PDF से निकाला गया टेक्स्ट गड़बड़ या अधूरा क्यों होता है

2026-10-30

आपने PDF से टेक्स्ट निकाला, लेकिन नतीजा अजीब है: लाइनें बीच में कटी हैं, पैराग्राफ़ के बीच पेज नंबर आ गया है, कुछ हिस्से ग़लत जगह हैं और कुछ ग़ायब हैं। ज़्यादातर मामलों में वजह PDF की बनावट होती है, टेक्स्ट नहीं। नीचे सबसे आम कारण हैं और यह भी कि PDF to Text उनसे कैसे निपटता है।

कॉलम और टेक्स्ट बॉक्स

PDF टेक्स्ट के टुकड़ों को पेज पर तय जगहों पर रखती है, और फ़ाइल में उनका क्रम हमेशा पढ़ने के क्रम जैसा नहीं होता। PDF to Text फ़ाइल के अपने क्रम पर चलता है और साफ़ तौर पर दो कॉलम में बने पेजों को कॉलम-दर-कॉलम पढ़ता है। खुले डिज़ाइन वाले पेज, जैसे ब्रोशर, पोस्टर या इधर-उधर बिखरे बॉक्स वाले पेज, उस क्रम से अलग निकल सकते हैं जिसमें आपकी आँखें पढ़ती हैं।

टेबल

टेबल की हर पंक्ति टेक्स्ट की एक लाइन बनती है, सेल स्पेस से अलग। कॉलम सीध में नहीं रहते और स्प्रेडशीट में एक्सपोर्ट नहीं होता। बैंक स्टेटमेंट में तारीख़, विवरण और रक़म एक ही लाइन में एक के बाद एक आएँगे।

हेडर, फ़ुटर और हाइफ़न

हेडर और फ़ुटर पेज का हिस्सा हैं, इसलिए टेक्स्ट में बने रहते हैं: कंपनी का नाम या पेज नंबर दो पैराग्राफ़ के बीच दिख सकता है। पेज की हर लाइन टेक्स्ट की एक लाइन बनती है, और लाइन के आख़िर में हाइफ़न से तोड़ा गया शब्द हाइफ़न के साथ रहता है; यह अंग्रेज़ी दस्तावेज़ों में ज़्यादा दिखता है।

देवनागरी, दाएँ से बाएँ लिपि और घुमाया गया टेक्स्ट

हिंदी (देवनागरी), चीनी और जापानी, जिसमें खड़ी जापानी भी शामिल है, और घुमाया गया टेक्स्ट सँभाले जाते हैं। अरबी और दूसरी दाएँ से बाएँ लिखी जाने वाली भाषाओं की लाइनें पढ़ने के क्रम में आती हैं।

बिना Unicode मैपिंग वाला फ़ॉन्ट

कुछ PDF अक्षरों को ऐसे फ़ॉन्ट से बनाती हैं जो यह नहीं बताता कि कौन-सा आकार किस Unicode अक्षर का है, क्योंकि «ToUnicode» नाम की मैपिंग ग़ायब या टूटी होती है। पुराने हिंदी फ़ॉन्ट वाले दस्तावेज़ों में यह बात अक्सर सामने आती है। बेमतलब निशान दिखाने के बजाय PDF to Text ऐसे टेक्स्ट को छोड़ देता है और लिखता है: कुछ टेक्स्ट पढ़ा नहीं जा सका। ऐसी PDF से दूसरे प्रोग्राम में कॉपी करने पर भी आम तौर पर अटपटे अक्षर ही मिलते हैं।

आकृतियों में बदला टेक्स्ट और कॉपी पर रोक

कभी-कभी एक्सपोर्ट के समय शीर्षक और लोगो आकृतियों में बदल दिए जाते हैं: दिखते अक्षर जैसे हैं, पर होते ड्रॉइंग हैं। ऐसे पेजों पर लिखा आता है कि उन पर सिर्फ़ ड्रॉइंग हैं या आकृतियों में बदला गया टेक्स्ट। और अगर लेखक ने कॉपी करना बंद किया है, तो यह PDF अपना टेक्स्ट कॉपी करने की अनुमति नहीं देता दिखता है; सामग्री न दिखाई जाती है, न सेव होती है।

अपनी फ़ाइल की जाँच कैसे करें

1. PDF को किसी व्यूअर में खोलें और ग़ायब हिस्से को चुनकर देखें। अगर वह चुना नहीं जाता, तो वहाँ टेक्स्ट लेयर नहीं है।
2. PDF to Text में ऊपर वाला नोट पढ़ें: उसमें बिना चुनने लायक टेक्स्ट वाले पेज और हर एक की वजह लिखी होती है।
3. अगर कुछ टेक्स्ट पढ़ा नहीं जा सका। दिखा, तो फ़ॉन्ट में काम की Unicode मैपिंग नहीं है; सबसे अच्छा है कि फ़ाइल बनाने वाले से दोबारा एक्सपोर्ट करने को कहें।
4. अगर दिक़्क़त सिर्फ़ क्रम, हेडर या हाइफ़न की है, तो कॉपी करने या TXT डाउनलोड करने के बाद एडिटर में सुधार लें।