PDF से टेक्स्ट निकालें

यह कैसे काम करता है

PDF पैराग्राफ़, वाक्य या शब्द भी स्टोर नहीं करती; यह तय पोज़िशन पर कैरेक्टर ग्लिफ़ की स्ट्रीम स्टोर करती है: 'इस फ़ॉन्ट के साथ इन कोऑर्डिनेट्स पर यह शेप रखें.' यह टूल pdf.js, फ़ायरफ़ॉक्स के PDF इंजन का इस्तेमाल करके, हर पेज के कंटेंट स्ट्रीम से गुज़रता है और getTextContent() के ज़रिए हर टेक्स्ट-रेंडरिंग ऑपरेशन इकट्ठा करता है. ये टुकड़े स्पेस से जुड़ते हैं और एक्स्ट्रा व्हाइटस्पेस को समेट दिया जाता है, पेज-दर-पेज, ताकि आपको दिखने वाला प्लेन टेक्स्ट बने.

यह स्टोरेज मॉडल दो चीज़ों की वजह बताता है जो शायद आपको एक्सट्रैक्शन में हैरान करें. पहली, रीडिंग ऑर्डर: pdf.js टुकड़े लगभग उसी क्रम में लौटाता है जिस क्रम में वे फ़ाइल में दिखाई देते हैं, जो हमेशा वह क्रम नहीं होता जिसमें कोई इंसान मल्टी-कॉलम पेज या टेबल पढ़ता है. दूसरी, और ज़्यादा ज़रूरी: एक स्कैन की गई PDF में कोई टेक्स्ट होता ही नहीं; स्कैनर एक पेज की फ़ोटोग्राफ़िक इमेज बनाता है, इसलिए जब तक किसी ने OCR नहीं चलाया, वहां निकालने के लिए कोई कैरेक्टर ग्लिफ़ नहीं होते, और टूल ईमानदारी से बताएगा कि उसे कुछ नहीं मिला.

एक्सट्रैक्शन फ़ाइल ड्रॉप करते ही, पूरी तरह एक लोकल वर्कर में होता है. डेवलपर टूल्स खोलें और नेटवर्क टैब देखें: चाहे फ़ाइल कोई कॉन्ट्रैक्ट हो या मेडिकल रिपोर्ट, कोई रिक्वेस्ट आपका डॉक्यूमेंट या उसका टेक्स्ट कहीं नहीं ले जाती.