दोबारा टाइप करने की समस्या जो किसी को पसंद नहीं
आपके पास एक PDF है — कोई रिपोर्ट, कोई स्पेक, या साल पुराना एक्सपोर्ट किया गया README — और आपको उसका कंटेंट Markdown में चाहिए, किसी डॉक्स साइट, नोट-लेने वाले ऐप, या README फाइल के लिए। PDF व्यूअर से कॉपी-पेस्ट करने पर आमतौर पर एक बेतरतीब टेक्स्ट मिलता है जिसमें फॉर्मेटिंग गायब हो चुकी होती है और लाइन ब्रेक अजीब जगहों पर आते हैं, जिससे हेडिंग और स्ट्रक्चर हाथ से वापस जोड़ना पड़ता है। एक पेज से ज्यादा लंबे किसी भी डॉक्यूमेंट के लिए यह असल में थकाऊ काम है, जबकि यह अपने आप हो जाना चाहिए।
PDF-to-Markdown कन्वर्टर इसी दोबारा टाइप करने के काम को पूरी तरह हटाने के लिए बना है — यह टेक्स्ट पढ़ता है और अपने आप एक उचित स्ट्रक्चर बना देता है।
PDF में हेडिंग जैसा कुछ नहीं होता — तो यह अंदाज़ा कैसे लगाता है?
यह हिस्सा समझना जरूरी है, क्योंकि यही बताता है कि यह कहाँ अच्छे से काम करता है और कहाँ नहीं: PDF फाइल में "यह हेडिंग है" या "यह पैराग्राफ है" जैसी कोई अंतर्निहित समझ नहीं होती — इसे बस इतना पता होता है कि हर टेक्स्ट पेज पर कहाँ है और किस फॉन्ट साइज़ में लिखा है। कन्वर्टर को इसी से स्ट्रक्चर का अंदाज़ा लगाना पड़ता है, और सबसे भरोसेमंद संकेत फॉन्ट साइज़ ही है: पेज के औसत साइज़ से काफी बड़ा टेक्स्ट हेडिंग माना जाता है, बाकी सब सादा पैराग्राफ बन जाता है।
यह बिल्कुल वैसे ही है जैसे कोई इंसान किसी अनजान डॉक्यूमेंट को सरसरी तौर पर देखता है — बड़ा टेक्स्ट "ज्यादा जरूरी" जैसा लगता है, इसीलिए यह तरीका उन डॉक्यूमेंट पर अच्छे से काम करता है जिनमें सामान्य विज़ुअल हायरार्की बनाई गई हो।
यह कहाँ असल में मुश्किल में पड़ता है
अगर किसी डॉक्यूमेंट में हर लाइन लगभग एक जैसे फॉन्ट साइज़ में है — कोई विज़ुअली अलग टाइटल या सेक्शन हेडर नहीं — तो कन्वर्टर के पास काम करने के लिए कुछ नहीं बचता, और नतीजा एक ऐसी Markdown फाइल होती है जो तकनीकी रूप से सही तो है पर बिल्कुल सपाट: हर लाइन एक सादा पैराग्राफ बन जाती है, कोई हेडिंग स्ट्रक्चर नहीं। इसी तरह, स्कैन की गई PDF (टेक्स्ट की इमेज, असली टेक्स्ट डेटा नहीं) से कुछ नहीं निकलता, क्योंकि निकालने के लिए टेक्स्ट लेयर है ही नहीं — इसके लिए पहले OCR चाहिए, यह टूल नहीं।
पैराग्राफ के अंदर बोल्ड या इटैलिक जोर भी कन्वर्ट नहीं होता — सिर्फ हेडिंग-बनाम-पैराग्राफ स्ट्रक्चर का अंदाज़ा लगाया जाता है, इसलिए जो डॉक्यूमेंट हेडिंग हायरार्की के बजाय इनलाइन जोर पर ज्यादा निर्भर है, वह यह बारीकी कन्वर्ज़न में खो देगा।