PDF کا OCR

سرچ ایبل PDF، جسے کبھی تصویر جمع متن کہا جاتا ہے، ہر صفحے پر دو چیزیں رکھتا ہے: اصل اسکین بطور تصویر، اور چھپے ہوئے الفاظ کے عین اوپر پہچانے گئے متن کی غیر مرئی تہہ۔ ویورز تصویر دکھاتے ہیں اور متن کو تلاش، انتخاب، کاپی اور اسکرین ریڈرز کے لیے استعمال کرتے ہیں۔ ظاہری شکل میں کوئی فرق نہیں آتا، اسی لیے آرکائیوز، قانونی دفاتر اور ریکارڈ کے شعبے اسکین شدہ کاغذات کے لیے اسے ترجیح دیتے ہیں۔

PDF 2008 میں کھلا معیار ISO 32000 بنا، اور PDF/A، جو ISO 19005 میں طے شدہ آرکائیو پروفائل ہے، ان اسکین شدہ ریکارڈز کے لیے عام ہے جنہیں دہائیوں تک پڑھنے کے قابل رہنا ہو۔ Adobe Acrobat میں یہی کام Scan & OCR ٹول کرتا ہے، اور کئی آفس اسکینرز میں "searchable PDF" آؤٹ پٹ ہوتا ہے؛ یہاں کا نتیجہ عام PDF ہے جو کسی بھی ویور میں کھلتا ہے۔

جب اسکین خود ہی ریکارڈ ہو، جیسے دستخط شدہ معاہدہ، رجسٹری یا طبی رپورٹ، تو سرچ ایبل PDF درست انتخاب ہے۔ دوسرے آؤٹ پٹ پہچانے گئے الفاظ سے نئی دستاویز بناتے ہیں، جو ترمیم کے لیے مفید ہے، مگر کاپی اتنی ہی اچھی ہوتی ہے جتنی پہچان۔ جس PDF میں پہلے سے اصل متن موجود ہو اس سے Word لینے کے لیے PDF سے Word استعمال کریں، جو OCR کے بغیر موجودہ متن پڑھتا ہے؛ صرف الفاظ کے لیے اسکین شدہ PDF سے ٹیکسٹ اسی کام کے لیے بنایا گیا ہے۔

متن کی تہہ فائل سائز میں بہت کم اضافہ کرتی ہے، کیونکہ صفحے کی تصویروں کے مقابلے میں متن نہایت چھوٹا ہوتا ہے۔ اگر اسکین پہلے ہی اپ لوڈ فارم کے لیے بڑا تھا تو پہلے OCR کریں اور پھر PDF کمپریس کریں تاکہ فارم کی اجازت کے مطابق سائز ہو جائے۔