اسکین شدہ اردو PDF کو OCR سے قابلِ تلاش کیسے بنائیں

نستعلیق اور OCR کے لیے اس کی اہمیت

نستعلیق ایک رواں، خطاطانہ انداز ہے۔ کسی ایک ہموار سطر پر ٹکنے کے بجائے لفظ کے حروف دائیں سے بائیں ڈھلوان میں نیچے آتے ہیں، جڑے ہوئے حروف ایک دوسرے کے اوپر چڑھتے اور ملتے ہیں، اور نقطے ان کے درمیان کی چھوٹی جگہوں میں گھس جاتے ہیں۔ الفاظ اکثر جڑے ہوئے حروف کے کئی الگ گروہوں سے بنتے ہیں، اس لیے لفظ کے اندر کے خلا الفاظ کے درمیان کے خلا جیسے لگ سکتے ہیں۔ ان میں سے ہر خصوصیت OCR انجن کے لیے حروف الگ کرنا، ان کے نقطے برقرار رکھنا اور یہ طے کرنا مشکل بناتی ہے کہ الفاظ کہاں شروع اور ختم ہوتے ہیں۔ نسخ طرز کے اردو فونٹ میں پرنٹ ہونے والی دستاویزات، جو کچھ فارمز اور ڈیجیٹل دستاویزات استعمال کرتی ہیں، عموماً روایتی نستعلیق طباعت سے بہتر پہچانی جاتی ہیں۔ نتائج پر رائے قائم کرنے سے پہلے یہ جاننا مفید ہے کہ آپ کے پاس کون سا انداز ہے۔

VelloDoc کا اردو OCR کیسے کام کرتا ہے

PDF OCR اوپن سورس Tesseract انجن کو اس کے اردو زبان کے ڈیٹا کے ساتھ استعمال کرتا ہے۔ جب آپ اردو چنتے ہیں تو ہر صفحہ تقریباً 250 DPI پر بنایا جاتا ہے، الفاظ پہچانے جاتے ہیں، اور پہچانا گیا متن اصل صفحے کے اوپر پوشیدہ طور پر رکھا جاتا ہے، اس لیے صفحہ ویسا ہی دکھائی دیتا ہے مگر اس میں تلاش اور کاپی ہو سکتی ہے۔ اس گائیڈ پر اوپر والا ٹول اردو پہلے سے منتخب کر کے شروع ہوتا ہے۔ اردو دستاویزات کے لیے عربی کے بجائے اردو چنیں: اردو میں ایسے حروف ہیں جو عربی میں نہیں، جیسے ٹ، ڈ، ڑ، ں اور ے، اور اردو کا ڈیٹا اردو الفاظ کی بنیاد پر بنا ہے۔ اگر اردو دستاویز میں انگریزی الفاظ ہوں تو انگریزی کو دوسری زبان کے طور پر شامل کریں تاکہ دونوں رسم الخط پہچانے جائیں۔

اردو اسکین تیار کرنا

نستعلیق کی چھوٹی اور گنجان تفصیلات ہی سب سے پہلے خراب اسکین کا شکار ہوتی ہیں، اس لیے انجن کو جتنی ممکن ہو وضاحت دیں۔ پرنٹ شدہ صفحات گرے اسکیل میں 300 DPI یا اس سے زیادہ پر اسکین کریں، صفحات ہموار رکھیں تاکہ جلد کے قریب سطریں نہ مڑیں، اور اسکینر کا شیشہ صاف کریں۔ فون کے ساتھ یکساں روشنی میں ہر صفحے کی سیدھے اوپر سے تصویر لیں، فریم کو کاغذ سے بھریں اور سایوں سے بچیں۔ شناخت سے پہلے اسکین کمپریس نہ کریں: سخت JPEG کمپریشن ان نقطوں اور جوڑوں کو دھندلا دیتی ہے جو حروف میں فرق کرتے ہیں۔ آپ کے پاس جو بہترین ورژن ہو اس پر OCR چلائیں، اور اگر فائل چھوٹی کرنی ہو تو بعد میں تیار فائل کمپریس کریں۔

مراحل کی قابلِ اعتماد ترتیب

اسکین شدہ صفحات کے ڈھیر کے لیے اچھی ترتیب یہ ہے: فون کی تصاویر اسکین سے PDF سے ایک فائل میں جمع کریں، یا اپنے اسکینر کی PDF سے شروع کریں؛ دو طرفہ اسکین کی خالی پشت خالی صفحات حذف کریں سے ہٹائیں؛ ترچھے صفحات PDF سیدھی کریں سے سیدھے کریں؛ پھر OCR چلائیں۔ یہی ترتیب رکھیں، کیونکہ اردو تحریر کی سیدھی سطریں ترچھی سطروں کے مقابلے میں کہیں زیادہ قابلِ اعتماد طریقے سے پہچانی جاتی ہیں۔ آخر میں نتیجہ جانچیں اور ضرورت ہو تو PDF کمپریس کریں سے اس کا سائز کم کریں۔

پہچانے گئے اردو متن کی جانچ اور ترمیم

نتیجے میں صفحے پر نظر آنے والے چند الفاظ تلاش کریں۔ توقع رکھیں کہ کچھ تلاشیں لفظ موجود ہونے کے باوجود ناکام ہوں گی، کیونکہ ایک غلط پڑھا گیا حرف بھی مطابقت توڑ دیتا ہے۔ نام، اعداد اور تاریخیں احتیاط سے جانچیں؛ اردو دستاویزات مشرقی عربی ہندی ہندسے استعمال کر سکتی ہیں، اور ان کی شناخت کا طریقہ مختلف ہو سکتا ہے۔ متن ایڈٹ کرنے کے لیے PDF سے Word اسے قابلِ ترمیم دستاویز کے طور پر واپس لاتا ہے، اور PDF سے TXT اسے سادہ متن کے طور پر محفوظ کرتا ہے۔ دونوں میں سے کسی کو بھی ایسے پروگرام میں کھولیں جو دائیں سے بائیں اردو متن سپورٹ کرے، اور درستیوں کے لیے وقت رکھیں۔ مختلف ویوورز پوشیدہ تہوں میں دائیں سے بائیں متن کو مختلف طریقے سے سنبھالتے ہیں، اس لیے اگر کاپی کیا گیا متن بے ترتیب لگے تو کوئی دوسری ایپلیکیشن آزمائیں۔

جب OCR درست جواب نہ ہو

عام مقصد کا OCR ہاتھ کی لکھائی، آرائشی خطاطی، مدھم کاربن کاپیوں یا بری طرح خراب صفحات کے لیے نہیں بنا، اور آرائشی انداز میں لکھی اردو شاعری خاص طور پر مشکل ہے۔ ایسے مواد میں قابلِ تلاش تہہ درست صفحہ ڈھونڈنے میں پھر بھی مدد دے سکتی ہے، مگر خود متن قابلِ بھروسا نہیں ہوتا۔ اگر درستی بہت اہم ہو، مثلاً قانونی یا تعلیمی حوالے کے لیے، تو پہچانے گئے اقتباسات کا صفحے کی تصویر سے موازنہ کریں یا انہیں دوبارہ ٹائپ کریں۔ قابلِ تلاش PDF کی گائیڈ متن کی تہوں کی وضاحت کرتی ہے، اور عربی OCR کی گائیڈ عربی طباعت کے ملتے جلتے چیلنجز کا احاطہ کرتی ہے۔

سوالات

اس موضوع کے ٹولز