PDF फ़ाइलें: इनमें से टेक्स्ट वापस निकालना इतना मुश्किल क्यों है

ठोस शब्दों में कहें तो PDF में न पैराग्राफ़ होते हैं, न लाइनें, और अक्सर शब्द भी नहीं। उसमें होते हैं अपनी-अपनी जगह रखे ग्लिफ़ के टुकड़े। जो वाक्य आप पढ़ रहे हैं, वह गणना किए गए कोऑर्डिनेट पर रखे दर्जन भर अलग टुकड़ों के रूप में सेव हो सकता है, और दो शब्दों के बीच की जगह स्पेस कैरेक्टर नहीं, बस स्याही की ग़ैरमौजूदगी हो सकती है। इसलिए हर PDF-से-टेक्स्ट और PDF-से-Word कन्वर्टर, यह वाला भी, असल में दोबारा गढ़ रहा होता है: बेसलाइन के हिसाब से टुकड़ों को जोड़कर लाइनें बनाना, पैराग्राफ़ कहाँ ख़त्म होता है इसका अंदाज़ा लगाना, टाइप साइज़ से हेडिंग पहचानना। आम गद्य के लिए यह अच्छा काम करता है, पर कॉलम और टेबल सपाट हो जाते हैं, क्योंकि उन्हें बचाने के लिए ज़रूरी जानकारी फ़ाइल में कभी थी ही नहीं।

दूसरी बात यह जाननी चाहिए कि "PDF" दो बिल्कुल अलग हालात के लिए इस्तेमाल होता है। Word या ब्राउज़र से एक्सपोर्ट की गई PDF में असली टेक्स्ट होता है, जिसे आप सर्च और कॉपी कर सकते हैं। स्कैनर या फ़ोन कैमरे से बनी PDF में पेजों की तस्वीरें होती हैं और टेक्स्ट बिल्कुल नहीं — शब्द सिर्फ़ पिक्सेल हैं, और कैरेक्टर रिकग्निशन के बिना उन्हें कोई नहीं निकाल सकता। यह साइट इस स्थिति को पहचानती है और फ़ाइल अपलोड करने के बजाय आपकी अपनी मशीन पर एक AI रिकग्निशन मॉडल चलाती है, जो आम बात नहीं है: OCR ही वह मोड़ होता है जहाँ कन्वर्टर आमतौर पर आपका डॉक्यूमेंट सर्वर पर भेज देते हैं।

PDF ही वह जगह है जहाँ प्राइवेसी किताबी बात नहीं रह जाती। कॉन्ट्रैक्ट, सैलरी स्लिप, बैंक स्टेटमेंट, मेडिकल रिपोर्ट, इनवॉइस और स्कैन किए पहचान पत्र — सब इसी फ़ॉर्मैट में आते-जाते हैं। यहाँ हर कन्वर्ज़न पेज के अंदर ही चलता है — PDF आपके ब्राउज़र में चल रहे कोड से खुलती है, रेंडर होती है और पढ़ी जाती है, और कोई भी रिक्वेस्ट फ़ाइल को साथ नहीं ले जाती। यह कन्वर्टर इसी वजह से ऐसा बना है, और PDF वह कैटेगरी है जहाँ यह सबसे ज़्यादा मायने रखता है।