স্ক্যান করা পিডিএফ হলো একটি ডকুমেন্টের ছবি। এটি দেখতে টেক্সটের মতো, কিন্তু এর ভেতরে কোনো আসল টেক্সট ডেটা থাকে না — থাকে শুধু পিক্সেলের একটি ম্যাট্রিক্স। এতে সার্চ কাজ করে না। কপি এবং পেস্ট ব্যর্থ হয়। পিডিএফ রিডার এটি ইনডেক্স করতে পারে না। টেক্সট এক্সট্র্যাকশন টুলগুলো খালি ফলাফল দেখায়। এর সমাধান হলো অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR): এটি এমন একটি প্রক্রিয়া যা প্রতিটি পৃষ্ঠার পিক্সেল প্যাটার্ন পড়ে, অক্ষর শনাক্ত করে এবং টেক্সটটি পুনর্গঠন করে। LuraPDF-এ Tesseract—বিশ্বের সবচেয়ে বহুল ব্যবহৃত ওপেন-সোর্স OCR ইঞ্জিন, যা গুগল দ্বারা পরিচালিত—একটি WebAssembly বাইনারি হিসেবে এমবেড করা থাকে, যা সরাসরি আপনার ব্রাউজার ট্যাবের ভেতরে চলে। ইঞ্জিনটি একবার ডাউনলোড হয় এবং তারপর আপনার ডকুমেন্টটি সম্পূর্ণরূপে আপনার ডিভাইসেই প্রসেস করে। কোনো ফাইল আপলোড, সার্ভার এপিআই কল বা রিমোট প্রসেসিংয়ের প্রয়োজন নেই। আপনার স্ক্যান করা ট্যাক্স রিটার্ন, স্বাক্ষরিত চুক্তি, রোগীর রেকর্ড বা ঐতিহাসিক ডকুমেন্ট কখনোই আপনার মেশিন থেকে বাইরে যায় না।
সার্ভার-ভিত্তিক বিকল্পগুলোর চেয়ে ব্রাউজার-ভিত্তিক OCR বেছে নেওয়ার প্রধান কারণ হলো গোপনীয়তা। স্ক্যান করা নথিগুলো তুলনামূলকভাবে বেশি সংবেদনশীল হয়: মানুষ ট্যাক্স রিটার্ন, মেডিকেল রেকর্ড, আইনি নথিপত্র, ব্যাংক স্টেটমেন্ট এবং পরিচয়পত্র স্ক্যান করে থাকে। এগুলোকে কোনো ক্লাউড OCR API-তে আপলোড করার অর্থ হলো—এমনকি যদি সেটির একটি গোপনীয়তা নীতিও থাকে—ফাইলটি ইন্টারনেটের মাধ্যমে পরিবাহিত হয়, একটি সার্ভারে থাকে, প্রসেসিং পাইপলাইনের মধ্যে দিয়ে যায় এবং আপনার নিয়ন্ত্রণের বাইরের বিভিন্ন উপায়ে সাময়িকভাবে সংরক্ষিত হয়। LuraPDF-এর আর্কিটেকচার কাঠামোগতভাবেই এই ঝুঁকি দূর করে। Tesseract WASM বাইনারিটি আপনার ব্রাউজারের ভেতরে একটি স্যান্ডবক্সড ওয়েব ওয়ার্কারে চলে। একমাত্র যে ডেটাটি স্থানান্তরিত হয় তা হলো OCR করা টেক্সট লেয়ার, যা মেমোরিতে একটি PDF-এ পুনরায় লেখা হয়—সম্পূর্ণ স্থানীয়ভাবে। এর আউটপুট হলো একটি সার্চযোগ্য PDF, যেখানে মূল পৃষ্ঠার ছবিটি হুবহু সংরক্ষিত থাকে এবং এর নিচে একটি অদৃশ্য টেক্সট লেয়ার যুক্ত হয়, যা Tesseract দ্বারা চিহ্নিত অক্ষরের অবস্থানগুলোর সাথে নিখুঁতভাবে মিলে যায়।
প্রতিটি শিল্পেই স্ক্যান করা পিডিএফ ফাইল জমা হতে থাকে। ওসিআর সেগুলোকে ব্যবহারযোগ্য করে তোলে। এখানে এমন কিছু কর্মপ্রবাহের কথা বলা হলো, যেখানে স্থানীয় ও ব্যক্তিগত ওসিআর-ই একমাত্র গ্রহণযোগ্য পদ্ধতি।
সম্পাদিত চুক্তি, দলিল এবং আদালতের নথি প্রায়শই স্ক্যান করে ইমেজ পিডিএফ হিসেবে সংরক্ষণ করা হয়। গোপনীয় আইনি নথি কোনো ক্লাউড সার্ভিসে আপলোড না করেই, ডকুমেন্ট ম্যানেজমেন্ট সিস্টেমে প্রতিটি ধারা অনুসন্ধানযোগ্য করতে সেগুলোকে স্থানীয়ভাবে ওসিআর (OCR) করুন।
গ্রন্থাগার, আর্কাইভ এবং বংশবৃত্তান্ত গবেষকরা ঐতিহাসিক সংবাদপত্র, চিঠি, খাতা এবং পাণ্ডুলিপি স্ক্যান করেন। টেসারেক্ট ঐতিহাসিক ল্যাটিন ফন্ট এবং অ-প্রমিত অক্ষর সেট সমর্থন করে। ভঙ্গুর ঐতিহাসিক উপাদান কোনো তৃতীয় পক্ষের সার্ভারে প্রেরণ না করেই শতবর্ষ-পুরোনো নথিগুলোকে অনুসন্ধানযোগ্য করতে ওসিআর (OCR) চালান।
প্রাক-ডিজিটাল একাডেমিক পেপার, কনফারেন্স কার্যবিবরণী এবং জার্নাল স্ক্যান ডিফল্টরূপে অনুসন্ধানযোগ্য নয়। Ctrl+F অনুসন্ধান, টীকা সংযোজন, উদ্ধৃতি নিষ্কাশন এবং রেফারেন্স ম্যানেজমেন্ট টুলে তথ্য প্রদানের জন্য এগুলিকে OCR করুন।
স্ক্যান করা খরচের রসিদ এবং ইনভয়েসগুলিতে টাকার পরিমাণ, তারিখ এবং বিক্রেতার নাম ছবির পিক্সেলের মধ্যে আবদ্ধ থাকে। ওসিআর (OCR) সেগুলোকে অনুসন্ধানযোগ্য ও নির্বাচনযোগ্য টেক্সটে রূপান্তরিত করে — যা অ্যাকাউন্টিং সফটওয়্যারে কপি-পেস্ট করতে বা পরবর্তী পর্যায়ে ডেটা নিষ্কাশন করতে সক্ষম করে।
পুরোনো রোগীর রেকর্ড, রেফারেল লেটার এবং ক্লিনিক্যাল ফর্ম স্ক্যান হিসেবে আসে। সুরক্ষিত স্বাস্থ্য তথ্য (Protected health information) এতটাই সংবেদনশীল যে তা ক্লাউড ওসিআর এপিআই-তে (cloud OCR API) আপলোড করা যায় না। রেকর্ডগুলোকে অনুসন্ধানযোগ্য করতে এবং পিএইচআই (PHI) প্র্যাকটিসের ডিভাইসেই রাখতে স্থানীয়ভাবে ওসিআর (OCR) চালান।
ডকুমেন্ট ইন্টেলিজেন্স পাইপলাইন, যা এনটিটি নিষ্কাশন করে, বিষয়বস্তু শ্রেণীবদ্ধ করে বা পিডিএফ ডকুমেন্টের সারসংক্ষেপ তৈরি করে, সেগুলোর কাজ করার জন্য একটি টেক্সট লেয়ার প্রয়োজন। বাহ্যিক এপিআই-এর কাছে ডকুমেন্টের ডেটা প্রকাশ না করেই, স্থানীয়ভাবে Tesseract WASM ব্যবহার করে স্ক্যান করা পিডিএফ-এর ওসিআর (OCR) করে অনুসন্ধানযোগ্য পিডিএফ অথবা কাঁচা টেক্সট ফাইল তৈরি করা হয়, যা এনএলপি (NLP) মডেলগুলোতে ফিড করা হয়।
ব্রাউজারে থাকা Tesseract WASM গবেষণালব্ধ OCR নির্ভুলতার সাথে স্থানীয় প্রক্রিয়াকরণের গোপনীয়তার নিশ্চয়তাকে একত্রিত করে। এই সমন্বয়ের ফলে যা যা পাওয়া যায়, তা নিচে দেওয়া হলো।
আপনি যখন একটি স্ক্যান করা পিডিএফ আপলোড করেন, তখন pdf.js প্রতিটি পৃষ্ঠাকে একটি HTML ক্যানভাসে ২০০ ডিপিআই (DPI) টার্গেট রেজোলিউশনে রেন্ডার করে (অ্যাকুরেসি মোডের জন্য ৩০০ ডিপিআই পর্যন্ত কনফিগারযোগ্য)। ক্যানভাসের ইমেজ ডেটা একটি SharedArrayBuffer-এর মাধ্যমে নির্বাচিত LSTM ল্যাঙ্গুয়েজ মডেলগুলো চালিত একটি Tesseract.js ওয়েব ওয়ার্কারে স্থানান্তরিত হয়। Tesseract পৃষ্ঠাটিকে টেক্সট অঞ্চলে বিভক্ত করার জন্য লেআউট বিশ্লেষণ করে, তারপর অক্ষরের ক্রম শনাক্ত করার জন্য প্রতিটি অঞ্চলে LSTM নিউরাল নেটওয়ার্ক প্রয়োগ করে। এর আউটপুট হলো শব্দগুলোর একটি তালিকা, যেখানে তাদের শনাক্তকৃত ইউনিকোড অক্ষরের ক্রম এবং বাউন্ডিং বক্স স্থানাঙ্ক—অর্থাৎ পৃষ্ঠার যে পিক্সেল অবস্থানে প্রতিটি শব্দ দেখা যায়—থাকে।
Tesseract একটি পৃষ্ঠা প্রক্রিয়াকরণ শেষ করার পর, pdf-lib শনাক্ত করা টেক্সট এবং বাউন্ডিং বক্স ব্যবহার করে সংশ্লিষ্ট PDF পৃষ্ঠায় একটি অদৃশ্য টেক্সট লেয়ার অঙ্কন করে। প্রতিটি শব্দকে তার শনাক্ত করা স্থানাঙ্কে `page.drawText()` ব্যবহার করে স্থাপন করা হয়, যেখানে ফন্ট সাইজ বাউন্ডিং বক্সের উচ্চতা থেকে গণনা করা হয় এবং টেক্সট কালার হিসেবে `rgb(0, 0, 0)` ব্যবহার করা হয় যার অপাসিটি শূন্য — যা দৃশ্যত অদৃশ্য, কিন্তু PDF-এর টেক্সট কন্টেন্ট স্ট্রিমে উপস্থিত থাকে। আধুনিক PDF ভিউয়ারগুলো সার্চ, সিলেকশন এবং কপি অপারেশনের জন্য এই টেক্সট স্ট্রিম ব্যবহার করে। এর ফলে যে PDF তৈরি হয় তা দেখতে হুবহু মূল স্ক্যানের মতো, কিন্তু এটি Ctrl+F চাপলে সাড়া দেয়, টেক্সট সিলেকশন সমর্থন করে এবং ডকুমেন্ট ম্যানেজমেন্ট সিস্টেম ও সার্চ ইঞ্জিন দ্বারা ইনডেক্স করা যায়।
| বৈশিষ্ট্য | লুরাপিডিএফ | সার্ভার-ভিত্তিক ওসিআর (ilovepdf, Smallpdf) | অ্যাডোবি অ্যাক্রোব্যাট |
|---|---|---|---|
| গোপনীয়তা | শুধুমাত্র ব্রাউজারে ব্যবহারযোগ্য — ফাইলটি কখনও আপলোড করা হয়নি | স্ক্যান করা নথি রিমোট সার্ভারে আপলোড করা হয়েছে | স্থানীয়, কিন্তু $$$ সাবস্ক্রিপশন প্রয়োজন। |
| ভাষা সহায়তা | Tesseract WASM এর মাধ্যমে ১০০টিরও বেশি ভাষা | বিভিন্ন — সাধারণত ভাষার সংখ্যা কম থাকে | অ্যাক্রোব্যাট: অনেক, কিন্তু সীমিত বহুভাষিক |
| খরচ | চিরকাল বিনামূল্যে, কোনো পৃষ্ঠা কোটা নেই | ফ্রিমিয়াম — পৃষ্ঠার সীমাবদ্ধতা বা পেওয়াল | $$$ অ্যাক্রোব্যাট সাবস্ক্রিপশন |
| নিবন্ধন আবশ্যক | কিছুই না — পৃষ্ঠাটি খুলুন এবং OCR চালান | একাধিক পৃষ্ঠার ডকুমেন্টের জন্য অ্যাকাউন্ট প্রয়োজন। | অ্যাডোবি আইডি এবং সাবস্ক্রিপশন প্রয়োজন |
OCR নির্ভুলতার ক্ষেত্রে স্ক্যানের মানই সবচেয়ে বড় নির্ধারক। এই পরামর্শগুলো আপনাকে Tesseract WASM থেকে সেরা ফলাফল পেতে সাহায্য করবে।
সঠিক ভাষা নির্বাচন করুন — ভুল ল্যাঙ্গুয়েজ মডেল প্রয়োগ করা হলে টেসারেক্টের নির্ভুলতা উল্লেখযোগ্যভাবে কমে যায়। আপনি যদি অনিশ্চিত থাকেন, তবে একাধিক সম্ভাব্য ভাষা নির্বাচন করুন এবং টেসারেক্ট সেগুলোর মধ্যে থেকে একটিকে বেছে নেবে।
উচ্চতর স্ক্যান রেজোলিউশন উন্নততর ওসিআর প্রদান করে — ৩০০ ডিপিআই স্ক্যান ১৫০ ডিপিআই বা তার কমের তুলনায় উল্লেখযোগ্যভাবে বেশি নির্ভুলতা অর্জন করে, বিশেষ করে ছোট ফন্টের লেখা এবং অ-ল্যাটিন লিপির ক্ষেত্রে।
OCR করার আগে পৃষ্ঠাগুলো সোজা করে সাজাতে এবং মার্জিন মুছে ফেলতে LuraPDF-এর Crop PDF ও Rotate PDF টুল ব্যবহার করুন। বাঁকা বা উল্টো পৃষ্ঠা শনাক্তকরণের মান কমিয়ে দেয়।
মোবাইলে বড় ও একাধিক পৃষ্ঠার ডকুমেন্টের জন্য ডেস্কটপ ব্রাউজার ব্যবহার করুন — Tesseract WASM প্রসেসরের ওপর বেশি চাপ সৃষ্টি করে এবং মোবাইল ডিভাইসগুলো ধীরগতির হয়। ট্যাবলেট বা ডেস্কটপের Chrome বা Firefox সবচেয়ে ভালো থ্রুপুট দেয়।
OCR করার পর, শনাক্ত করা সম্পূর্ণ টেক্সটটিকে একটি প্লেইন ফাইল হিসেবে বের করতে PDF to Text ব্যবহার করুন, যা পরে ওয়ার্ড প্রসেসর, অনুবাদ টুল বা ডেটা পাইপলাইনে পেস্ট করা যাবে।
মিশ্র লিপিতে তৈরি বহুভাষিক নথির ক্ষেত্রে—যেমন ইংরেজি ও আরবি অংশযুক্ত কোনো আইনি চুক্তি, বা ইংরেজি লেখা ও চীনা চিত্রযুক্ত কোনো কাগজ—অংশগুলো আলাদাভাবে প্রক্রিয়াকরণ না করে, OCR চালানোর আগে সমস্ত প্রাসঙ্গিক ভাষা নির্বাচন করুন।
আপনার স্ক্যান করা PDF ফাইলটি উপরের আপলোড এরিয়াতে রাখুন, ডকুমেন্টের ভাষা নির্বাচন করুন, এবং Tesseract WASM-কে প্রতিটি পৃষ্ঠা অনুসন্ধানযোগ্য করে তুলতে দিন — সম্পূর্ণভাবে আপনার ব্রাউজারেই। কোনো আপলোড নেই, কোনো সার্ভার নেই, কোনো অ্যাকাউন্ট নেই, কোনো ওয়াটারমার্ক নেই, কোনো পেজ কোটা নেই। আপনার স্ক্যান করা ট্যাক্স ডকুমেন্ট, আইনি ফাইলিং, মেডিকেল রেকর্ড এবং আর্কাইভাল সামগ্রীগুলো আপনার ডিভাইসেই থাকে, ঠিক সেই মুহূর্ত থেকে যখন অনুসন্ধানযোগ্য PDF ফাইলটি আপনার ডাউনলোড ফোল্ডারে চলে আসে। OCR করার পর, PDF to Text ব্যবহার করে সম্পূর্ণ টেক্সট বের করুন, Crop PDF এবং Rotate PDF টুল ব্যবহার করে স্ক্যান কাটতে ও রোটেট করুন, অথবা Annotate PDF টুল ব্যবহার করে নতুন অনুসন্ধানযোগ্য পৃষ্ঠাগুলোতে টীকা যোগ করুন।