PDF से कॉपी किए टेक्स्ट में हर लाइन पर लाइन ब्रेक क्यों आता है

PDF से कॉपी किया टेक्स्ट हर लाइन पर इसलिए टूटता है, क्योंकि PDF पैराग्राफ़ को पैराग्राफ़ की तरह स्टोर नहीं करती। वह हर दिखने वाली लाइन को पेज पर एक तय जगह पर रखे अलग टुकड़े के रूप में सहेजती है। इसलिए कॉपी करते समय प्रोग्राम को अनुमान लगाना पड़ता है कि वाक्य असल में कहाँ ख़त्म होता है। ज़्यादातर रीडर मूल लाइन जहाँ ख़त्म हुई थी वहीं लाइन ब्रेक डाल देते हैं, और आपका पैराग्राफ़ दर्जनों छोटी-छोटी लाइनों में बिखर जाता है।

पेस्ट किया टेक्स्ट ठीक करेंपेस्ट किए टेक्स्ट में लाइनें टूटी हैंमुफ़्त में करें

PDF पैराग्राफ़ क्यों तोड़ देती है

वर्ड प्रोसेसर पैराग्राफ़ को टेक्स्ट की एक लंबी धारा के रूप में स्टोर करता है, और दिखाते समय लेआउट इंजन उसे पेज की चौड़ाई के हिसाब से लपेट देता है। PDF इसका उल्टा करती है। वह ड्रॉइंग के निर्देशों के सेट जैसी होती है: यह शब्द-समूह यहाँ रखो, अगला वहाँ रखो। लाइनें कहाँ लपेटी जाएँगी, यह फ़ाइल बनाते समय ही तय हो जाता है, और फ़ाइल पैराग्राफ़ की बनावट की जगह लाइनों की स्थितियाँ रखती है।

जब आप टेक्स्ट चुनकर कॉपी करते हैं, तो रीडर को उन स्थितियों से टेक्स्ट का प्रवाह दोबारा बनाना पड़ता है। कई रीडर हर दिखने वाली लाइन के अंत में लाइन ब्रेक डाल देते हैं, और वे हमेशा यह नहीं पहचान पाते कि लाइन का अंत वाक्य के बीच में है या असली पैराग्राफ़ ख़त्म हुआ है। पेज पर नतीजा सही दिखता है, पर टेक्स्ट बॉक्स में गलत।

इसे और बिगाड़ने वाली तीन और बातें हैं:

• हाइफ़न से टूटे शब्द। एक लाइन के अंत में "inter-" और अगली लाइन की शुरुआत में "national" हो, तो वह दो टुकड़ों में, बीच में ब्रेक के साथ कॉपी होता है। कुछ रीडर हाइफ़न रखते हैं, कुछ हटा देते हैं, और कुछ ब्रेक को वैसा ही छोड़ देते हैं।
• कॉलम। दो कॉलम वाले लेआउट में पूरा बायाँ कॉलम पहले और दायाँ बाद में कॉपी हो सकता है, या दोनों कॉलम की लाइनें आपस में मिलकर एक धारा में आ सकती हैं।
• हेडर, फ़ुटर और पेज नंबर। जब कोई पैराग्राफ़ पेज ब्रेक पार करता है, तो ये वाक्य के बीच में कॉपी हो जाते हैं।

समाधान

सुधार नियमों का एक छोटा क्रम है, जिसे इसी क्रम में लागू करें:

1. जो लाइनें वाक्य ख़त्म नहीं करतीं, उन्हें जोड़ें। अगर कोई लाइन छोटे अक्षर, कॉमा, या बिना पूर्ण विराम वाले शब्द पर ख़त्म होती है, तो अगली लाइन लगभग हमेशा उसी को आगे बढ़ाती है।
2. जहाँ मूल टेक्स्ट में पैराग्राफ़ का अंतर था, वहाँ ब्रेक रखें। जो लाइन पूर्ण विराम, प्रश्न चिह्न या कोलन पर ख़त्म हो और उसके बाद छोटी या इंडेंट वाली लाइन आए, वह अक्सर नए पैराग्राफ़ की शुरुआत होती है।
3. लाइन के अंत का हाइफ़न तभी हटाएँ, जब वह एक शब्द को दो हिस्सों में तोड़ रहा हो। "inter-" और "national" मिलकर "international" बनते हैं। "well-" और "known" जैसा असली कंपाउंड शब्द "well-known" बनना चाहिए, इसलिए जोड़े गए शब्द को वाक्य में मिलाकर जाँच लें।
4. हर पेज पर दोहराए जाने वाले हेडर, फ़ुटर और पेज नंबर हटाएँ।

एक उदाहरण लें। कॉपी अक्सर कुछ ऐसा दिखती है:

The committee met on Tuesday to review
the budget. Three members asked for more
time, and the chair agreed to a short delay.

वाक्य को आगे बढ़ाने वाली लाइनें जोड़ने के बाद यह ऐसा पढ़ा जाता है:

The committee met on Tuesday to review the budget. Three members asked for more time, and the chair agreed to a short delay.

कॉपी किया टेक्स्ट पेस्ट किया टेक्स्ट ठीक करें में चिपकाएँ, और सारे जोड़ एक बार में हो जाएँगे। फिर देखें कि कॉपी के साथ कोई अदृश्य अक्षर तो नहीं आए। छिपे हुए अक्षर हटाएं बदलाव करने से पहले बताता है कि क्या मिला है, और छिपे हुए अक्षरों की गाइड बताती है कि ये कहाँ से आते हैं।

कॉलम और टेबल

कॉलम सबसे कठिन स्थिति है। सबसे सुरक्षित तरीका है कि दोनों कॉलम को एक साथ खींचने की बजाय एक-एक कॉलम चुनकर कॉपी करें। अगर PDF में पढ़ने का एक ही क्रम है, तो पूरा पेज एक बार कॉपी करें और फिर हर कॉलम की पहली और आख़िरी लाइन जाँचें। अगर दोनों कॉलम के शब्द आपस में मिल गए हैं, तो आपको टुकड़ों में कॉपी करना पड़ेगा।

टेबल और भी मुश्किल हैं। PDF से कॉपी की गई टेबल अक्सर हर सेल को अलग लाइन में दिखाती है, इसलिए आपको पंक्तियाँ ख़ुद बनानी पड़ सकती हैं, या टैब या तय डिलिमिटर का उपयोग करके स्प्रेडशीट में चिपकाना पड़ेगा। कुछ पंक्तियों से ज़्यादा वाली टेबल के लिए ऐसा टेक्स्ट-एक्सट्रैक्शन टूल तेज़ रहता है जो कॉलम बनाए रखे, और फिर नतीजे को साफ़ कर लें।

जब PDF स्कैन हो

अगर PDF स्कैन की हुई है, तो कॉपी करने लायक कोई टेक्स्ट नहीं होता। हर पेज एक तस्वीर है, इसलिए जो दिख रहा है वही सब कुछ है। पहले optical character recognition (OCR) की ज़रूरत होगी। पेज की इमेज बनाएँ, फिर उसे इमेज से टेक्स्ट टूल से पढ़वाएँ, जो आपके ब्राउज़र में चलता है। OCR अपनी गलतियाँ भी लाता है, जैसे "rn" को "m" पढ़ना या "0" को "O" पढ़ना, इसलिए पहचाने गए टेक्स्ट पर भरोसा करने से पहले उसे मूल से मिलाकर देख लें। साफ़ पढ़त पाने के तरीके स्क्रीनशॉट और फ़ोटो की गाइड में समझाए गए हैं।

ख़ास स्थितियाँ

• कविताओं, कोड और पतों में लाइन ब्रेक मायने रखते हैं। सिर्फ़ वही लाइनें जोड़ें जो साफ़ तौर पर लपेटी गई हों, बाकी को वैसा ही रहने दें।
• कॉपी के बाद सॉफ़्ट रिटर्न (लपेट) और हार्ड रिटर्न (असली पैराग्राफ़) एक जैसे दिख सकते हैं। सफ़ाई के बाद पहला पैराग्राफ़ पढ़ें, और जो जोड़ ग़लत लगें उन्हें ठीक करें।
• अगर साफ़ किए टेक्स्ट में कोई शब्द नहीं मिलता, जबकि वह स्क्रीन पर दिख रहा है, तो शायद कॉपी के साथ अदृश्य अक्षर आ गए हैं। अंतर खोजने के लिए कॉपी की तुलना करें मूल टेक्स्ट से।
• अगर मूल लेआउट रखना ज़रूरी है, तो हाथ से सफ़ाई करने की बजाय किसी डॉक्युमेंट एडिटर में "सादे टेक्स्ट के रूप में पेस्ट करें" विकल्प के साथ चिपकाएँ।

fixmint से कैसे करें

1. PDF से टेक्स्ट कॉपी करें, या पहले PDF से टेक्स्ट चलाकर फ़ाइल से टेक्स्ट निकाल लें।
2. इसे पेस्ट किए टेक्स्ट टूल में Pasted text वाले हिस्से में चिपकाएँ।
3. Join broken lines inside paragraphs और Rejoin words split by a hyphen at line end को चालू रखें, जैसे डिफ़ॉल्ट रूप से होते हैं। अगर टेक्स्ट वर्ड प्रोसेसर से आया है तो Straighten curly quotes चुनें, और अगर कॉपी में पेज नंबर हैं तो Remove lines that are only a page number चुनें।
4. हर पैराग्राफ़ की पहली और आख़िरी लाइन पढ़ें। टूल सिर्फ़ पेज-नंबर वाली लाइनें हटाता है, दोहराए जाने वाले हेडर या फ़ुटर नहीं, इसलिए उन्हें हाथ से हटाएँ।
5. नतीजा कॉपी करें, या Download .txt का उपयोग करें।

त्वरित जवाब

PDF से कॉपी किए टेक्स्ट में हर लाइन पर लाइन ब्रेक क्यों होता है?

PDF हर दिखने वाली लाइन को स्थिति के साथ अलग टेक्स्ट के टुकड़े के रूप में स्टोर करती है, इसलिए कॉपी में लाइन के अंत बचे रहते हैं। समाधान यह है कि वाक्य को आगे बढ़ाने वाली लाइनें जोड़ें और ब्रेक सिर्फ़ असली पैराग्राफ़ के अंतर पर रखें।

हाइफ़न वाले शब्द टूटने से कैसे रोकूँ?

हाइफ़न सिर्फ़ वहीं हटाएँ जहाँ दोनों हिस्से मिलकर एक शब्द बनाते हों, जैसे "inter-" और "national"। "well-known" जैसे असली कंपाउंड शब्दों में हाइफ़न रहने दें, और इन्हें वाक्य में मिलाकर जाँच लें।

क्या PDF की टेबल को स्प्रेडशीट में कॉपी कर सकते हैं?

अक्सर हाँ, पर आमतौर पर सिर्फ़ टैब से अलग या तय चौड़ाई वाली कॉपी के साथ। ज़्यादा पंक्तियों वाली टेबल के लिए कॉलम बनाए रखने वाला टेक्स्ट-एक्सट्रैक्शन टूल हर सेल को हाथ से ठीक करने से तेज़ है।