Question 1

यह बाक़ी सभी OCR टूल से अलग कैसे है?

Accepted Answer

काम कहाँ होता है, इसमें। टेक्स्ट पहचानना PDF का वह फ़ीचर है जिसे पूरी इंडस्ट्री अपने सर्वर पर चलाती है, इसलिए स्कैन को सर्च करने लायक बनाने का मतलब है उसे कहीं भेजना — और लोगों को जिन स्कैन के लिए इसकी ज़रूरत होती है, वे कॉन्ट्रैक्ट, इनवॉइस, मेडिकल रिकॉर्ड और सर्टिफ़िकेट होते हैं। यहाँ मॉडल आपके ब्राउज़र में चलता है: यह एक बार डाउनलोड होता है, करीब 21 MB, और उसके बाद फ़ाइल कभी मशीन से बाहर नहीं जाती। काम चलते समय आप नेटवर्क पैनल देख सकते हैं और पाएँगे कि कोई भी रिक्वेस्ट फ़ाइल लेकर नहीं जाती।

Question 2

ईमानदारी से बताइए, यह कितना सटीक है?

Accepted Answer

अच्छा है, पर गारंटी नहीं। सोलह पेज के एक टेस्ट सेट पर, जिसे 0.3 डिग्री के तिरछेपन के साथ रेंडर किया गया था — क्योंकि असली स्कैन में हमेशा थोड़ा तिरछापन होता है — कैरेक्टर रिकॉल 95.2% मापा गया। साफ़, सीधे पेज पर स्कोर ज़्यादा आता है; मोहर, हाथ की लिखावट, फीकी फ़ोटोकॉपी और तिरछे कोण से खींचे गए पेज पर कम, कभी-कभी बहुत कम। इसे डॉक्यूमेंट को ढूँढने लायक बनाने का ज़रिया समझें, हूबहू नकल नहीं: जिन शब्दों को आप सर्च करेंगे वे आमतौर पर मिल जाएँगे, लेकिन यह क़ानूनी स्तर की शब्दशः नकल नहीं है।

Question 3

क्या स्कैन ख़ुद बदलता है?

Accepted Answer

नहीं, और यह सिर्फ़ दावा नहीं, जाँचा गया है: चलाने के बाद आउटपुट की हर इमेज स्ट्रीम का SHA-256 इनपुट से बिल्कुल मेल खाता है। पेज कभी डीकोड, दोबारा एनकोड या रीसाइज़ नहीं होते — सिर्फ़ एक टेक्स्ट लेयर और उसका फ़ॉन्ट विवरण जोड़ा जाता है, जो दो पेज के एक स्कैन पर 5.1 KB निकला। अगर आप फ़ाइल को छोटा भी करना चाहते हैं, तो इसके बाद कंप्रेस करें, इसकी जगह नहीं: कंप्रेशन इमेज को दोबारा एनकोड करता है, और पहले ऐसा करने से पहचानने वाले मॉडल को पढ़ने के लिए कम जानकारी मिलेगी।

Question 4

क्या जोड़ा गया टेक्स्ट दिखता है या सेलेक्ट होता है?

Accepted Answer

दिखता नहीं, पर सेलेक्ट होता है। टेक्स्ट उस रेंडरिंग मोड में लिखा जाता है जो कुछ भी नहीं बनाता, और उन्हीं शब्दों के ऊपर रखा जाता है जिनसे वह आया, इसलिए पेज बिना छुआ दिखता है, जबकि सर्च, कॉपी और स्क्रीन रीडर सब शब्दों को ढूँढ लेते हैं। इसका यह भी मतलब है कि कोई फ़ॉन्ट एम्बेड नहीं होता — ग्लिफ़ कभी बनाए ही नहीं जाते, इसलिए सिर्फ़ कैरेक्टर मैपिंग चाहिए, और फ़ॉन्ट का ख़र्च शून्य बाइट है। आउटपुट को सिर्फ़ हमारे इस्तेमाल वाले इंजन से नहीं, बल्कि दो स्वतंत्र PDF इंजनों से पढ़कर देखा गया, और दोनों ने एक जैसा चीनी टेक्स्ट लौटाया।

Question 5

अगर PDF में पहले से टेक्स्ट हो तो?

Accepted Answer

उसे वैसे ही छोड़ दिया जाता है और टूल यह बता देता है। Word से एक्सपोर्ट की गई PDF पहले से सर्च करने लायक होती है, और उस पर पहचान वाली लेयर लगाने से हर सर्च दो बार मैच होगी और हर कॉपी दोहरी निकलेगी। टूल यह जाँचता है कि पेजों पर टेक्स्ट है या नहीं, पूरे डॉक्यूमेंट में से नमूने लेकर; अगर है, तो यहाँ जोड़ने को कुछ नहीं है।

Question 6

इसमें कितना समय लगता है?

Accepted Answer

किसी सामान्य चीनी या अंग्रेज़ी पेज के लिए हर पेज कुछ सेकंड — हार्डवेयर एक्सेलरेशन वाले डेस्कटॉप पर 2.4 से 4.0 सेकंड मापा गया — साथ में एक बार का मॉडल डाउनलोड। चार हज़ार कैरेक्टर वाले घने दो-कॉलम अकादमिक पेज में करीब चौदह सेकंड लगे। समय पेज के साइज़ पर नहीं, पेज पर मौजूद टेक्स्ट की मात्रा पर निर्भर करता है, और फ़ोन पर यह कई गुना धीमा होगा।

PDF OCR करें