PDF-இலிருந்து நகலெடுத்த உரை ஏன் எப்போதும் குழப்பமாக வருகிறது?

PDF-இல் பயனுள்ள ஒரு பகுதியைப் பார்க்கிறீர்கள்; அதை உங்கள் குறிப்புகளில் சேர்க்கவோ, சக ஊழியருடன் பகிரவோ, ஒரு கேள்விக்கான பொருளாகப் பயன்படுத்தவோ விரும்புகிறீர்கள். தேர்ந்தெடு, நகலெடு, ஒட்டு—சில விநாடிகளில் முடிய வேண்டிய வேலை.

ஆனால் ஒட்டிய பிறகு, ஒரு வாக்கியம் பல வரிகளாகப் பிரிந்திருக்கிறது, ஓர் ஆங்கிலச் சொல் நடுவில் உடைந்திருக்கிறது, பத்திக்குள் பக்க எண்கள் வந்து சேர்ந்திருக்கின்றன. ஒரு பகுதியை எடுக்க மட்டுமே நினைத்தீர்கள்; இப்போது Backspace-ஐ மீண்டும் மீண்டும் அழுத்த வேண்டியிருக்கிறது.

வாசிப்பு வரிசை சரியாக இருந்து, ஒவ்வொரு வரியும் மட்டும் உடைந்திருந்தால், பத்திகளுக்கு இடையேயான வெற்று வரிகளை வைத்துக்கொண்டு, பத்திக்குள் உள்ள ஒற்றை வரி முறிவுகளை இணைப்பதில் தொடங்குங்கள். தலைப்புகள், பட்டியல்கள், வரி முடிவில் உள்ள இணைப்புக்குறிகள் (hyphen) ஆகியவற்றைத் தனியாகச் சரிபார்க்க வேண்டும். இரண்டு நெடுவரிசைகளின் வாக்கியங்கள் ஒன்றோடொன்று கலந்திருந்தால், வரி முறிவுகளை நீக்கும் முன் பிரித்தெடுக்கும் வரிசையைச் சரிசெய்யுங்கள்.

பக்கத்தில் உள்ள ஒரு வரி, உரையில் ஒரு பத்தியாக இருக்க வேண்டியதில்லை

PDF பக்கத்தில், ஒரு வாக்கியம் வலது ஓரத்தை அடைந்ததும் அடுத்த வரிக்கு மடங்குகிறது. அந்தக் காட்சி முறிவு தாளின் அல்லது நெடுவரிசையின் அகலத்தை மட்டுமே காட்டலாம்; ஆசிரியர் புதிய பத்தியைத் தொடங்கினார் என்று பொருளல்ல.

நீங்கள் நகலெடுக்கும்போது, PDF வாசிப்பான் பக்கத்தில் உள்ள உரையை ஒரு தொடர் உரையாக மறுசீரமைக்க வேண்டும்; ஆனால் இந்த இரண்டு வகை முறிவுகளையும் அதனால் எப்போதும் பிரித்தறிய முடிவதில்லை. எழுத்துகளின் நிலைகளையும் இடைவெளிகளையும் வைத்து அவற்றை வரிகளாகவும் உரைத் தொகுதிகளாகவும் எப்படிக் குழுவாக்கலாம் என்பதை pdfminer.six-இன் உரை பிரித்தெடுப்பு வழிகாட்டி (ஆங்கிலம்) விளக்குகிறது. பக்கத்தில் இணைந்ததாகத் தெரியும் உள்ளடக்கம்கூட நகலெடுக்கும்போது பிரிந்துவிடலாம்.

சில எளிய உதாரணங்களையும் அவற்றைக் கையாளும் வழிகளையும் கீழே பார்க்கலாம். உதாரணங்கள் ஆங்கில உரையில் உள்ளன; ↵ குறி ஒரு வரி முறிவையும், ↵↵ ஒரு வெற்று வரியையும் காட்டுகிறது.

வாக்கியங்களை இணையுங்கள், பத்திகளைக் காத்திடுங்கள்

ஒப்பீட்டளவில் பாதுகாப்பாகச் சீராக்கக்கூடிய ஒரு நிலையில் தொடங்குவோம்: ஒவ்வொரு பத்தியும் இரண்டு வரிகளாகப் பிரிந்துள்ளது, பத்திகளுக்கு இடையே வெற்று வரி அப்படியே உள்ளது.

சீராக்க வேண்டிய உரை: We copied a paragraph ↵ from the report into our notes. ↵↵ The original page remains available ↵ for checking names and numbers.

மேலே உள்ள உரையை iSomor உரைச் சீராக்கி-இல் இட்டு இந்த மூன்று படிகளைப் பின்பற்றலாம்:

1. உரையை ஒட்டுங்கள். பத்திகளுக்கு இடையேயான வெற்று வரிகளை வைத்துக்கொண்டு, ஒரு சிறிய மாதிரியை முதலில் "அசல்" பெட்டியில் இடுங்கள்.
2. விருப்பங்களைத் தேர்ந்தெடுத்துச் சீராக்குங்கள். "ஒற்றை வரி முறிவுகளை இணைக்கவும்", "இடைவெளிகளைச் சீராக்கவும்" ஆகியவற்றை இயக்குங்கள். "வரி முடிவில் இணைப்புக்குறியால் பிரிந்த சொற்களை இணைக்கவும்" என்பதை இப்போதைக்கு அணைத்தே வையுங்கள்; பிறகு "உரையைச் சீராக்கவும்" என்பதை அழுத்துங்கள்.
3. முடிவை எடுக்கும் முன் சரிபாருங்கள். பத்திகளோ சொற்களோ தவறாக இணையவில்லை என்பதை இரு பக்கங்களையும் ஒப்பிட்டு உறுதிசெய்து, பிறகு உரையை நகலெடுங்கள் அல்லது TXT கோப்பாகப் பதிவிறக்குங்கள்.

கருவியின் வெளியீடு: We copied a paragraph from the report into our notes. ↵↵ The original page remains available for checking names and numbers.

வாக்கியத்துக்குள் இருந்த முறிவு போய்விட்டது; இரண்டு பத்திகளுக்கு இடையேயான பிரிவு அப்படியே உள்ளது. ஆங்கிலச் சொற்களுக்கு இடையேயான இடைவெளியும் காக்கப்பட்டுள்ளது; எனவே paragraph, from ஆகியவை ஒட்டிக்கொள்ளவில்லை.

இந்த உதாரணத்தில், ஒற்றை வரி முறிவு பத்திக்குள் உள்ள வரியைக் குறிக்கிறது; வெற்று வரி பத்தியின் எல்லையைக் குறிக்கிறது. நகலெடுத்த பிறகு பத்திகளுக்கு இடையே ஒரே ஒரு வரி முறிவு மட்டும் இருந்தால், மூலத்துடன் ஒப்பிட்டு, சீராக்கும் முன் வெற்று வரியைச் சேருங்கள்.

வரி முறிவில் உள்ள எல்லா இணைப்புக்குறிகளையும் நீக்காதீர்கள்

ஆங்கில ஆவணத்தில், பக்க அமைப்பின் காரணமாக ஒரு சொல் வரியின் முடிவில் பிரிக்கப்படலாம். உதாரணமாக: The trans- ↵ lation is ready for review.

இங்கே trans-, lation இரண்டும் ஒரே சொல்லின் பகுதிகள். "வரி முடிவில் இணைப்புக்குறியால் பிரிந்த சொற்களை இணைக்கவும்" இயக்கப்பட்டிருந்தால், கருவி தருவது: The translation is ready for review.

ஆனால் ஒரே மாதிரித் தோற்றம் எப்போதும் ஒரே கையாளுதலைக் கோருவதில்லை. மூலத்திலேயே cross-validation என்று எழுதப்பட்ட ஒரு சொல்லைப் பாருங்கள்: We used cross- ↵ validation to compare the models.

அதே விருப்பம் இயக்கப்பட்டிருந்தால், உண்மையில் கிடைக்கும் வெளியீடு: We used crossvalidation to compare the models.

வரி முறிவு போய்விட்டது; ஆனால் பொருளுள்ள இணைப்புக்குறியும் நீங்கிவிட்டது. இங்கே cross-validation அப்படியே இருக்க வேண்டும்.

எனவே தொடக்கத்தில் இணைப்புக்குறி இணைப்பை அணைத்து வைப்பதே பாதுகாப்பானது. ஒரு சொல் பக்க அமைப்பால்தான் பிரிந்தது என்று உறுதிசெய்த பிறகே அதைப் பயன்படுத்துங்கள். உள்ளடக்கத்தில் கூட்டுச் சொற்களோ மாடல் எண்களோ இருந்தால், சாதாரண வரி முறிவுகளை முதலில் சீராக்கி, இணைப்புக்குறிகளை ஒவ்வொன்றாகச் சரிபாருங்கள்.

தலைப்புகளுக்கும் பட்டியல்களுக்கும் சற்று இடைவெளி தேவை

தனி வரியில் இருக்கும் எல்லாவற்றையும் அடுத்த வரியுடன் இணைக்கக் கூடாது.

உதாரணமாக, கீழே முதல் வரி ஒரு தலைப்பு; அதைத் தொடர்ந்து ஒரு விளக்கமும் ஒரு பட்டியலும் வருகின்றன: Preparation ↵ Keep the original PDF first. ↵↵ - Check names ↵ - Check dates ↵ - Check amounts

"ஒற்றை வரி முறிவுகளை இணைக்கவும்", "இடைவெளிகளைச் சீராக்கவும்" இயக்கப்பட்டிருந்தால், கருவி உண்மையில் தருவது: PreparationKeep the original PDF first. ↵↵ - Check names ↵ - Check dates ↵ - Check amounts

- குறியுடன் உள்ள பட்டியல் காக்கப்பட்டுள்ளது; ஆனால் தலைப்பும் உரையும் ஒட்டிக்கொண்டன. எழுத்தளவோ தடித்த எழுத்தோ இல்லாமல் "Preparation" வெறும் உரையாக மாறிய பிறகு, அது தலைப்பு என்று அடையாளம் காண ஒற்றை வரி முறிவு போதாது.

இப்படிப்பட்ட உள்ளடக்கத்தில், சீராக்கும் முன் தலைப்புக்குப் பின் ஒரு வெற்று வரியைச் சேருங்கள். அதே விருப்பங்களுடன் மீண்டும் சீராக்கினால் கிடைப்பது: Preparation ↵↵ Keep the original PDF first. ↵↵ - Check names ↵ - Check dates ↵ - Check amounts

வெற்று வரி தலைப்பையும் உரையையும் பிரித்து வைக்கிறது. சிக்கலான உள்ளமைந்த பட்டியல்கள், அட்டவணைகள், சமன்பாடுகள் ஆகியவற்றைச் சாதாரணப் பத்திகளுடன் ஒரே தொகுதியாக இணைக்காமல் தனியாக வையுங்கள்.

வரிசையே தவறாக இருந்தால், வரி முறிவுகளைச் சீராக்க அவசரப்படாதீர்கள்

இடது நெடுவரிசையின் ஒரு வாக்கியத்துக்குப் பின் வலது நெடுவரிசையின் உரை வந்தாலோ, ஒரு வாக்கியத்தின் நடுவில் பக்க எண் வந்தாலோ, வரி முறிவுகளை நீக்குவதால் வாசிப்பு வரிசை சரியாகாது. முதலில் நகலெடுக்கும் படிக்குத் திரும்புங்கள்:

• இரு நெடுவரிசைகள் கலந்துவிட்டால்: ஒரு நேரத்தில் ஒரு நெடுவரிசையையோ ஒரு சிறு பகுதியையோ தேர்ந்தெடுத்து நகலெடுத்து, ஒட்டிய வரிசையைச் சரிபாருங்கள். வாசிப்பான் இன்னும் நெடுவரிசைகளைக் கலந்தால், வேறொரு பிரித்தெடுப்பு முறையை முயலுங்கள்.
• தலைப்பு, அடிப்பகுதி அல்லது பக்க எண்கள் கலந்துவிட்டால்: பக்கத்துடன் ஒப்பிட்டு, உறுதிசெய்யப்பட்ட ஊடுருவல்களை மட்டும் நீக்குங்கள். எண் உள்ள எல்லா வரிகளையும் மொத்தமாக நீக்காதீர்கள்; அது பகுதி எண்ணாகவோ உரையில் உள்ள தரவாகவோ இருக்கலாம்.
• அட்டவணை ஒரு நீண்ட உரைச் சரமாக மாறிவிட்டால்: வெறும் உரைக் குறிப்பில் அது பொருந்துமா என்று முடிவெடுக்கும் முன், தலைப்புகள், அலகுகள், வரிசை–நெடுவரிசைத் தொடர்புகளைச் சரிபாருங்கள். இடைவெளிகள் குறைந்ததால் அட்டவணை மீண்டு வந்ததாகப் பொருளல்ல.
• நகலெடுத்த உரை புரியாத குறியீடுகளாக இருந்தால்: உரை அடுக்கையோ எழுத்துரு குறியாக்கத்தையோ தனியாகச் சரிபாருங்கள். வடிவச் சீராக்கம் அந்த எழுத்துகளைச் சரிசெய்யாது.
• ஸ்கேன் செய்த படத்தில் தேர்ந்தெடுக்கக்கூடிய உரையே இல்லையென்றால்: அதற்கு முதலில் OCR தேவை. ஏற்கெனவே உள்ள OCR அடுக்கிலும் அடையாளப் பிழைகள் இருக்கலாம்; உரையை நகலெடுக்க முடிகிறது என்பதால் அது சரியானது என்று பொருளல்ல. டிஜிட்டலாக உருவான PDF, படம் மட்டுமே உள்ள ஸ்கேன், OCR அடுக்கு உள்ள PDF ஆகியவற்றை pypdf ஆவணம் (ஆங்கிலம்) வேறுபடுத்திக் காட்டுகிறது; அவற்றின் உரை வெவ்வேறு மூலங்களிலிருந்து வருகிறது. iSomor-இன் PDF மொழிபெயர்ப்பு ஸ்கேன் செய்த PDF-களை, OCR செய்த பிறகும்கூட, ஆதரிப்பதில்லை.

நகலெடுத்த முடிவைப் பயன்படுத்தும் முன் இந்த இடங்களைச் சரிபாருங்கள்

ஒரு சிறு பகுதியைச் சீராக்கிய பிறகு, மாறக்கூடிய இடங்களைக் கூர்ந்து பாருங்கள்:

• ஒவ்வொரு பத்தியும் சரியான தொடக்கத்தையும் முடிவையும் கொண்டுள்ளதா?
• ஆங்கிலச் சொற்கள் தனித்தனியாக உள்ளனவா, பொருளுள்ள இணைப்புக்குறிகள் அப்படியே உள்ளனவா?
• தலைப்புகளும் பட்டியல்களும் இன்னும் பிரிந்தே உள்ளனவா?
• எண்கள், அலகுகள், கழித்தல் குறிகள், சமன்பாட்டுக் குறியீடுகள் முழுமையாகவும் சரியான இடத்திலும் உள்ளனவா?

பகுதியில் சீன நிறுத்தக்குறிகள் இருந்தால், அவற்றைச் சுற்றியும் பார்ப்பது நல்லது. எங்கள் சோதனையில், ஒரு காற்புள்ளிக்குப் பின் வந்த வரி முறிவை இணைத்தபோது ஒரு கூடுதல் இடைவெளி வந்தது; அதைக் கையால் நீக்க வேண்டியிருந்தது. இதே போன்ற உள்ளடக்கத்துக்குப் பயன்படுத்தும் முன், இந்த முறை இந்தச் சிறு பகுதிக்குச் சரியாக வேலை செய்கிறதா என்று உறுதிசெய்யுங்கள்.

அந்தப் பகுதியை மேற்கோள் காட்டப் போகிறீர்கள் என்றால், ஆவணத்தின் தலைப்பு, பக்க எண் அல்லது இணைப்பை வைத்துக்கொண்டு, உரையை மூலத்துடன் ஒப்பிட்டுச் சரிபாருங்கள்.

சீராக்கிவிட்டு, உங்கள் வேலைக்குத் திரும்புங்கள்

உரைச் சீராக்கத்தின் நோக்கம், திரும்பத் திரும்ப வரும் சில வரி முறிவுகளையும் கூடுதல் இடைவெளிகளையும் நீக்குவதுதான்—எல்லாவற்றையும் ஒரே பத்தியாக அழுத்துவது அல்ல. உரை இணைந்து, தலைப்புகளும் பட்டியல்களும் தனியாக இருக்கும்போது, முடிவு பயன்படுத்த எளிதாகிறது.

என்ன மாறியது என்பதை நீங்கள் பார்க்கும்படி iSomor அசல் உள்ளடக்கத்தையும் முடிவையும் அருகருகே காட்டுகிறது. சரிபார்த்த பிறகு, உங்கள் குறிப்புகள், மேற்கோள் அல்லது கலந்துரையாடலுக்குத் திரும்பி, முதலில் நீங்கள் விரும்பிய பகுதியிலேயே கவனம் செலுத்தலாம்.