PDF बदलने पर संरचना क्यों खोती है, और इसका क्या करें

PDF के भीतर असल में क्या होता है

वर्ड प्रोसेसर का दस्तावेज़ एक वृक्ष है। वह दर्ज करता है कि यह पंक्ति दूसरे स्तर का शीर्षक है, ये अनुच्छेद उस खंड के हैं, ये कोष्ठ मिलकर तीन स्तंभों की तालिका बनाते हैं। दिखावट उसी संरचना से, दिखाते समय, निकाली जाती है।

PDF इसका उलटा है। वह चित्रांकन निर्देशों का समुच्चय है: इस अक्षर-चिह्न को, इस फ़ॉन्ट से, इस आकार में, इस पृष्ठ के इन निर्देशांकों पर रखो। जिस संरचना ने वह विन्यास बनाया था, वह सहेजी नहीं जाती। उसका उपयोग स्थितियाँ गिनने में हुआ और फिर उसे छोड़ दिया गया।

यह प्रारूप की चूक नहीं है। PDF 1993 में इसीलिए बनाया गया था कि दस्तावेज़ हर उपकरण और हर प्रिंटर पर एक-सा दिखे, और इसकी गारंटी का तरीका यही है कि दिखावट को ठीक-ठीक तय कर दिया जाए और दोबारा गिनने को कुछ न छोड़ा जाए। यह पूरी तरह सफल रहा। कीमत यह है कि PDF जानता है हर अक्षर कहाँ बैठा है, और यह नहीं जानता कि उसका अर्थ क्या है।

इसलिए PDF को Markdown में बदलना निष्कर्षण नहीं है। यह अनुमान है: ज्यामिति को उलटकर पढ़ना और यह भाँपना कि कौन-सी संरचना उसे बनाती। अच्छा कनवर्टर अच्छा अनुमान लगाता है। कोई भी अनुमान से आगे नहीं जा सकता, क्योंकि उत्तर सचमुच फ़ाइल में है ही नहीं।

एकमात्र अपवाद: टैग किए गए PDF

टैग किया गया PDF एक अतिरिक्त संरचना-वृक्ष साथ रखता है, जो सुगम्यता के लिए जोड़ा जाता है ताकि स्क्रीन रीडर शीर्षक बोल सके और तालिका के कोष्ठ क्रम से पढ़ सके। जब यह मौजूद और सही हो, तो अधिकांश अनुमान की ज़रूरत मिट जाती है।

व्यवहार में दोनों बातें कम ही मिलती हैं। टैगिंग वैकल्पिक है, अधिकांश PDF बनाने वाले इसे जोड़ते नहीं, और जो जोड़ते हैं उनमें से बहुत सारे ऐसे टैग बनाते हैं जो दिखने वाले विन्यास से टकराते हैं — हर अनुच्छेद शीर्षक के रूप में चिह्नित, या तालिका अनुच्छेदों की शृंखला के रूप में। खराब टैग पर भरोसा करने वाला कनवर्टर उससे बुरा परिणाम देता जो उन्हें अनदेखा कर दे।

यदि PDF कैसे बनता है यह आपके हाथ में है और रूपांतरण की गुणवत्ता आपके लिए मायने रखती है, तो Word या LibreOffice से ठीक से टैग किया PDF निर्यात करना सबसे उपयोगी काम है। यदि आप बाहर से आए दस्तावेज़ बदलते हैं, तो मान लीजिए कि वे बिना टैग के हैं।

ज्यामिति से संरचना कैसे अनुमानित होती है

किसी भी स्थानिक कनवर्टर के नियम मोटे तौर पर एक जैसे हैं, और उन्हें जानना उपयोगी है क्योंकि हर नियम से एक विफलता निकलती है।

पहले, एक इकाई तय करना। मुख्य पाठ की ऊँचाई — दस्तावेज़ में सबसे अधिक बार आने वाली फ़ॉन्ट ऊँचाई, इस आधार पर तौली गई कि उसमें कितने अक्षर लिखे हैं — मापदंड बन जाती है, जिससे नियम एक-से चलते हैं चाहे दस्तावेज़ 9pt में हो या 14pt में।

फिर, हर चीज़ उसी के सापेक्ष मापना। एक ही आधार-रेखा साझा करता पाठ एक पंक्ति है। छोटे ऊर्ध्व अंतराल से अलग पंक्तियाँ एक अनुच्छेद हैं; बड़ा अंतराल नया अनुच्छेद शुरू करता है। मुख्य पाठ से स्पष्ट रूप से बड़ा पाठ शीर्षक है, और कितना बड़ा है यह स्तर तय करता है। जिन पंक्तियों के अंश साझा क्षैतिज स्थितियों पर संरेखित हों, वे तालिका हैं। पृष्ठ के बीचोंबीच खड़ी लंबी खाली पट्टी का अर्थ दो स्तंभ है, इसलिए पढ़ने का क्रम पहले एक स्तंभ नीचे और फिर दूसरा नीचे जाना चाहिए।

यह कनवर्टर मोटे तौर पर ये सीमाएँ उपयोग करता है, मुख्य पाठ की ऊँचाई के गुणकों में:

हर विफलता किसी नियम से निकलती है

उस सूची को मान्यताओं की सूची मानकर दोबारा पढ़िए और गलतियाँ रहस्य नहीं रह जातीं।

• जो शीर्षक आकार बदले बिना केवल मोटाई या रंग से अलग किए गए हों, वे आकार-आधारित सीमा के लिए अदृश्य हैं। जिस दस्तावेज़ में 11pt मुख्य पाठ पर 11pt मोटे शीर्षक हों, उसमें ज्यामितीय रूप से कोई शीर्षक है ही नहीं।
• मिली हुई कोष्ठिकाओं वाली तालिकाएँ साझा-स्थिति परीक्षण तोड़ देती हैं, क्योंकि मिली हुई कोष्ठिका ऐसी स्थिति घेरती है जिसे कोई और पंक्ति उपयोग नहीं करती। पंक्तियाँ संरेखित होना बंद कर देती हैं और वह खंड तालिका के रूप में पहचाना नहीं जाता।
• जिस कोष्ठिका का पाठ दूसरी पंक्ति में लिपट जाए, वह दो पंक्तियों जैसी दिखती है, जिनमें से एक में छेद होता है।
• उदार पंक्ति-अंतराल एक ही अनुच्छेद की पंक्तियों को विभाजन-सीमा के पार धकेल सकता है और उसे तोड़ सकता है। अनुच्छेदों के बीच कसा अंतराल उन्हें जोड़ सकता है।
• तीन स्तंभों वाला विन्यास, या असमान चौड़ाई के दो स्तंभ, या पूरे चौड़े चित्र से टूटे स्तंभ — ये सब बीच की खाली पट्टी वाले परीक्षण को हरा देते हैं।
• चित्र के रूप में रखे पाठ — शब्दों वाला लोगो, लेबल वाला ग्राफ़, स्कैन किया पृष्ठ — में कोई अक्षर-चिह्न होता ही नहीं, इसलिए न कुछ स्थित करने को है और न पढ़ने को।

कौन से दस्तावेज़ साफ़ बदलते हैं

पूरा पैटर्न एक ही है: वर्ड प्रोसेसर से बने एकल-स्तंभ दस्तावेज़, जिनके शीर्षक मुख्य पाठ से दिखने में बड़े हों, जिनकी तालिकाएँ सरल आयताकार हों, और जिनमें पाठ की तस्वीर नहीं, असली पाठ हो।

यह अधिकांश रिपोर्टों, शोधपत्रों, मैनुअल, शोध-प्रबंधों, अनुबंधों, कार्यवृत्तों और आंतरिक दस्तावेज़ीकरण का वर्णन है — यानी उसी का, जो लोग सबसे अधिक बदलते हैं। यह पत्रिकाओं, विवरणिकाओं, इन्फ़ोग्राफ़िक वाली वार्षिक रिपोर्टों, फ़ॉर्मों, जटिल तालिकाओं वाले बिलों या किसी भी स्कैन किए दस्तावेज़ का वर्णन नहीं है।

कठिन दस्तावेज़ से बेहतर परिणाम कैसे लें

कुछ चीज़ें सचमुच मदद करती हैं, मोटे तौर पर असर के क्रम में।

• यदि आप PDF दोबारा बना सकते हैं, तो टैग किया हुआ निर्यात कीजिए — या इससे भी बेहतर, PDF छोड़िए और मूल दस्तावेज़ ही बदलिए। Word फ़ाइल से बने PDF को बदलना हमेशा उस Word फ़ाइल को बदलने से बुरा होता है।
• मिश्रित विन्यास वाले दस्तावेज़ को बाँटिए। गद्य के दस पृष्ठ और तालिकाओं के चार पृष्ठ अलग-अलग बदलिए, बजाय इसके कि एक ही रूपांतरण से दोनों निपटवाने की लड़ाई लड़ें।
• अड़ियल तालिका को अलग निकालिए। जो तालिका 60 पृष्ठ के दस्तावेज़ के भीतर विफल होती है, वही अकेले पृष्ठ पर होने पर अक्सर सही बदल जाती है।
• जिस दस्तावेज़ में शीर्षक केवल मोटाई से बने हों, वहाँ शीर्षक हाथ से ठीक करने की तैयारी रखिए। यह खोजो-और-बदलो का एक चक्कर है, दोबारा टाइप करने का काम नहीं।
• स्कैन के लिए पहले पाठ पहचान चलाइए। कोई शॉर्टकट नहीं है: कोई विश्लेषक वह पाठ नहीं खोज सकता जो कभी पाठ के रूप में लिखा ही नहीं गया।

परिणाम हमेशा पढ़िए

जो विफलता सचमुच समय खाती है, वह दिखने वाली टूट-फूट नहीं है। वह वह है जो चुपचाप कुछ गिरा देती है — एक पाद-टिप्पणी, तालिका की आख़िरी पंक्ति, वह पंक्ति जो पहचाने गए स्तंभ से बाहर रह गई — और साफ़, विश्वसनीय दिखने वाला Markdown देती है जिसके भीतर छेद है।

भरोसा करने से पहले बदले हुए Markdown को मूल के सामने रखकर सरसरी तौर पर देखिए, और तालिकाओं, हर संख्यात्मक चीज़ और हर पृष्ठ की आख़िरी कुछ पंक्तियों पर विशेष ध्यान दीजिए। चुपचाप होने वाला नुकसान वहीं इकट्ठा होता है।