PDF को Word में कैसे बदलें: 4 तरीके, OCR और कमियाँ

Adobe ने PDF को 1993 में इसलिए बनाया था कि कोई भी डॉक्यूमेंट हर मशीन पर एक जैसा प्रिंट हो, और 2008 में यह फ़ॉर्मेट अंतरराष्ट्रीय मानक ISO 32000-1 बन गया। इस वादे को निभाने के लिए PDF का पेज असल में ड्रॉइंग निर्देशों की सूची होता है: ये अक्षर इस फ़ॉन्ट में इन निर्देशांकों पर रखो, यहाँ लाइन खींचो, वहाँ इमेज लगाओ। जो वाक्य दूसरी लाइन में चला जाता है, वह फ़ाइल में बस दो अलग-अलग टेक्स्ट टुकड़े होते हैं जो एक के ऊपर एक रखे हैं। फ़ाइल में कहीं नहीं लिखा होता कि वे एक ही वाक्य के हिस्से हैं।

Word डॉक्यूमेंट इसका उलटा काम करता है। DOCX फ़ाइल, जो Office Open XML मानक (ECMA-376, बाद में ISO/IEC 29500) से तय होती है, पैराग्राफ़, स्टाइल, टेबल, सेक्शन ब्रेक और हेडर सहेजती है, और हर बार पेज बनाते समय Word खुद तय करता है कि लाइन कहाँ टूटेगी। एक शब्द जोड़ने पर पैराग्राफ़ दोबारा सेट हो जाता है। मार्जिन, फ़ॉन्ट या पेपर साइज़ बदलने पर हर लाइन खिसक जाती है। एडिट करते समय यही चाहिए, और यही PDF ने कभी दर्ज नहीं किया, क्योंकि PDF सेव होते ही पूरी तरह तैयार हो चुकी होती है।

इसलिए PDF को Word में बदलना फिर से बनाने का काम है, खोलकर निकालने का नहीं। कन्वर्टर को अंदाज़ा लगाना पड़ता है कि कौन-सी लाइनें एक पैराग्राफ़ हैं, कौन-सी बोल्ड लाइन हेडिंग है और कौन-सी बस छोटा बोल्ड वाक्य, कौन-से अलाइन शब्द टेबल बनाते हैं, और दो कॉलम किस क्रम में पढ़े जाएँ। अच्छे कन्वर्टर साफ़-सुथरे डॉक्यूमेंट पर सही अंदाज़ा लगाते हैं और भारी लेआउट पर चूक जाते हैं। अगर PDF टैग के साथ एक्सपोर्ट हुई थी (एक्सेसिबिलिटी के लिए बनी स्ट्रक्चर लेयर), तो अंदाज़े बेहतर होते हैं, क्योंकि टैग हेडिंग, सूचियाँ और पढ़ने का क्रम साफ़ दर्ज करते हैं।

.pdf पर खत्म होने वाली दो बिल्कुल अलग चीज़ें होती हैं। टेक्स्ट PDF Word, Google Docs, अकाउंटिंग सिस्टम या ब्राउज़र के प्रिंट डायलॉग से बनी होती है और उसमें असली अक्षर होते हैं जिन्हें आप सेलेक्ट, कॉपी और सर्च कर सकते हैं। स्कैन PDF स्कैनर, कॉपियर या फ़ोन ऐप से बनती है और उसका हर पेज कागज़ की फोटो होता है। कन्वर्टर के लिए स्कैन पेज में कोई शब्द नहीं होता, सिर्फ़ पिक्सल होते हैं, भले ही स्क्रीन पर टेक्स्ट एकदम साफ़ दिखे। फ़ाइल का नाम और आइकन कुछ नहीं बताते; फ़ाइल मैनेजर में दोनों एक जैसी दिखती हैं।

स्कैन पेज से कुछ भी एडिट करने लायक निकालने से पहले उसे ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) से गुज़ारना पड़ता है। OCR अक्षरों की आकृतियाँ देखकर उन्हें टेक्स्ट बनाता है, और उसकी सटीकता रेज़ोल्यूशन, कंट्रास्ट, झुकाव और भाषा पर निर्भर करती है। सफ़ेद पर काले अक्षरों वाला साफ़ 300 dpi स्कैन लगभग पूरी तरह सही पढ़ा जाता है; टेबल लैंप की रोशनी में तिरछी खींची गई फ़ोन फोटो से हर पैराग्राफ़ में गलतियाँ आती हैं। OCR के बिना कन्वर्टर या तो खाली डॉक्यूमेंट देते हैं या ऐसी Word फ़ाइल जिसमें हर पेज एक तस्वीर की तरह चिपका होता है।

असल में कई फ़ाइलें मिली-जुली होती हैं: टेक्स्ट के रूप में एक्सपोर्ट किया गया कॉन्ट्रैक्ट जिसके अंत में हस्ताक्षर वाला पेज स्कैन किया गया हो, या ऐसी रिपोर्ट जिसके परिशिष्ट में स्कैन की गई रसीदें हों। हर पेज को अलग जाँचने वाला कन्वर्टर इनमें सबसे अच्छा काम करता है, क्योंकि वह टेक्स्ट पेज सीधे पढ़ता है और OCR सिर्फ़ वहीं लगाता है जहाँ ज़रूरत हो, इसलिए एक्सपोर्ट किए पेज अक्षर-दर-अक्षर सही रहते हैं। अगर आप स्कैन खुद बना रहे हैं, तो डॉक्यूमेंट को PDF में स्कैन करने की गाइड में वह रेज़ोल्यूशन और रोशनी बताई गई है जिससे OCR सबसे अच्छा चलता है।

Microsoft Word 2013 से PDF सीधे खोल सकता है, इसके लिए वह PDF Reflow नाम की सुविधा इस्तेमाल करता है। अगर Word पहले से इंस्टॉल है तो यह सबसे सीधा विकल्प है, और सादे पत्रों और रिपोर्ट पर अच्छा चलता है। यह एक बार में एक ही फ़ाइल कन्वर्ट करता है। Google Docs भी Google Drive के ज़रिए ऐसा ही तरीका देता है। Google का PDF को टेक्स्ट में बदलने का हेल्प पेज 2 MB या उससे छोटी फ़ाइलों की सलाह देता है और कहता है कि सूचियाँ, टेबल, कॉलम, फ़ुटनोट और एंडनोट पहचाने जाने की संभावना कम है, जो व्यवहार में दिखता भी है: शब्द आ जाते हैं, ढाँचा अक्सर नहीं आता।

Adobe Acrobat Standard और Pro Export PDF टूल से Word में एक्सपोर्ट करते हैं और स्कैन पेजों पर टेक्स्ट पहचान अपने आप चलाते हैं। Acrobat पेड सब्सक्रिप्शन है, और मुफ़्त Acrobat Reader में एक्सपोर्ट नहीं मिलता। ब्राउज़र कन्वर्टर इन दोनों के बीच बैठता है: कुछ इंस्टॉल नहीं करना पड़ता, हर ऑपरेटिंग सिस्टम पर चलता है, और आमतौर पर बहता टेक्स्ट या हूबहू लेआउट में से चुनने का विकल्प देता है। PDF से Word पेज पर टेक्स्ट पहचान (OCR) को Auto पर रखने से सिर्फ़ वही पेज पढ़े जाते हैं जिनमें टेक्स्ट लेयर नहीं है, और डॉक्यूमेंट की भाषा अंग्रेज़ी से अलग भाषा के स्कैन के लिए OCR की लिपि तय करती है।

Word का PDF Reflow सामान्य Open डायलॉग में ही छिपा है, इसीलिए कई लोग इसे कभी नहीं देखते। यह Windows पर Word 2013, 2016, 2019, 2021 और Microsoft 365 में काम करता है। Word एक संदेश दिखाता है कि वह PDF को एडिट करने लायक डॉक्यूमेंट में बदलेगा, इसमें समय लग सकता है और नतीजा मूल जैसा हूबहू नहीं दिखेगा, खासकर अगर फ़ाइल में बहुत ग्राफ़िक्स हों। OK पर क्लिक करें और कन्वर्ट की गई कॉपी नए, बिना सेव किए डॉक्यूमेंट के रूप में खुलती है; PDF में कोई बदलाव नहीं होता।

Microsoft के अपने दस्तावेज़ ऐसे तत्वों की सूची देते हैं जो शायद कन्वर्ट न हों, जैसे एक से ज़्यादा पेज में फैले फ़ुटनोट, एंडनोट, PDF बुकमार्क और कमेंट, और ग्लो या शैडो जैसे फ़ॉन्ट इफ़ेक्ट। व्यवहार में Word साइडबार, पुल कोट और कई कॉलम वाले मैगज़ीन पेजों को फ़्लोटिंग टेक्स्ट बॉक्स बना देता है, जो दिखने में ठीक लगते हैं पर एडिट करने में थकाऊ होते हैं। Word में स्कैन की भाषा चुनने का कोई सेटिंग भी नहीं है, इसलिए स्कैन पेजों पर accent वाले या गैर-लैटिन टेक्स्ट का नतीजा भाग्य पर निर्भर है। फिर भी एक पेज के पत्र या सादी रिपोर्ट के लिए यह अक्सर सबसे तेज़ तरीका है, और नतीजा उसी एडिटर में तैयार मिलता है जिसमें आप काम करेंगे।

एक कॉलम वाला सामान्य टेक्स्ट, जिसमें असली हेडिंग हों, किसी भी टूल से अच्छी तरह कन्वर्ट हो जाता है: पत्र, निबंध, कॉन्ट्रैक्ट और ज़्यादातर रिपोर्ट। बोल्ड, इटैलिक, बुलेट लिस्ट और दिखने वाली बॉर्डर वाली साधारण टेबल आमतौर पर बनी रहती हैं। इमेज तभी आती हैं जब कन्वर्टर उन्हें रखे; ब्राउज़र वाले तरीके में यह इमेज बनाए रखें विकल्प है, जो DOCX के लिए डिफ़ॉल्ट रूप से चालू रहता है। हाइपरलिंक आमतौर पर बने रहते हैं, बशर्ते वे PDF में असली लिंक रहे हों; नीले रंग का रेखांकित टेक्स्ट, जो कभी लिंक था ही नहीं, सादा टेक्स्ट ही रहता है। मूल लेआउट जितना साफ़ और पारंपरिक होगा, कन्वर्ज़न का असर उतना ही कम दिखेगा।

दिक्कत वहाँ शुरू होती है जहाँ पेज का लेआउट ही मतलब बताता है। दो कॉलम वाला टेक्स्ट नीचे की ओर पढ़ने के बजाय आड़ा पढ़ा जा सकता है। बिना रेखाओं वाली टेबल पहचानना मुश्किल होता है और वे टैब से अलग की गई लाइनों के रूप में आ सकती हैं। हेडर, फ़ुटर और पेज नंबर हर पेज पर सामान्य टेक्स्ट की तरह बने होते हैं, इसलिए वे अक्सर हर पेज पर मुख्य टेक्स्ट के बीच आ जाते हैं। भरे जा सकने वाले फ़ॉर्म फ़ील्ड सादे टेक्स्ट में बदल जाते हैं या खो जाते हैं। जो एम्बेडेड फ़ॉन्ट आपके कंप्यूटर में नहीं हैं, उनकी जगह सबसे मिलता-जुलता फ़ॉन्ट लग जाता है, जिससे लाइनों की लंबाई बदल जाती है। जिन डॉक्यूमेंट में ज़्यादातर टेबल हैं, उनके लिए स्प्रेडशीट बेहतर विकल्प है; देखें इमेज और PDF से टेबल निकालना।

कुछ भी एडिट करने से पहले दो मिनट कन्वर्ज़न की जाँच करें, क्योंकि आधा टेक्स्ट दोबारा लिखने के बाद की तुलना में ढाँचे की गड़बड़ी शुरू में ठीक करना आसान है। PDF और Word फ़ाइल को अगल-बगल रखें और दोनों को स्क्रोल करके देखें। पेज की सीमा पर गायब पैराग्राफ़, मुख्य टेक्स्ट में दोहराए गए हेडर और खुली लाइनों में बदल गई टेबल देखें। फ़ॉर्मेटिंग मार्क चालू करने पर अगर हर लाइन के अंत में पैराग्राफ़ मार्क दिखे, तो इसका मतलब है कि पैराग्राफ़ की जगह लाइन-दर-लाइन लेआउट मिला है; बहता टेक्स्ट के साथ दोबारा कन्वर्ट करना आमतौर पर लाइनें हाथ से जोड़ने से तेज़ होता है।

स्कैन किए पेजों के लिए स्पेलिंग चेक चलाएँ और नंबरों पर ख़ास ध्यान दें, जिन्हें स्पेल चेकर नज़रअंदाज़ कर देते हैं। OCR अक्सर अंक 0 को अक्षर O से, 1 को l से और 5 को S से मिला देता है, और इनवॉइस या कॉन्ट्रैक्ट में एक ग़लत अंक दस टाइपो से ज़्यादा मायने रखता है। अगर पूरे पैराग्राफ़ बिगड़े हुए हैं, तो हाथ से सुधारने से पहले डॉक्यूमेंट की भाषा जाँचें और दोबारा कन्वर्ट करें। जब लेआउट सुधार से बाहर हो, तो साफ़ टेक्स्ट को अपने टेम्पलेट वाले नए डॉक्यूमेंट में कॉपी कर लें; यह अक्सर टेक्स्ट बॉक्स सुलझाने से तेज़ होता है।

हर कन्वर्टर ऐसे डॉक्यूमेंट को उलटकर समझने की कोशिश करता है जो कहीं न कहीं एडिट हो सकने वाले रूप में पहले से मौजूद था। अगर PDF किसी सहकर्मी, क्लाइंट या आपके अपने पुराने काम से आई है, तो मूल DOCX, Google Doc या InDesign फ़ाइल लगभग हमेशा किसी भी कन्वर्ज़न से बेहतर होती है: स्टाइल सही, टेबल असली, ट्रैक किए बदलाव और कमेंट सुरक्षित। मूल फ़ाइल माँगने वाला एक छोटा ईमेल घंटे भर की सफ़ाई बचा सकता है, और लोग आमतौर पर बुरा नहीं मानते। इससे एक और बारीक समस्या भी टलती है: कन्वर्ट की गई फ़ाइल तैयार दिखती है, इसलिए कन्वर्ज़न से आई छोटी गलतियाँ अनजाने में अगले वर्शन तक पहुँच सकती हैं।

पहले माँगना उन लंबे डॉक्यूमेंट के लिए सही है जिन्हें आप काफ़ी एडिट करेंगे, उन टेम्पलेट के लिए जिन्हें दोबारा इस्तेमाल करेंगे, जटिल टेबल या फ़ॉर्म वाली चीज़ों के लिए, और कानूनी या वित्तीय डॉक्यूमेंट के लिए जहाँ एक ग़लत पढ़ा गया अंक जोखिम है। कन्वर्ट करना तब सही है जब मूल फ़ाइल नहीं रही, जब PDF किसी ऐसे कागज़ का स्कैन है जिसका डिजिटल मूल कभी था ही नहीं, या जब आपको बस कुछ पैराग्राफ़ चाहिए। ऐसे में PDF कन्वर्टर सादा टेक्स्ट भी देता है, जो पूरी तरह फ़ॉर्मेट की गई Word फ़ाइल से उद्धरण के लिए ज़्यादा साफ़ होता है।

हस्ताक्षरित या प्रमाणित PDF एक ख़ास मामला है। उसे Word में बदलने पर हस्ताक्षर और उसकी वैधता हट जाती है, इसलिए Word फ़ाइल को केवल वर्किंग कॉपी मानें। अगर एडिट किया वर्शन वापस भेजना हो, तो Word कॉपी में बदलाव करें, उसे फिर से PDF में एक्सपोर्ट करें और दोबारा हस्ताक्षर करवाएँ; कन्वर्ट की गई फ़ाइल को हस्ताक्षरित मूल बताकर न दें। यही बात प्रमाणन या आधिकारिक मुहर वाली PDF पर भी लागू होती है: दिखने वाला निशान बच सकता है, पर उसका डिजिटल प्रमाण नहीं बचता।