Hindi PDF & Scan → Word
with the tables rebuilt

The problem with most PDF-to-Word tools and Hindi

Two different things get called "a Hindi PDF", and they fail in two different ways. A PDF exported from a Word file typed in Kruti Dev, Kokila or Utsaah often carries a text layer that looks fine on screen but is garbage underneath. Copy from it and you get letters in the wrong order, floating matras and stray halants. Generic converters trust that layer and hand you the garbage. A scanned PDF has no text layer at all, and a converter that only reads text layers returns an empty document or an image pasted into a page.

This tool checks. Every page's text layer is scored against the spelling rules of Devanagari: a word cannot begin with a vowel sign, cannot carry two vowel signs in a row, cannot end in a bare halant. A healthy page breaks those rules in under 2% of its words; a broken export breaks them in 22% or more. Pages that fail are re-read with OCR instead of being trusted, and a page that has no text layer goes to OCR automatically.

What happens to a poor scan

Real uploads are not clean scans. They are photographs taken at an angle, in a room with one window, of a photocopy of a photocopy. Before any reading happens the image is binarised (plain Otsu thresholding, or adaptive thresholding when the background brightness varies enough to indicate a shadow), auto-rotated to the correct orientation, deskewed, and checked for which script it is actually in. Measured on real government documents, that preprocessing chain lifted word recall from 93.9% to 95.8% on a clean scan and from 79% to 88% on a difficult Hindi table page.

Choosing pages, and a searchable copy

After you choose the file, type the pages to read (for example 1-10). Up to 10 pages are read at a time, so a longer file is read in parts. If you also need the scan itself to be searchable, tick Also make a searchable PDF: you get a PDF that looks exactly like the scan but whose text can be found and copied. Reading each page twice takes about twice as long, so leave it off unless you need it. Have a phone photo rather than a PDF? Hindi Image to Text takes photos and lets you mark the part of the page to read.

Layout

The Word file follows the page: headings stay centred and larger, bold lines stay bold, the reference number and date stay on one line at either side, paragraphs keep their first-line indent, and the letterhead emblem and office stamp are put back as pictures where they stood. Hand signatures are left out on purpose, so a signed paper does not come back with a ready-made picture of someone's signature. It is still a normal Word document you can edit, not a picture of one, so positions are close rather than exact to the millimetre.

Tables

Table detection in Devanagari has a specific trap: every Hindi word carries a shirorekha, the long horizontal bar across the top, and line-detection algorithms happily mistake a row of those bars for a table rule. A seven-row table comes back as eighteen rows. Detected row lines are therefore checked for whether they reach across the table's full width like a real rule, or stop at word boundaries like a headline. Bordered tables come back as real, editable Word tables.

Honest limits

This is not magic and the number that matters is measured, not claimed. Handwriting, heavily underlined Devanagari headings, and borderless tables are the weak spots: a borderless table falls back to plain text lines rather than being invented. Files go through a first-in-first-out queue so a busy moment does not crash the server; you are told how many files are ahead of you.

स्कैन की हुई पीडीएफ से वर्ड फाइल

आपके पास कागज की स्कैन की हुई पीडीएफ है और चाहिए ऐसी वर्ड फाइल जिसमें सुधार हो सके। यह टूल यही करता है, और लाइन खिंची टेबल को असली वर्ड टेबल बनाकर देता है, तस्वीर चिपकाकर नहीं।

बहुत सी पीडीएफ देखने में ठीक लगती हैं पर उनके अन्दर का टेक्स्ट खराब होता है। कृति देव, कोकिला या उत्साह से बनी पीडीएफ में यह आम बात है। कॉपी करते ही मात्राएँ इधर-उधर हो जाती हैं। टूल हर पेज के टेक्स्ट को देवनागरी के नियमों पर परखता है, और खराब निकले तो उस पर भरोसा करने के बजाय पेज को OCR से दोबारा पढ़ता है।

पेज चुनना: फाइल चुनने के बाद पढ़ने वाले पेज लिखिए (जैसे 1-10)। एक बार में 10 तक पेज पढ़े जाते हैं, इसलिए लंबी फाइल हिस्सों में पढ़वाइए। स्कैन को ही सर्च होने लायक बनाना हो तो साथ में सर्च होने वाली पीडीएफ भी बना दीजिए पर टिक कीजिए: पीडीएफ दिखती स्कैन जैसी ही है, पर उसका टेक्स्ट ढूँढा और कॉपी किया जा सकता है। इसमें करीब दोगुना समय लगता है। पीडीएफ नहीं, मोबाइल की फोटो है? हिन्दी फोटो से टेक्स्ट वाला टूल खोलिए।

फॉर्मेटिंग: वर्ड फाइल पेज जैसी ही बनती है: हेडिंग बीच में और बड़ी, बोल्ड लाइन बोल्ड, पत्रांक और दिनांक एक ही लाइन में दोनों ओर, पैराग्राफ की पहली लाइन का खिसकाव, और लेटरहेड का लोगो व मुहर तस्वीर बनकर अपनी जगह; हाथ के हस्ताक्षर जानबूझकर छोड़ दिए जाते हैं। फाइल सुधार लायक वर्ड ही रहती है, तस्वीर नहीं, इसलिए जगहें मिलीमीटर तक नहीं, लगभग वैसी ही होती हैं।

टेढ़ा, धुँधला या छाया वाला स्कैन पढ़ने से पहले साफ किया जाता है: काला-सफेद, अपने आप सीधा घुमाया हुआ, तिरछापन दुरुस्त, और लिपि पहचानी हुई। असली सरकारी कागजों पर नापने पर इस सफाई से नतीजा 93.9% से 95.8% (साफ स्कैन) और 79% से 88% (मुश्किल हिन्दी टेबल) तक पहुँचा।

कमजोर जगहें भी बता देते हैं: हाथ की लिखावट, नीचे लाइन खिंची हिन्दी हेडिंग, और बिना बॉर्डर वाली टेबल, इन तीनों पर नतीजा कमजोर रहता है। बिना बॉर्डर की टेबल को अंदाजे से बनाने के बजाय सादी लाइनों में दे दिया जाता है।

फाइलें कतार में लगती हैं, जो पहले आयी वह पहले। आपको दिखता रहता है कि आपसे पहले कितनी फाइलें हैं। इससे सर्वर पर एक साथ बोझ नहीं पड़ता।

काम की गाइड

• स्कैन की हुई पीडीएफ या फोटो से हिन्दी वर्ड फाइल कैसे बनाएँकागज पर पड़े हिन्दी दस्तावेज को एडिट होने वाली वर्ड फाइल में कैसे बदलें। स्कैन, मोबाइल की फोटो, और टेबल वाले पन्नों के लिए क्या करें।

सभी गाइड देखें →