PDF से कॉपी किया गया टेक्स्ट हमेशा बिखरा हुआ क्यों होता है?

आपको PDF में कोई उपयोगी अंश मिलता है और आप उसे अपने नोट्स में रखना, किसी सहकर्मी को भेजना या अगले सवाल के लिए सामग्री के रूप में इस्तेमाल करना चाहते हैं। चुनें, कॉपी करें, पेस्ट करें—यह काम कुछ सेकंड में हो जाना चाहिए।

लेकिन पेस्ट करने के बाद एक वाक्य कई पंक्तियों में टूट जाता है, अंग्रेज़ी का कोई शब्द बीच से कट जाता है और पैराग्राफ में पेज नंबर भी घुस जाते हैं। आप केवल एक अंश लेना चाहते थे, लेकिन अब बार-बार Backspace दबाना पड़ता है।

अगर टेक्स्ट का क्रम सही है और केवल हर पंक्ति टूटी हुई है, तो पहले पैराग्राफ के अंदर मौजूद एकल लाइन ब्रेक को जोड़ें और पैराग्राफ के बीच की खाली पंक्तियों को रहने दें। शीर्षक, सूचियों और पंक्ति के अंत में आने वाले हाइफ़न की अलग-अलग जाँच करनी होगी। अगर दो कॉलम के वाक्य आपस में मिल गए हैं, तो लाइन ब्रेक हटाने से पहले कॉपी का क्रम ठीक करें।

पेज की एक पंक्ति हमेशा टेक्स्ट का एक पैराग्राफ नहीं होती

PDF पेज पर वाक्य दाएँ किनारे तक पहुँचने पर अगली पंक्ति में चला जाता है। यह दिखाई देने वाला ब्रेक केवल कागज़ या कॉलम की चौड़ाई के कारण हो सकता है; इसका मतलब यह नहीं कि लेखक ने नया पैराग्राफ शुरू किया है।

कॉपी करते समय रीडर को पेज के टेक्स्ट को दोबारा एक टेक्स्ट स्ट्रीम में व्यवस्थित करना पड़ता है, लेकिन वह इन दोनों तरह के ब्रेक को हमेशा अलग नहीं कर पाता। pdfminer.six की टेक्स्ट एक्सट्रैक्शन गाइड बताती है कि अक्षरों की स्थिति और दूरी के आधार पर उन्हें पंक्तियों और टेक्स्ट ब्लॉक में कैसे समूहित किया जा सकता है। पेज पर जुड़ा हुआ दिखने वाला कंटेंट कॉपी करने पर अलग हो सकता है।

आइए कुछ आसान उदाहरणों से देखें कि इसे कैसे संभालना है।

वाक्यों को जोड़ें, पैराग्राफ को रहने दें

पहले ऐसी स्थिति देखें जिसे अपेक्षाकृत सुरक्षित तरीके से व्यवस्थित किया जा सकता है: हर पैराग्राफ दो पंक्तियों में टूट गया है, लेकिन पैराग्राफ के बीच खाली पंक्ति बची हुई है।

व्यवस्थित करने वाला टेक्स्ट:

We copied a paragraph
from the report into our notes.

The original page remains available
for checking names and numbers.

ऊपर का टेक्स्ट iSomor Text Cleaner में डालकर ये तीन कदम अपनाएँ:

1. टेक्स्ट पेस्ट करें। पहले “Original content” में एक छोटा अंश डालें और पैराग्राफ के बीच की खाली पंक्तियाँ भी रहने दें।
2. विकल्प चुनकर व्यवस्थित करें। “Merge single line breaks” और “Normalize spaces” चालू करें। अभी “Join hyphenated words at line breaks” बंद रखें और “Clean up text” पर क्लिक करें।
3. नतीजा लेने से पहले जाँचें। दोनों तरफ का कंटेंट देखकर सुनिश्चित करें कि पैराग्राफ और शब्द गलत तरीके से नहीं जुड़े हैं। फिर टेक्स्ट कॉपी करें या TXT डाउनलोड करें।

टूल का आउटपुट:

We copied a paragraph from the report into our notes.

The original page remains available for checking names and numbers.

वाक्य के बीच का ब्रेक हट गया, लेकिन दोनों पैराग्राफ के बीच का अंतर बना रहा। अंग्रेज़ी शब्दों के बीच का स्पेस भी बचा रहा, इसलिए paragraph और from आपस में नहीं जुड़े।

इस उदाहरण में पैराग्राफ के अंदर एक लाइन ब्रेक है और पैराग्राफ के बीच खाली पंक्ति है। अगर कॉपी करने के बाद पैराग्राफ के बीच भी केवल एक लाइन ब्रेक रह जाए, तो मूल PDF देखकर पहले खाली पंक्ति जोड़ें और फिर टेक्स्ट व्यवस्थित करें।

पंक्ति के अंत वाले हर हाइफ़न को न हटाएँ

अंग्रेज़ी दस्तावेज़ में लेआउट के कारण कोई शब्द पंक्ति के अंत में टूट सकता है। उदाहरण के लिए:

The trans-
lation is ready for review.

यहाँ trans- और अगली पंक्ति का lation मूल रूप से एक ही शब्द है। “Join hyphenated words at line breaks” चालू करने पर आउटपुट होगा:

The translation is ready for review.

लेकिन एक जैसा दिखना हमेशा एक जैसा इलाज माँगता नहीं है। अब वह टेक्स्ट देखें जिसमें मूल शब्द cross-validation था:

We used cross-
validation to compare the models.

उसी विकल्प को चालू करने पर असली आउटपुट होगा:

We used crossvalidation to compare the models.

लाइन ब्रेक तो हट गया, लेकिन अर्थपूर्ण हाइफ़न भी हट गया। यहाँ cross-validation को बनाए रखना चाहिए।

इसलिए शुरुआत में शब्द जोड़ने वाला विकल्प बंद रखना अधिक सुरक्षित है। पहले जाँच लें कि शब्द वास्तव में लेआउट के कारण टूटा है। अगर सामग्री में संयुक्त शब्द या मॉडल नंबर हैं, तो पहले सामान्य लाइन ब्रेक व्यवस्थित करें और हाइफ़न को एक-एक करके जाँचें।

शीर्षक और सूचियों को थोड़ी जगह चाहिए

हर वह सामग्री जो अपनी अलग पंक्ति में है, उसे अगली पंक्ति से जोड़ना सही नहीं होता।

नीचे दिए गए उदाहरण में पहली पंक्ति शीर्षक है, उसके बाद विवरण और सूची है:

Preparation
Keep the original PDF first.

- Check names
- Check dates
- Check amounts

“Merge single line breaks” और “Normalize spaces” चालू करने पर टूल वास्तव में यह आउटपुट देता है:

PreparationKeep the original PDF first.

- Check names
- Check dates
- Check amounts

- वाले सूची-चिह्न बचे रहते हैं, लेकिन शीर्षक और मुख्य टेक्स्ट जुड़ जाते हैं। “Preparation” साधारण टेक्स्ट बन जाने पर फ़ॉन्ट आकार या बोल्ड जानकारी नहीं रहती, इसलिए केवल एक लाइन ब्रेक से पहचानना मुश्किल होता है कि वह शीर्षक है।

ऐसी सामग्री में व्यवस्थित करने से पहले शीर्षक के बाद एक खाली पंक्ति जोड़ें। वही विकल्प फिर लगाने पर नतीजा होगा:

Preparation

Keep the original PDF first.

- Check names
- Check dates
- Check amounts

खाली पंक्ति शीर्षक और मुख्य टेक्स्ट को अलग रखती है। जटिल nested सूचियों, तालिकाओं और फ़ॉर्मूला को सामान्य पैराग्राफ के साथ एक ही बार में न जोड़ें; उन्हें अलग रखें।

अगर क्रम पहले ही गलत है, तो लाइन ब्रेक ठीक करने की जल्दी न करें

अगर बाएँ कॉलम का वाक्य दाएँ कॉलम की सामग्री के बाद आ रहा है, या वाक्य के बीच पेज नंबर है, तो लाइन ब्रेक हटाने से पढ़ने का क्रम ठीक नहीं होगा। पहले कॉपी करने वाले चरण पर लौटें:

• दो कॉलम आपस में मिल गए हैं: एक बार में एक कॉलम या छोटा अंश चुनकर कॉपी करें और पेस्ट किया हुआ क्रम जाँचें। अगर रीडर फिर भी कॉलम मिला देता है, तो कोई दूसरी extraction विधि आज़माएँ।
• हेडर, फुटर या पेज नंबर मिल गए हैं: पेज से तुलना करें और केवल वही हिस्सा हटाएँ जिसके घुस आने की पुष्टि हो। नंबर वाली हर पंक्ति को एक साथ न हटाएँ; वह सेक्शन नंबर या मुख्य टेक्स्ट का डेटा हो सकता है।
• तालिका टेक्स्ट की एक श्रृंखला बन गई है: हेडर, इकाइयों और पंक्तियों-स्तंभों के संबंध की जाँच करें, फिर तय करें कि इसे plain-text नोट में रखना उचित है या नहीं। कम स्पेस का मतलब तालिका वापस आ गई है, ऐसा नहीं है।
• कॉपी किया हुआ टेक्स्ट गड़बड़ अक्षरों में बदल गया है: टेक्स्ट लेयर या फ़ॉन्ट encoding की अलग से जाँच करें। फ़ॉर्मैट व्यवस्थित करने से इन अक्षरों को ठीक नहीं किया जा सकता।
• स्कैन की गई इमेज में चुनने योग्य टेक्स्ट नहीं है: पहले OCR की आवश्यकता होगी। मौजूद OCR लेयर में भी पहचान की गलतियाँ हो सकती हैं; कॉपी कर पाना टेक्स्ट के सही होने का प्रमाण नहीं है। pypdf का दस्तावेज़ मूल टेक्स्ट वाले PDF, केवल इमेज वाले स्कैन PDF और OCR लेयर वाले PDF में अंतर बताता है। इन सबमें टेक्स्ट का स्रोत अलग होता है।

कॉपी किए हुए नतीजे का उपयोग करने से पहले इन जगहों को देखें

छोटे अंश को व्यवस्थित करने के बाद उन जगहों पर ध्यान दें जो आसानी से बदल सकती हैं:

• क्या हर पैराग्राफ की शुरुआत और अंत सही है?
• क्या अंग्रेज़ी शब्द आपस में चिपके नहीं हैं और अर्थपूर्ण हाइफ़न बचे हुए हैं?
• क्या शीर्षक और सूचियाँ अभी भी अलग हैं?
• क्या नंबर, इकाइयाँ, माइनस साइन और फ़ॉर्मूला प्रतीक पूरे और सही जगह पर हैं?

अगर अंश में चीनी विराम-चिह्न हैं, तो उनके आसपास भी देख लें। हमारे परीक्षण में कॉमा के बाद लाइन ब्रेक जोड़ने पर एक अतिरिक्त स्पेस बच गया, जिसे हाथ से हटाना पड़ा। मिलती-जुलती सामग्री पर लागू करने से पहले इस छोटे अंश पर तरीका जाँच लें।

अगर आप इस अंश को उद्धृत करेंगे, तो दस्तावेज़ का नाम, पेज नंबर या लिंक संभालकर रखें और टेक्स्ट को स्रोत से मिलाएँ।

व्यवस्थित करना इसलिए है ताकि आप अपने असली काम पर लौट सकें

टेक्स्ट व्यवस्थित करने का उद्देश्य दोहराए गए लाइन ब्रेक और अतिरिक्त स्पेस कम करना है, सब कुछ एक ही पैराग्राफ में दबाना नहीं। मुख्य टेक्स्ट जुड़ा रहे और शीर्षक व सूचियाँ अलग रहें, तभी परिणाम आगे उपयोग करने लायक होगा।

iSomor मूल सामग्री और नतीजे को साथ दिखाता है, ताकि आप देख सकें कि क्या बदला। जाँच पूरी होने के बाद आप अपने नोट्स, उद्धरण और चर्चा पर लौट सकते हैं और उस अंश पर ध्यान दे सकते हैं जिसे शुरू में इस्तेमाल करना चाहते थे।