PDF ফাইল: লেখা আবার বের করা কেন এত কঠিন

নির্দিষ্টভাবে বললে, একটি PDF-এ কোনো অনুচ্ছেদ নেই, কোনো লাইন নেই, আর প্রায়ই কোনো শব্দও নেই। আছে অবস্থানসহ অক্ষরের সারি। আপনি যে বাক্যটি পড়ছেন তা হিসাব করা স্থানাঙ্কে এক ডজন আলাদা সারি হিসেবে রাখা থাকতে পারে, আর দুটি শব্দের মাঝের ফাঁক একটি স্পেস অক্ষর না হয়ে কালির অনুপস্থিতিও হতে পারে। তাই প্রতিটি PDF থেকে লেখা আর PDF থেকে Word কনভার্টার, এটিসহ, আসলে পুনর্গঠন করছে: লাইন ফেরাতে বেসলাইন ধরে সারিগুলো জড়ো করা, অনুচ্ছেদের সীমানা অনুমান করা, লেখার আকার থেকে শিরোনাম অনুমান করা। সাধারণ গদ্যে এটি ভালো কাজ করে আর কলাম ও টেবিল সমতল করে ফেলে, কারণ সেগুলো রাখার জন্য দরকারি তথ্য কখনো ফাইলে ছিল না।

দ্বিতীয় যে কথাটি জানা দরকার, তা হলো “PDF” দুটি সম্পূর্ণ আলাদা পরিস্থিতি বোঝায়। Word বা ব্রাউজার থেকে এক্সপোর্ট করা PDF-এ আসল লেখা থাকে যা আপনি সার্চ ও কপি করতে পারেন। স্ক্যানার বা ফোনের ক্যামেরায় তৈরি PDF-এ থাকে পৃষ্ঠার ছবি, একেবারেই কোনো লেখা নয় — শব্দগুলো পিক্সেল, আর অক্ষর শনাক্তকরণ ছাড়া কিছুই সেগুলো বের করতে পারে না। এই সাইট সেই ক্ষেত্রটি শনাক্ত করে এবং ফাইল আপলোড না করে আপনার নিজের মেশিনে একটি AI শনাক্তকরণ মডেল চালায়, যা অস্বাভাবিক: OCR-এর জায়গাটাই সাধারণত যেখানে একটি কনভার্টার আপনার ডকুমেন্ট সার্ভারে পাঠায়।

গোপনীয়তা যেখানে আর বিমূর্ত থাকে না, সেটাও PDF। চুক্তি, বেতনের স্লিপ, ব্যাংক স্টেটমেন্ট, চিকিৎসার চিঠি, ইনভয়েস আর স্ক্যান করা পরিচয়পত্র এই ফরম্যাটেই আদান-প্রদান হয়। এখানকার প্রতিটি রূপান্তর পৃষ্ঠার ভেতরেই চলে — PDF আপনার ব্রাউজারের কোডই খোলে, রেন্ডার করে আর পড়ে, আর কোনো অনুরোধ ফাইলটি বহন করে না। এই কনভার্টার এভাবে তৈরি হওয়ার কারণ এটাই, আর PDF সেই বিভাগ যেখানে এটি সবচেয়ে বেশি জরুরি।