकता है। इन PDF पाठ त्रुटियों को ठीक करना यह पहचानने से शुरू होता है कि उस प्रक्रिया का कौन सा भाग विफल हुआ।
टेक्स्ट सही दिख सकता है लेकिन कॉपी ग़लत क्यों हो सकता है?
PDF पाठ सामग्री Unicode पाठ के बजाय फ़ॉन्ट-विशिष्ट स्रोत वर्ण कोड संग्रहीत कर सकती है। एक PDF रीडर ग्लिफ़ का पता लगाने और उसे बनाने के लिए फ़ॉन्ट और एन्कोडिंग जानकारी का उपयोग करता है। प्रतिलिपि बनाने के लिए उन कोडों को सार्थक वर्णों में अनुवाद करने की भी आवश्यकता होती है।
इसलिए A अक्षर बनाना इस बात की गारंटी नहीं देता है कि निष्कर्षण A वापस आएगा। ToUnicode एक फ़ॉन्ट शब्दकोश में एक मैपिंग है जो PDF स्रोत वर्ण कोड को Unicode वर्ण अनुक्रमों के साथ जोड़ता है। टेक्स्ट प्रदर्शित करने और निकालने के बीच का यह अंतर Adobe PDF संदर्भ, अनुभाग 5.9 में वर्णित है।
फॉन्ट मैपिंग का वास्तव में क्या मतलब है?
ये तीन अवधारणाएँ संबंधित हैं, लेकिन वे विनिमेय नहीं हैं:
| मानचित्रण | मुख्य भूमिका |
|---|---|
फ़ॉन्ट फ़ाइल के अंदर cmap तालिका | वर्ण कोड को ग्लिफ़ सूचकांकों में मैप करता है; Unicode सबटेबल्स Unicode कोड का उपयोग करते हैं |
| PDF एन्कोडिंग; मिश्रित फ़ॉन्ट Encoding CMap का उपयोग कर सकते हैं | PDF स्रोत वर्ण कोड की व्याख्या करता है और चित्र बनाने के लिए ग्लिफ़ का पता लगाने में मदद करता है |
PDF ToUnicode | प्रतिलिपि बनाने और निकालने के लिए PDF स्रोत वर्ण कोड को Unicode टेक्स्ट में मैप करें |
पहले प्रकार के लिए, OpenType cmap विशिष्टता देखें। यहां चर्चा की गई मरम्मत तीसरे को लक्षित करती है; यह फ़ॉन्ट फ़ाइल का पुनर्निर्माण नहीं करता है या पृष्ठ पर ग्लिफ़ को प्रतिस्थापित नहीं करता है।
एक गुम ToUnicode मैपिंग हमेशा विकृत पाठ का कारण नहीं बनती है। एक PDF रीडर कभी-कभी एक मानक एन्कोडिंग, ज्ञात ग्लिफ़ नाम या एक चरित्र संग्रह से पाठ को पुनर्प्राप्त कर सकता है। इसके विपरीत, एक मैपिंग तालिका मौजूद हो सकती है और फिर भी उसमें गलत संबंध हो सकते हैं।
पहले जांचें कि क्या मैपिंग में समस्या है
एक छोटे अनुच्छेद को सादे पाठ संपादक में कॉपी करें और उसकी तुलना मूल पृष्ठ से करें:
| लक्षण | सबसे पहले क्या जांचें |
|---|---|
| पृष्ठ सही दिखता है, लेकिन कॉपी किए गए वर्ण लगातार अन्य वर्णों में बदल जाते हैं | गुम या ग़लत वर्ण मानचित्रण |
| आप केवल एक छवि का चयन कर सकते हैं, पाठ का नहीं | एक लुप्त पाठ परत या रूपरेखा में परिवर्तित पाठ; स्रोत फ़ाइल या OCR पर विचार करें |
| स्कैन किए गए पेज पर टेक्स्ट का चयन किया जा सकता है, लेकिन यह छवि से मेल नहीं खाता | पहचान का परिणाम OCR टेक्स्ट परत में होता है |
| व्यक्तिगत वर्ण सही हैं, लेकिन कॉलम या तालिकाएँ क्रम से बाहर हैं | पढ़ने का क्रम और लेआउट निष्कर्षण |
| पृष्ठ में स्वयं गायब अक्षर या बक्से हैं | फ़ॉन्ट संसाधन, ग्लिफ़ कवरेज या डिस्प्ले एन्कोडिंग |
ये समस्या निवारण सुराग हैं, केवल दिखावे के आधार पर निदान नहीं। फ़ॉन्ट एम्बेडिंग और सही प्रतिलिपि बनाना भी अलग-अलग चिंताएँ हैं; PDF फ़ॉन्ट एम्बेडिंग और सबसेट देखें।
आप मूल ग्लिफ़ का उपयोग करके कॉपी किए गए टेक्स्ट को कैसे सही कर सकते हैं?
मान लीजिए कि स्रोत कोड <0001> एक विशेष फ़ॉन्ट में A खींचता है लेकिन गलत तरीके से 错 (U+9519) पर मैप करता है। यह एक उदाहरणात्मक मानचित्रण अंश है, संपूर्ण CMap फ़ाइल नहीं:
Before: <0001> <9519>
After: <0001> <0041>
<0001> उस फ़ॉन्ट में एक PDF स्रोत कोड है, न कि Unicode वर्ण U+0001। इसे U+0041 पर मैप करने से यह निर्दिष्ट होता है कि ग्लिफ़ A का प्रतिनिधित्व करता है। एक ligature (एक ग्लिफ़ को साझा करने वाले कई अक्षर) को कई Unicode वर्णों, जैसे fi, पर मैप करने की भी आवश्यकता हो सकती है।
एक बार जब आप पुष्टि कर लें कि मैपिंग मरम्मत उपयुक्त है, तो PDF टेक्स्ट रिपेयर टूल का उपयोग करें:
- PDF चुनें, फिर सही करने के लिए फ़ॉन्ट चुनें।
- ग्रिड में मूल ग्लिफ़ की तुलना करें और प्रत्येक ग्लिफ़ के नीचे सही टेक्स्ट दर्ज करें।
- मरम्मत किए गए PDF को निर्यात करें और तुलना के लिए मूल को रखें।
एक परिवर्तन हर जगह लागू होता है जहां एक ही फ़ॉन्ट और स्रोत कोड का उपयोग किया जाता है। अलग-अलग फ़ॉन्ट को अलग से जांचें, भले ही उनके नाम मेल खाते हों। यदि OCR ने सिर्फ एक शब्द को गलत पहचाना है, तो विश्व स्तर पर किसी चरित्र को रीमैप करने से वह टेक्स्ट भी खराब हो सकता है जो पहले से ही सही था।
आप मरम्मत का सत्यापन कैसे करते हैं?
निर्यात की गई फ़ाइल को दोबारा खोलें और कॉपी करें और अपने लक्ष्य PDF रीडर में नमूना पाठ खोजें। उसी कोड और फ़ॉन्ट की अन्य घटनाओं की जाँच करें जिन्हें आपने संपादित नहीं किया है। केवल पहले गलत वर्ण का परीक्षण करने के बजाय, पृष्ठ स्वरूप की तुलना करें और विराम चिह्न, संयुक्ताक्षर और संख्याओं का निरीक्षण करें।
कुछ पीडीएफ प्रतिस्थापन पाठ की आपूर्ति के लिए ActualText का भी उपयोग करते हैं, जिसे सहायक सॉफ़्टवेयर पसंद कर सकता है। यदि ToUnicode को बदलने से समस्या का समाधान नहीं होता है, तो इस ओवरराइड की जाँच करें। वर्तमान टूल ActualText के बारे में चेतावनी देता है लेकिन इसे संपादित नहीं करता है। PDF एसोसिएशन स्पष्टीकरण देखें।
OCR त्रुटियों के लिए, टेक्स्ट परत को दोबारा ठीक करें या पहचानें। यदि आपके पास मूल लेआउट फ़ाइल है, तो उसे ठीक करने और एक नया PDF निर्यात करने पर विचार करें। जो फ़ाइलें नहीं खुलेंगी या संरचनात्मक त्रुटियों को ट्रिगर नहीं करेंगी उन्हें एक अलग दृष्टिकोण की आवश्यकता है; जब PDF प्रारूप की मरम्मत उपयुक्त हो देखें।
एक बार जब आप फ़ॉन्ट कैरेक्टर मैपिंग समस्या की पहचान कर लें, तो इसे स्थानीय PDF टेक्स्ट मरम्मत उपकरण से ठीक करें। फ़ाइलें आपके ब्राउज़र में बिना अपलोड किए संसाधित की जाती हैं। आपको निर्यात करने के बाद भी कॉपी किए गए पाठ और पृष्ठ स्वरूप को सत्यापित करना चाहिए।
