PDF থেকে Word কীভাবে করবেন: 4টি উপায়, OCR ও সমস্যা

Adobe ১৯৯৩ সালে PDF তৈরি করেছিল যাতে যেকোনো মেশিনে ডকুমেন্ট একই রকম ছাপা হয়, আর ২০০৮ সালে ফরম্যাটটি আন্তর্জাতিক মান ISO 32000-1 হয়ে ওঠে। এই প্রতিশ্রুতি রাখতে PDF-এর একটি পেজ আসলে আঁকার নির্দেশের তালিকা: এই ফন্টে এই অক্ষরগুলো এই স্থানাঙ্কে বসাও, এখানে একটি রেখা টানো, ওখানে একটি ছবি রাখো। যে বাক্য দ্বিতীয় লাইনে নেমে যায়, তা আসলে একটির নিচে আরেকটি বসে থাকা দুটি সম্পর্কহীন টেক্সটের টুকরো। ফাইলে কোথাও লেখা নেই যে এগুলো একসঙ্গে একটি বাক্য।

Word ডকুমেন্ট কাজ করে উল্টোভাবে। Office Open XML স্ট্যান্ডার্ডে (ECMA-376, পরে ISO/IEC 29500) সংজ্ঞায়িত DOCX ফাইলে অনুচ্ছেদ, স্টাইল, টেবিল, সেকশন ব্রেক ও হেডার সংরক্ষিত থাকে, আর পেজ সাজানোর সময় প্রতিবার Word-ই ঠিক করে কোন লাইন কোথায় ভাঙবে। একটি শব্দ যোগ করলে অনুচ্ছেদ নতুন করে সাজে। মার্জিন, ফন্ট বা কাগজের মাপ বদলালে প্রতিটি লাইন সরে যায়। এডিট করার সময় ঠিক এটাই দরকার, আর PDF এটি কখনো রেকর্ড করে না, কারণ সেভ করার মুহূর্তেই PDF-এর কাজ শেষ।

তাই PDF থেকে Word-এ কনভার্ট করা মানে খুলে বের করা নয়, নতুন করে গড়ে তোলা। কনভার্টারকে অনুমান করতে হয় কোন লাইনগুলো মিলে একটি অনুচ্ছেদ, কোন বোল্ড লাইন শিরোনাম আর কোনটি ছোট বোল্ড বাক্য, কোন সারিবদ্ধ শব্দগুলো টেবিল, এবং দুটি কলাম কোন ক্রমে পড়তে হবে। পরিষ্কার ডকুমেন্টে ভালো কনভার্টার ভালো অনুমান করে, ঘন ও জটিল ডকুমেন্টে খারাপ। PDF ট্যাগসহ এক্সপোর্ট করা হলে (অ্যাক্সেসিবিলিটির জন্য ব্যবহৃত কাঠামো স্তর) অনুমান আরও ভালো হয়, কারণ ট্যাগে শিরোনাম, তালিকা ও পড়ার ক্রম স্পষ্ট লেখা থাকে।

.pdf-এ শেষ হওয়া ফাইল আসলে দুই ধরনের। টেক্সট PDF তৈরি হয় Word, Google Docs, হিসাবের সফটওয়্যার বা ব্রাউজারের প্রিন্ট ডায়ালগ থেকে, এবং তাতে সত্যিকারের অক্ষর থাকে যা সিলেক্ট, কপি ও সার্চ করা যায়। স্ক্যান করা PDF তৈরি হয় স্ক্যানার, কপিয়ার বা ফোনের অ্যাপ থেকে, এবং প্রতিটি পেজ কাগজের একটি ছবি। কনভার্টারের কাছে স্ক্যান করা পেজে কোনো শব্দই নেই, আছে শুধু পিক্সেল, স্ক্রিনে লেখা যত স্পষ্টই দেখাক। ফাইলের নাম বা আইকন দেখে কিছু বোঝা যায় না; ফাইল ম্যানেজারে দুটিকে একই রকম দেখায়।

স্ক্যান করা পেজ থেকে এডিট করার মতো কিছু পেতে হলে আগে অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) চালাতে হয়। OCR অক্ষরের আকৃতি দেখে সেগুলোকে টেক্সটে বদলায়, আর তার নির্ভুলতা নির্ভর করে রেজোলিউশন, কনট্রাস্ট, বাঁকা ভাব ও ভাষার ওপর। পরিষ্কার ৩০০ dpi সাদা জমিনে কালো লেখার স্ক্যান প্রায় নিখুঁত পড়া যায়; ডেস্ক ল্যাম্পের আলোয় কোনাকুনি তোলা ফোনের ছবিতে প্রতিটি অনুচ্ছেদে ভুল বানান আসে। OCR ছাড়া কনভার্টার হয় ফাঁকা ডকুমেন্ট দেয়, নয়তো প্রতিটি পেজ একটি ছবি হিসেবে বসানো Word ফাইল দেয়।

বাস্তবে অনেক ফাইলই মিশ্র: টেক্সট হিসেবে এক্সপোর্ট করা চুক্তির শেষে স্ক্যান করা সই-পেজ, বা স্ক্যান করা রসিদের পরিশিষ্টসহ রিপোর্ট। যে কনভার্টার প্রতিটি পেজ আলাদা করে যাচাই করে সে এগুলো সবচেয়ে ভালো সামলায়, কারণ টেক্সট পেজ সরাসরি পড়ে এবং OCR শুধু যেখানে দরকার সেখানেই চালায়, ফলে এক্সপোর্ট করা পেজের অক্ষর নিখুঁত থাকে। নিজে স্ক্যান করলে ডকুমেন্ট স্ক্যান করে PDF বানানোর গাইডে রেজোলিউশন ও আলোর যে পরামর্শ আছে, তাতে OCR সবচেয়ে ভালো ফল দেয়।

Word 2013 থেকে Microsoft Word সরাসরি PDF খুলতে পারে, যে সুবিধাকে Microsoft বলে PDF Reflow। Word ইনস্টল করা থাকলে এটিই স্বাভাবিক পছন্দ, আর সাধারণ চিঠি ও রিপোর্টে এটি ভালো কাজ করে। এটি একবারে একটি ফাইল কনভার্ট করে। Google Docs-ও Google Drive-এর মাধ্যমে একই রকম পথ দেয়। Google-এর PDF থেকে টেক্সটে কনভার্ট করার সহায়তা পেজে ২ MB বা ছোট ফাইল ব্যবহারের পরামর্শ আছে এবং বলা হয়েছে তালিকা, টেবিল, কলাম, ফুটনোট ও এন্ডনোট শনাক্ত হওয়ার সম্ভাবনা কম; বাস্তবেও তাই দেখা যায়: শব্দ আসে, কিন্তু কাঠামো প্রায়ই আসে না।

Adobe Acrobat Standard ও Pro Export PDF টুলের মাধ্যমে Word-এ এক্সপোর্ট করে এবং স্ক্যান করা পেজে স্বয়ংক্রিয়ভাবে টেক্সট শনাক্তকরণ চালায়। Acrobat পেইড সাবস্ক্রিপশন, আর ফ্রি Acrobat Reader-এ এক্সপোর্ট নেই। ব্রাউজার কনভার্টার এ দুইয়ের মাঝামাঝি: কিছু ইনস্টল করতে হয় না, যেকোনো অপারেটিং সিস্টেমে চলে, এবং সাধারণত প্রবাহমান টেক্সট ও হুবহু লেআউটের মধ্যে বেছে নেওয়া যায়। PDF থেকে Word পেজে টেক্সট শনাক্তকরণ (OCR) Auto থাকলে শুধু টেক্সট লেয়ার ছাড়া পেজগুলো পড়া হয়, আর ইংরেজি ছাড়া অন্য ভাষার স্ক্যানের জন্য ডকুমেন্টের ভাষা OCR-এর বর্ণমালা ঠিক করে।

Word-এর PDF Reflow থাকে সাধারণ Open ডায়ালগেই, তাই অনেকে এটি খেয়ালই করেন না। এটি Windows-এ Word 2013, 2016, 2019, 2021 ও Microsoft 365-এ কাজ করে। Word একটি বার্তা দেখায় যে সে PDF-কে এডিটযোগ্য ডকুমেন্টে বদলাবে, এতে সময় লাগতে পারে, এবং ফলাফল হুবহু আসলের মতো নাও দেখাতে পারে, বিশেষ করে ফাইলে অনেক গ্রাফিক থাকলে। OK দিলে কনভার্ট করা কপি নতুন, অসেভড ডকুমেন্ট হিসেবে খোলে; PDF নিজে কখনো বদলায় না।

Microsoft-এর নিজস্ব ডকুমেন্টেশনে যেসব উপাদান কনভার্ট নাও হতে পারে তার মধ্যে আছে একাধিক পেজ জুড়ে থাকা ফুটনোট, এন্ডনোট, PDF বুকমার্ক ও মন্তব্য, এবং গ্লো বা শ্যাডোর মতো ফন্ট ইফেক্ট। বাস্তবে Word সাইডবার, পুল কোট ও একাধিক কলামের ম্যাগাজিন পেজকে ভাসমান টেক্সট বক্সে বদলে ফেলে, যা দেখতে ঠিক লাগে কিন্তু এডিট করা ক্লান্তিকর। স্ক্যানের ভাষা বাছাইয়ের কোনো সেটিংও Word-এ নেই, তাই স্ক্যান করা পেজে অ্যাক্সেন্টযুক্ত বা অ-ল্যাটিন লেখা কখনো ঠিক হয়, কখনো হয় না। তবে এক পেজের চিঠি বা সাদামাটা রিপোর্টের জন্য এটি প্রায়ই সবচেয়ে দ্রুত পথ, আর ফলাফল সরাসরি আপনার ব্যবহার করা এডিটরেই থাকে।

একক কলামের বডি টেক্সট এবং সত্যিকারের হেডিং থাকলে যেকোনো টুলেই ভালো কনভার্ট হয়: চিঠি, প্রবন্ধ, চুক্তিপত্র, বেশিরভাগ রিপোর্ট। বোল্ড, ইটালিক, বুলেট তালিকা এবং দৃশ্যমান বর্ডারসহ সাধারণ টেবিল সাধারণত ঠিকঠাক থাকে। কনভার্টার ছবি রাখলে ছবিও আসে; ব্রাউজারে এর জন্য আছে ছবি রাখুন অপশন, যা DOCX-এর জন্য ডিফল্টভাবে চালু থাকে। PDF-এ আসল লিংক থাকলে হাইপারলিংক সাধারণত থেকে যায়; কিন্তু নীল রঙের আন্ডারলাইন করা যে টেক্সট কখনো লিংক ছিল না, তা সাধারণ টেক্সটই থাকে। মূল লেআউট যত পরিচ্ছন্ন ও প্রচলিত হয়, কনভার্সনের পার্থক্য তত কম চোখে পড়ে।

সমস্যা শুরু হয় যেখানে পেজের লেআউটই অর্থ বহন করে। দুই কলামের টেক্সট নিচে নামার বদলে আড়াআড়ি পড়া হয়ে যেতে পারে। দাগ ছাড়া টেবিল শনাক্ত করা কঠিন, ফলে তা ট্যাব দিয়ে আলাদা করা লাইন হয়ে আসতে পারে। হেডার, ফুটার ও পেজ নম্বর প্রতিটি পেজে সাধারণ টেক্সট হিসেবে আঁকা থাকে, তাই এগুলো প্রায়ই বডির মাঝখানে এসে পড়ে, প্রতি পেজে একবার করে। পূরণযোগ্য ফর্ম ফিল্ড সাধারণ টেক্সটে সমতল হয়ে যায় বা হারিয়ে যায়। আপনার কম্পিউটারে নেই এমন এমবেড করা ফন্টের জায়গায় সবচেয়ে কাছের ফন্ট বসে, ফলে লাইনের দৈর্ঘ্য বদলে যায়। যে ডকুমেন্ট বেশিরভাগই টেবিল, তার জন্য স্প্রেডশিট ভালো গন্তব্য; দেখুন ছবি ও PDF থেকে টেবিল বের করা।

কিছু এডিট করার আগে দুই মিনিট নিয়ে কনভার্সন যাচাই করুন, কারণ অর্ধেক টেক্সট নতুন করে লেখার পরের চেয়ে শুরুতেই কাঠামোগত সমস্যা ঠিক করা সহজ। PDF ও Word ফাইল পাশাপাশি রেখে দুটোই স্ক্রল করে দেখুন। পেজের সীমানায় হারিয়ে যাওয়া অনুচ্ছেদ, বডিতে বারবার আসা হেডার এবং এলোমেলো লাইন হয়ে যাওয়া টেবিল খুঁজুন। ফরম্যাটিং চিহ্ন চালু করলে প্রতিটি লাইনের শেষে প্যারাগ্রাফ চিহ্ন দেখা গেলে বুঝবেন অনুচ্ছেদের বদলে লাইন ধরে লেআউট এসেছে; হাতে লাইন জোড়ার চেয়ে প্রবাহিত টেক্সট দিয়ে আবার কনভার্ট করলে সাধারণত দ্রুত ঠিক হয়।

স্ক্যান করা পেজে বানান পরীক্ষা চালান এবং সংখ্যার দিকে বাড়তি নজর দিন, কারণ বানান পরীক্ষক সংখ্যা এড়িয়ে যায়। OCR প্রায়ই ০ ও O, 1 ও l, এবং 5 ও S গুলিয়ে ফেলে; ইনভয়েস বা চুক্তিতে একটি ভুল অঙ্ক দশটা বানান ভুলের চেয়ে বেশি গুরুত্বপূর্ণ। পুরো অনুচ্ছেদ অর্থহীন হলে হাতে ঠিক করার আগে ডকুমেন্টের ভাষা দেখে আবার কনভার্ট করুন। লেআউট মেরামতের অযোগ্য হলে পরিষ্কার টেক্সট কপি করে নিজের টেমপ্লেটের নতুন ডকুমেন্টে বসান; টেক্সট বক্স ছাড়ানোর চেয়ে এটি প্রায়ই দ্রুত।

প্রতিটি কনভার্টার এমন একটি ডকুমেন্টকে উল্টো পথে বোঝার চেষ্টা করে, যা কোথাও না কোথাও আগে এডিটযোগ্য রূপে ছিল। PDF কোনো সহকর্মী, ক্লায়েন্ট বা আপনার নিজের আগের কাজ থেকে এলে মূল DOCX, Google Doc বা InDesign ফাইল প্রায় সবসময় যেকোনো কনভার্সনের চেয়ে ভালো: স্টাইল অক্ষত, টেবিল আসল, ট্র্যাক করা পরিবর্তন ও কমেন্ট সংরক্ষিত। সোর্স চেয়ে একটি ছোট ইমেইল এক ঘণ্টার পরিষ্কারের কাজ বাঁচাতে পারে, আর কেউ সাধারণত আপত্তি করে না। এতে একটি সূক্ষ্ম সমস্যাও এড়ানো যায়: কনভার্ট করা ফাইল সম্পূর্ণ দেখায়, তাই কনভার্সনে ঢোকা ছোট ভুল অলক্ষ্যে পরের সংস্করণে চলে যেতে পারে।

আগে চেয়ে নেওয়াই সঠিক সিদ্ধান্ত: দীর্ঘ ডকুমেন্ট যা অনেক এডিট করবেন, যে টেমপ্লেট আবার ব্যবহার করবেন, জটিল টেবিল বা ফর্ম আছে এমন কিছু, এবং আইনি বা আর্থিক ডকুমেন্ট যেখানে একটি ভুল পড়া অঙ্কও ঝুঁকি। কনভার্ট করাই সঠিক যখন সোর্স হারিয়ে গেছে, PDF এমন কাগজের স্ক্যান যার কখনো ডিজিটাল মূল ছিল না, অথবা শুধু কয়েকটি অনুচ্ছেদ তুলে নেওয়া দরকার। সে ক্ষেত্রে PDF কনভার্টার সাধারণ টেক্সটও দেয়, যা পুরো ফরম্যাট করা Word ফাইলের চেয়ে উদ্ধৃতির জন্য পরিষ্কার।

স্বাক্ষরিত বা সার্টিফায়েড PDF একটি বিশেষ ক্ষেত্র। Word-এ কনভার্ট করলে স্বাক্ষর ও তার বৈধতা চলে যায়, তাই Word ফাইলকে শুধু কাজের কপি ভাবুন। এডিট করা সংস্করণ ফেরত পাঠাতে হলে Word কপিতে পরিবর্তন করুন, আবার PDF-এ এক্সপোর্ট করুন এবং আবার স্বাক্ষর করিয়ে নিন; কনভার্ট করা ফাইলকে স্বাক্ষরিত মূল কপি হিসেবে দেখাবেন না। সার্টিফিকেশন বা সরকারি সিলযুক্ত PDF-এও একই কথা: দৃশ্যমান চিহ্ন থেকে যেতে পারে, কিন্তু তার ডিজিটাল প্রমাণ থাকে না।