PDF کو Word میں تبدیل کریں: 4 طریقے، OCR اور مسائل

Adobe نے PDF کو 1993 میں اس لیے بنایا تھا کہ دستاویز ہر مشین پر ایک جیسی پرنٹ ہو، اور 2008 میں یہ فارمیٹ بین الاقوامی معیار ISO 32000-1 بن گیا۔ اس وعدے کو نبھانے کے لیے PDF کا صفحہ ڈرائنگ ہدایات کی فہرست ہوتا ہے: یہ حروف اس فونٹ میں ان کوآرڈینیٹس پر رکھو، یہاں لکیر کھینچو، وہاں تصویر لگاؤ۔ جو جملہ دوسری سطر پر چلا جائے وہ دراصل متن کے دو الگ ٹکڑے ہوتے ہیں جو اتفاق سے ایک کے نیچے ایک آ گئے ہیں۔ فائل میں کہیں نہیں لکھا کہ وہ ایک دوسرے سے جڑے ہیں۔

Word دستاویز اس کے برعکس کام کرتی ہے۔ DOCX فائل، جو Office Open XML معیار (ECMA-376، بعد میں ISO/IEC 29500) کے تحت بنتی ہے، پیراگراف، اسٹائل، ٹیبل، سیکشن بریک اور ہیڈر محفوظ کرتی ہے، اور ہر بار صفحہ ترتیب دیتے وقت Word طے کرتا ہے کہ سطر کہاں ٹوٹے۔ لفظ شامل کریں تو پیراگراف دوبارہ سمٹتا ہے۔ مارجن، فونٹ یا کاغذ کا سائز بدلیں تو ہر سطر کھسک جاتی ہے۔ ترمیم کے وقت یہی درکار ہوتا ہے، اور PDF نے یہ کبھی ریکارڈ ہی نہیں کیا، کیونکہ PDF محفوظ ہوتے ہی مکمل ہو چکی ہوتی ہے۔

لہٰذا PDF کو Word میں بدلنا کھولنا نہیں بلکہ دوبارہ تعمیر کرنا ہے۔ کنورٹر کو اندازہ لگانا پڑتا ہے کہ کون سی سطریں ایک پیراگراف بناتی ہیں، کون سی بولڈ سطر عنوان ہے اور کون سی محض چھوٹا بولڈ جملہ، کون سے ہم قطار الفاظ ٹیبل ہیں، اور دو کالموں کو کس ترتیب سے پڑھنا ہے۔ اچھے کنورٹر صاف دستاویزات پر درست اندازہ لگاتے ہیں اور بھری ہوئی دستاویزات پر کمزور۔ اگر PDF ٹیگز کے ساتھ ایکسپورٹ ہوئی ہو (رسائی کے لیے استعمال ہونے والی ساختی تہہ)، تو نتیجہ بہتر ہوتا ہے کیونکہ ٹیگز میں عنوان، فہرستیں اور پڑھنے کی ترتیب واضح درج ہوتی ہے۔

.pdf پر ختم ہونے والی دو بالکل مختلف چیزیں ہوتی ہیں۔ ٹیکسٹ PDF Word، Google Docs، اکاؤنٹنگ سسٹم یا براؤزر کے پرنٹ ڈائیلاگ سے بنتی ہے اور اس میں اصل حروف ہوتے ہیں جنہیں آپ منتخب، کاپی اور تلاش کر سکتے ہیں۔ اسکین شدہ PDF اسکینر، کاپیئر یا فون ایپ سے بنتی ہے اور ہر صفحہ کاغذ کی تصویر ہوتا ہے۔ کنورٹر کے لیے اسکین شدہ صفحے میں کوئی لفظ نہیں ہوتا، صرف پکسل ہوتے ہیں، چاہے اسکرین پر متن کتنا ہی صاف کیوں نہ لگے۔ فائل کا نام اور آئیکن کچھ نہیں بتاتے؛ فائل مینیجر میں دونوں ایک جیسی دکھائی دیتی ہیں۔

اسکین شدہ صفحے سے کوئی قابلِ ترمیم چیز نکالنے سے پہلے اسے آپٹیکل کریکٹر ریکگنیشن (OCR) سے گزارنا پڑتا ہے۔ OCR حروف کی شکلیں دیکھ کر انہیں متن میں بدلتا ہے، اور اس کی درستی ریزولیوشن، کنٹراسٹ، ترچھے پن اور زبان پر منحصر ہے۔ صاف 300 dpi سفید پر سیاہ اسکین تقریباً بالکل درست پڑھا جاتا ہے؛ ٹیبل لیمپ کی روشنی میں ترچھے زاویے سے لی گئی فون تصویر ہر پیراگراف میں غلطیاں دیتی ہے۔ OCR کے بغیر کنورٹر یا تو خالی دستاویز دیتے ہیں یا ایسی Word فائل جس میں ہر صفحہ ایک تصویر کی صورت میں چسپاں ہوتا ہے۔

بہت سی حقیقی فائلیں ملی جلی ہوتی ہیں: ایسا معاہدہ جو ٹیکسٹ کی صورت میں ایکسپورٹ ہوا ہو اور آخر میں دستخط والا صفحہ اسکین ہو، یا ایسی رپورٹ جس کے ضمیمے میں اسکین شدہ رسیدیں ہوں۔ ہر صفحے کو الگ جانچنے والا کنورٹر ان کو سب سے بہتر سنبھالتا ہے، کیونکہ وہ ٹیکسٹ صفحات براہِ راست پڑھتا ہے اور OCR صرف وہیں لگاتا ہے جہاں ضرورت ہو، اس لیے ایکسپورٹ شدہ صفحات حرف بہ حرف درست رہتے ہیں۔ اگر اسکین آپ خود بنا رہے ہیں تو دستاویزات کو PDF میں اسکین کرنے کی گائیڈ میں وہ ریزولیوشن اور روشنی بتائی گئی ہے جو OCR کو بہترین موقع دیتی ہے۔

Microsoft Word 2013 سے PDF براہِ راست کھول رہا ہے، اس فیچر کے ذریعے جسے Microsoft PDF Reflow کہتا ہے۔ اگر Word پہلے سے انسٹال ہے تو یہ واضح انتخاب ہے، اور سادہ خطوط اور رپورٹوں پر اچھا کام کرتا ہے۔ یہ ایک وقت میں ایک فائل بدلتا ہے۔ Google Docs بھی Google Drive کے ذریعے ملتا جلتا طریقہ دیتا ہے۔ Google کا PDF کو ٹیکسٹ میں بدلنے کا ہیلپ صفحہ 2 MB یا اس سے چھوٹی فائلوں کی سفارش کرتا ہے اور کہتا ہے کہ فہرستیں، ٹیبل، کالم، فٹ نوٹس اور اینڈ نوٹس کا پتا چلنے کا امکان کم ہے، جو عملاً بھی نظر آتا ہے: الفاظ آ جاتے ہیں، ساخت اکثر نہیں آتی۔

Adobe Acrobat Standard اور Pro Export PDF ٹول کے ذریعے Word میں ایکسپورٹ کرتے ہیں اور اسکین شدہ صفحات پر متن کی شناخت خودکار چلاتے ہیں۔ Acrobat ادائیگی والی سبسکرپشن ہے، اور مفت Acrobat Reader میں ایکسپورٹ شامل نہیں۔ براؤزر کنورٹر ان دونوں کے درمیان ہے: کچھ انسٹال نہیں کرنا، ہر آپریٹنگ سسٹم پر چلتا ہے، اور عموماً بہتے متن اور ہو بہو لے آؤٹ میں سے انتخاب دیتا ہے۔ PDF سے Word صفحے پر متن کی شناخت (OCR) کو Auto پر رکھیں تو یہ صرف ان صفحات کو پڑھتا ہے جن میں ٹیکسٹ لیئر نہیں، اور دستاویز کی زبان انگریزی کے علاوہ دوسری زبانوں کے اسکین کے لیے OCR کا رسم الخط طے کرتی ہے۔

Word کا PDF Reflow عام Open ڈائیلاگ میں موجود ہے، اسی لیے بہت سے لوگ اسے محسوس ہی نہیں کرتے۔ یہ Windows پر Word 2013، 2016، 2019، 2021 اور Microsoft 365 میں کام کرتا ہے۔ Word ایک نوٹس دکھاتا ہے کہ وہ PDF کو قابلِ ترمیم دستاویز میں بدلے گا، اس میں وقت لگ سکتا ہے، اور نتیجہ اصل جیسا نہیں لگ سکتا، خصوصاً جب فائل میں بہت سے گرافکس ہوں۔ OK پر کلک کریں تو تبدیل شدہ نقل ایک نئی، غیر محفوظ دستاویز کے طور پر کھلتی ہے؛ PDF خود کبھی نہیں بدلتی۔

Microsoft کی اپنی دستاویزات ان عناصر کی فہرست دیتی ہیں جو شاید تبدیل نہ ہوں، جن میں ایک سے زیادہ صفحات پر پھیلے فٹ نوٹس، اینڈ نوٹس، PDF بک مارکس اور تبصرے، اور glow یا shadow جیسے فونٹ ایفیکٹس شامل ہیں۔ عملاً Word سائیڈ بار، پل کوٹس اور کئی کالموں والے میگزین صفحات کو تیرتے ٹیکسٹ باکسز میں بدل دیتا ہے، جو دیکھنے میں ٹھیک لگتے ہیں مگر ایڈٹ کرنا تھکا دیتا ہے۔ Word میں اسکین کی زبان کی کوئی سیٹنگ بھی نہیں، اس لیے اسکین شدہ صفحات پر اعراب والا یا غیر لاطینی متن کبھی ٹھیک اور کبھی غلط آتا ہے۔ البتہ ایک صفحے کے خط یا سادہ رپورٹ کے لیے یہ اکثر سب سے تیز طریقہ ہے، اور نتیجہ پہلے ہی اسی ایڈیٹر میں ہوتا ہے جو آپ استعمال کریں گے۔

ایک کالم والا متن جس میں اصل عنوانات ہوں، کسی بھی ٹول سے اچھا تبدیل ہوتا ہے: خطوط، مضامین، معاہدے، زیادہ تر رپورٹیں۔ بولڈ، اٹالک، بلٹ فہرستیں اور نظر آنے والی حدود والے سادہ ٹیبل عموماً برقرار رہتے ہیں۔ تصاویر تب آتی ہیں جب کنورٹر انہیں رکھے، جو براؤزر طریقے میں تصاویر برقرار رکھیں آپشن ہے، اور DOCX کے لیے پہلے سے آن ہوتا ہے۔ ہائپر لنکس عموماً تب برقرار رہتے ہیں جب وہ PDF میں اصل لنک تھے؛ نیلا انڈر لائن متن جو کبھی لنک تھا ہی نہیں، سادہ متن رہتا ہے۔ اصل لے آؤٹ جتنا صاف اور روایتی ہو، تبدیلی اتنی ہی کم محسوس ہوتی ہے۔

مسئلہ وہاں شروع ہوتا ہے جہاں صفحے کا لے آؤٹ معنی رکھتا ہے۔ دو کالم والا متن نیچے کی بجائے آڑا پڑھا جا سکتا ہے۔ لکیروں کے بغیر ٹیبل کا پتا لگانا مشکل ہے اور وہ ٹیب سے الگ سطروں کی صورت میں آ سکتے ہیں۔ ہیڈر، فوٹر اور صفحہ نمبر ہر صفحے پر عام متن کی طرح بنے ہوتے ہیں، اس لیے اکثر ہر صفحے پر ایک بار متن کے بیچ میں آ جاتے ہیں۔ بھرے جانے والے فارم فیلڈ سادہ متن بن جاتے ہیں یا ضائع ہو جاتے ہیں۔ ایمبیڈڈ فونٹ جو آپ کے کمپیوٹر پر نہ ہوں قریب ترین فونٹ سے بدل جاتے ہیں، جس سے سطروں کی لمبائی بدل جاتی ہے۔ جن دستاویزات میں زیادہ تر ٹیبل ہوں ان کے لیے اسپریڈشیٹ بہتر ہدف ہے؛ دیکھیں تصاویر اور PDF سے ٹیبل نکالنا۔

کوئی بھی ترمیم کرنے سے پہلے دو منٹ لگا کر تبدیل شدہ فائل کو جانچ لیں، کیونکہ ساخت کی خرابی شروع میں ٹھیک کرنا آسان ہوتا ہے، آدھا متن دوبارہ لکھنے کے بعد نہیں۔ PDF اور Word فائل کو برابر برابر رکھ کر دونوں کو اسکرول کریں۔ صفحات کی حد پر غائب پیراگراف، بدن میں دہرائے گئے ہیڈر اور ایسے ٹیبل دیکھیں جو بکھری ہوئی سطروں میں بدل گئے ہوں۔ فارمیٹنگ مارکس آن کرنے پر اگر ہر سطر کے آخر میں پیراگراف کا نشان ہو تو مطلب ہے کہ پیراگراف کی جگہ سطر بہ سطر ترتیب بنی ہے؛ بہتا ہوا متن کے ساتھ دوبارہ تبدیل کرنا عموماً سطریں ہاتھ سے جوڑنے سے تیز حل ہے۔

اسکین شدہ صفحات میں اسپیلنگ چیک چلائیں اور اعداد پر خاص توجہ دیں، جنہیں اسپیل چیکر نظرانداز کر دیتا ہے۔ OCR اکثر عدد 0 کو حرف O، 1 کو l اور 5 کو S سمجھ لیتا ہے، اور انوائس یا معاہدے میں ایک غلط عدد دس املا کی غلطیوں سے زیادہ اہم ہوتا ہے۔ اگر پورے پیراگراف بگڑے ہوئے ہوں تو ہاتھ سے درست کرنے سے پہلے دستاویز کی زبان دیکھیں اور دوبارہ تبدیل کریں۔ اگر ترتیب ناقابلِ اصلاح ہو تو صاف متن اپنے ٹیمپلیٹ پر مبنی نئی دستاویز میں کاپی کر لیں؛ یہ اکثر ٹیکسٹ باکسز سلجھانے سے تیز ہوتا ہے۔

ہر کنورٹر ایسی دستاویز کو الٹا بنانے کی کوشش کرتا ہے جو کہیں نہ کہیں قابلِ ترمیم شکل میں پہلے سے موجود تھی۔ اگر PDF کسی ساتھی، کلائنٹ یا آپ کی اپنی پرانی فائل سے آئی ہے تو اصل DOCX، Google Doc یا InDesign فائل تقریباً ہمیشہ کسی بھی تبدیلی سے بہتر ہوتی ہے: اسٹائلز برقرار، ٹیبل اصلی، ٹریک شدہ تبدیلیاں اور تبصرے محفوظ۔ اصل فائل مانگنے والی ایک مختصر ای میل گھنٹے بھر کی صفائی بچا سکتی ہے، اور لوگ شاذ ہی برا مانتے ہیں۔ اس سے ایک باریک مسئلہ بھی ٹلتا ہے: تبدیل شدہ فائل مکمل نظر آتی ہے، اس لیے تبدیلی سے آنے والی چھوٹی غلطیاں اگلے ورژن میں بغیر نوٹس کے چلی جاتی ہیں۔

پہلے پوچھنا ان لمبی دستاویزات کے لیے درست ہے جن میں بہت ترمیم ہوگی، ان ٹیمپلیٹس کے لیے جو دوبارہ استعمال ہوں گے، پیچیدہ ٹیبل یا فارم والی چیزوں کے لیے، اور قانونی یا مالی دستاویزات کے لیے جہاں ایک غلط پڑھا گیا عدد خطرہ ہے۔ تبدیل کرنا تب درست ہے جب اصل فائل ختم ہو چکی ہو، PDF کاغذ کی ایسی اسکین ہو جس کا ڈیجیٹل اصل کبھی تھا ہی نہیں، یا آپ کو صرف چند پیراگراف چاہئیں۔ اس صورت میں PDF کنورٹر سادہ متن بھی دیتا ہے، جو حوالہ دینے کے لیے مکمل فارمیٹڈ Word فائل سے صاف ہوتا ہے۔

دستخط شدہ یا مصدقہ PDF ایک خاص صورت ہے۔ اسے Word میں تبدیل کرنے سے دستخط اور اس کی توثیق ختم ہو جاتی ہے، اس لیے Word فائل کو صرف ورکنگ کاپی سمجھیں۔ اگر ترمیم شدہ ورژن واپس بھیجنا ہو تو Word کاپی میں تبدیلیاں کریں، اسے دوبارہ PDF میں ایکسپورٹ کریں اور دوبارہ دستخط کروائیں؛ تبدیل شدہ فائل کو دستخط شدہ اصل کے طور پر پیش نہ کریں۔ یہی بات سرٹیفکیشن یا سرکاری مہر والی PDF پر بھی لاگو ہوتی ہے: بصری نشان بچ سکتا ہے، مگر اس کا ڈیجیٹل ثبوت نہیں بچتا۔