पीडीएफ को देखा जा सकता है लेकिन कॉपी नहीं किया जा सकता है, यह स्कैन नहीं हो सकता है: पहले टेक्स्ट लेयर और कैरेक्टर मैपिंग की जांच करें

यदि आप पीडीएफ में पाठ देख सकते हैं लेकिन उसे कॉपी नहीं कर सकते हैं, तो यह स्कैन की गई कॉपी नहीं हो सकती है, या कैरेक्टर मैपिंग में कोई समस्या हो सकती है। यह आलेख उन डेवलपर्स और दस्तावेज़ प्रोसेसरों के लिए लिखा गया है जिन्हें पीडीएफ सामग्री को निकालने, अनुवाद करने या संरचना करने की आवश्यकता है। पढ़ने के बाद, आप जानेंगे कि पहले पाठ-स्तरीय मुद्दों और छवि सामग्री को कैसे अलग किया जाए, और आगे क्या करना है यह निर्धारित करने के लिए एकीकृत संकेतों का उपयोग करें।

यहां कोड और उदाहरण सिंथेटिक नमूनों का उपयोग करते हैं जो एक अलग वातावरण में नमूना जांच पास कर चुके हैं और सभी वास्तविक फ़ाइलों या उत्पाद प्रदर्शन की गारंटी का प्रतिनिधित्व नहीं करते हैं। महत्वपूर्ण दस्तावेज़ों को संसाधित करने से पहले, कृपया मूल दस्तावेज़ अपने पास रखें और पाठ में सीमाओं और स्वीकृति आइटम के अनुसार उनकी समीक्षा करें।

पीडीएफ को देखा जा सकता है लेकिन कॉपी नहीं किया जा सकता। क्या यह स्कैन की गई कॉपी है? एक वाक्य का निष्कर्ष

सीधे न्याय नहीं कर सकते. पहले टेक्स्ट लेयर और कैरेक्टर मैपिंग की जांच करें, फिर पेज इमेज को देखें और अंत में निर्धारित करें कि यह स्कैन है या मैपिंग विफलता।

कॉपी किया गया कोड विकृत क्यों है?

उपयोगकर्ता टेक्स्ट को ब्राउज़र या रीडर में सामान्य रूप से देख सकते हैं, लेकिन कॉपी किया गया टेक्स्ट विकृत, रिक्त या अप्रासंगिक प्रतीकों वाला होता है। यह आमतौर पर कोई क्षतिग्रस्त फ़ाइल नहीं है, न ही यह आवश्यक रूप से स्कैन की गई प्रतिलिपि है। मूल कारण यह है कि पीडीएफ के अंदर ग्लिफ़ (ग्लिफ़) से यूनिकोड मैपिंग टेबल (टूयूनिकोड सीएमएपी) गायब है या गलत है।

रेंडरिंग इंजन दृश्य सामग्री खींचने के लिए ग्लिफ़ इंडेक्स पर निर्भर करते हैं, जबकि क्लिपबोर्ड और टेक्स्ट निष्कर्षण उपकरण सिमेंटिक वर्णों को पुनर्स्थापित करने के लिए मैपिंग टेबल पर निर्भर करते हैं। जब दोनों को तोड़ दिया जाता है, तो खराब पाठ की एक "दृश्यमान सामान्य, मशीन-अपठनीय" परत दिखाई देती है।

दस्तावेज़ अनुवाद या संरचित निष्कर्षण करने से पहले, आपको पहले यह पुष्टि करनी होगी कि क्या समस्या मैपिंग में है या पृष्ठ स्वयं एक छवि है। अन्यथा बाद की ओसीआर या एनएलपी प्रक्रियाएं गलत आधार पर आधारित होंगी।

ग्लिफ़ इंडेक्स और यूनिकोड मैपिंग के बीच तंत्र को तोड़ना

पीडीएफ विनिर्देश फ़ॉन्ट को केवल ग्लिफ़ रूपरेखा और चौड़ाई की जानकारी एम्बेड करने की अनुमति देता है, लेकिन वर्ण एन्कोडिंग मैपिंग की नहीं। निम्नलिखित स्थितियाँ टूटने का कारण बन सकती हैं:

• पीडीएफ उत्पन्न करने वाला सॉफ्टवेयर टूयूनिकोड तालिका को सही ढंग से नहीं लिखता है
• कस्टम एन्कोडिंग का उपयोग किया जाता है लेकिन कोई डिकोडिंग नियम प्रदान नहीं किए जाते हैं

इस समय एक्सट्रैक्टर केवल मूल ग्लिफ़ आईडी (सीआईडी) ही प्राप्त कर सकता है। ये आईडी रेंडरर के लिए सार्थक हैं लेकिन टेक्स्ट प्रोसेसिंग के लिए इनका कोई मूल्य नहीं है।

कुछ उपकरण मैपिंग का अनुमान लगाने के लिए अनुमान का उपयोग करते हैं, और परिणाम ऐसे वर्ण हो सकते हैं जो उचित प्रतीत होते हैं लेकिन वास्तव में गलत हैं, जैसे चीनी विराम चिह्न को लैटिन अक्षरों में परिवर्तित करना, या संख्याओं को नियंत्रण वर्णों से बदलना। इस प्रकार का "डमी टेक्स्ट" शुद्ध व्हाइटस्पेस की तुलना में अधिक सूक्ष्म है क्योंकि यह गैर-शून्य जांच को पारित कर सकता है, लेकिन यह डाउनस्ट्रीम लिंक में मूक डेटा प्रदूषण का कारण बनेगा।

ऐसी समस्याओं का निर्णय करने की कुंजी यह देखना नहीं है कि पाठ का चयन किया जा सकता है या नहीं, बल्कि यह सत्यापित करना है कि निकाली गई स्ट्रिंग दृश्य सामग्री के साथ शब्दार्थ रूप से सुसंगत है या नहीं।

मेमोरी संश्लेषण निदान के लिए PyMuPDF का उपयोग करें

निम्नलिखित कोड मेमोरी में इनपुट बनाता है और डायग्नोस्टिक तर्क को सत्यापित करता है:

from io import BytesIO
from PIL import Image
import pymupdf
def inspect(page):
    text = page.get_text().strip()
    images = page.get_images()
    if "\ufffd" in text:
        state = "review_replacement_characters"
    elif text:
        state = "text_present_needs_semantic_review"
    elif images:
        state = "image_without_extracted_text"
    else:
        state = "empty_text_needs_review"
    return {"state": state, "characters": len(text), "image_refs": len(images)}
with pymupdf.open() as doc:
    doc.new_page().insert_text((50, 50), "Text sample")
    doc.new_page()
    picture = BytesIO()
    Image.new("RGB", (16, 16), "red").save(picture, format="PNG")
    doc.new_page().insert_image(pymupdf.Rect(10, 10, 100, 100), stream=picture.getvalue())
    assert inspect(doc[0])["state"] == "text_present_needs_semantic_review"
    assert inspect(doc[1])["state"] == "empty_text_needs_review"
    assert inspect(doc[2])["state"] == "image_without_extracted_text"
    assert inspect(doc[2])["characters"] == 0

उपरोक्त कोड में, diagnose_text_layer फ़ंक्शन get_text("text") के माध्यम से मूल पाठ प्राप्त करता है, नियंत्रण वर्णों और व्हाइटस्पेस वर्णों को फ़िल्टर करने के लिए unicodedata.category का उपयोग करता है, और प्रभावी सामग्री के अनुपात की गणना करता है। साथ ही, यह get_text("blocks") के माध्यम से छवि ब्लॉकों की उपस्थिति का पता लगाता है।

दोनों दावे दो मामलों को सत्यापित करते हैं: 0.9 से अधिक मुद्रण क्षमता दर वाला एक सामान्य दस्तावेज़, और शून्य की वर्ण गणना वाला स्कैन किया गया दस्तावेज़। इसमें कोर ब्रांचिंग लॉजिक शामिल है।

यह ध्यान रखना महत्वपूर्ण है कि यह निदान पूरी तरह से सांख्यिकीय विशेषताओं पर आधारित है। एन्क्रिप्टेड फ़ॉन्ट या विशेष एन्कोडिंग के लिए, मैन्युअल समीक्षा अभी भी आवश्यक है।

📊 कोर तुलना

निम्नलिखित तालिका विभिन्न संकेतों के अनुरूप निरीक्षण दिशाओं और उन निष्कर्षों को सूचीबद्ध करती है जिन्हें नहीं निकाला जाना चाहिए:

🎯 कौन सा तरीका आपको सूट करता है?

यदि आप पाठ देख सकते हैं लेकिन इसे कॉपी नहीं कर सकते हैं

टूयूनिकोड मैपिंग और फ़ॉन्ट एन्कोडिंग की जाँच को प्राथमिकता दें, जो आमतौर पर मानचित्र टूटने के कारण होते हैं।

यदि कॉपी किया गया पाठ सामान्य दिखता है लेकिन इसमें त्रुटियां हैं,

पैराग्राफ द्वारा परिणामों की तुलना करने और निकालने के लिए दृश्य सामग्री का उपयोग करें; केवल यह न देखें कि क्या यह शून्य नहीं है।

यदि पृष्ठ में केवल चित्र हैं और कोई पाठ नहीं है

जांचें कि क्या छवि में पाठ है, फिर तय करें कि ओसीआर की आवश्यकता है या नहीं। यह न मानें कि पूरा पृष्ठ एक स्कैन है।

यदि आप दस्तावेज़ अनुवाद करने की तैयारी कर रहे हैं

सबसे पहले, पाठ अखंडता जांच पूरी करें, फिर असंवेदनशील नमूने को अनुवाद प्रक्रिया को सौंप दें।

दस्तावेज़ अनुवाद के लिए इस चेकलिस्ट का उपयोग करें

सबसे पहले, पृष्ठ क्रम, स्रोत स्थान और पाठ अखंडता की सावधानीपूर्वक जांच करें, फिर अनुवाद प्रक्रिया में उसी डिसेन्सिटाइजेशन नमूना को सबमिट करें। अनुवाद के बाद, यह जांचना अभी भी आवश्यक है कि शीर्षक, मुख्य पाठ और कैप्शन सही ढंग से मेल खाते हैं या नहीं; केवल पाठ की चिकनाई से न्याय करना पर्याप्त नहीं है।

ओमनीडॉक (उत्पाद प्रविष्टि) एक बहु-प्रारूप दस्तावेज़ अनुवाद पोर्टल प्रदान करता है, जिसमें आधिकारिक वेबसाइट OCR, शब्दावली और द्विभाषी संदर्भ सुविधाओं को पेश करती है। यदि आप सीधे फ़ाइल से प्रारंभ करना चाहते हैं, तो आप वास्तविक नमूनों के साथ इस पथ का मूल्यांकन कर सकते हैं।

कृपया इस लेख में चेकलिस्ट के परिणामों को अपलोड करने और सत्यापित करने के लिए आपके पास मौजूद चिंतित फ़ाइल का उपयोग करें। यह दावा नहीं करता है कि ओमनीडॉक इस लेख में उल्लिखित ओपन-सोर्स लाइब्रेरी या आंतरिक एल्गोरिदम का उपयोग करता है, न ही यह उत्पाद प्रदर्शन परीक्षण को उदाहरणों के साथ प्रतिस्थापित करता है।

❓ अक्सर पूछे जाने वाले प्रश्न (FAQ)

1. यदि आप टेक्स्ट निकाल सकते हैं, तो क्या इसका मतलब है कि टेक्स्ट लेयर सही है?

नहीं। निकाली गई सामग्री को शब्दार्थ, क्रम और स्रोत के लिए भी जांचने की आवश्यकता होती है, और यदि मैपिंग गलत है, तो यह प्रतीत होता है कि उचित वर्णों का उत्पादन कर सकता है।

2. यदि पृष्ठ पर चित्र हैं, तो क्या इसका मतलब यह है कि यह एक स्कैन है?

आवश्यक रूप से नहीं। छवि संदर्भ यह साबित नहीं करते हैं कि छवि पूरे पृष्ठ को कवर करती है, न ही यह साबित करती है कि पाठ को पहचाना जा सकता है; आपको यह जांचने की आवश्यकता है कि छवि में पाठ है या नहीं।

3. यदि न तो पाठ और न ही छवियों का पता लगाया जाता है, तो क्या इसका मतलब यह है कि पृष्ठ खाली है?

इसके आधार पर कोई निष्कर्ष नहीं निकाला जा सकता है। निर्णय लेने से पहले आपको पृष्ठ के प्रतिपादन की जांच करनी चाहिए।

4. क्या इस डायग्नोस्टिक स्क्रिप्ट का उपयोग सभी पीडीएफ के लिए किया जा सकता है?

नहीं। यह पूरी तरह से सांख्यिकीय विशेषताओं पर आधारित है; एन्क्रिप्टेड फोंट या विशेष एन्कोडिंग को अभी भी मैन्युअल सत्यापन की आवश्यकता होती है।

📝 सारांश

पीडीएफ को पढ़ा जा सकता है लेकिन कॉपी नहीं किया जा सकता है; पहले टेक्स्ट परतों और वर्ण मैपिंग की जांच करें, फिर छवि सामग्री को देखें, और अंत में निर्धारित करें कि क्या यह एक स्कैन की गई प्रतिलिपि है। प्रसंस्करण से पहले, मूल दस्तावेज़ रखें और निरीक्षण वस्तुओं के साथ प्रत्येक आइटम की समीक्षा करें।

अभी अनुभव करें: मूल स्वरूपण को संरक्षित करते हुए अनुवाद शुरू करने के लिए अपना दस्तावेज़ अपलोड करें

आगे पढ़ना

• PyMuPDF पाठ निष्कर्षण का विस्तृत विवरण
• PyMuPDF आधिकारिक दस्तावेज़ होमपेज