Win Innwa PDF မှ Unicode သို့ - ကူးယူရင် စာလုံးတွေ ဘာကြောင့် မှားသလဲ

မြန်မာ PDF ဟောင်း တစ်ခုကို ဖွင့်ကြည့်ရင် မျက်နှာပြင်ပေါ်မှာ ကောင်းကောင်း ဖတ်လို့ရပါတယ်။ စာပိုဒ်တစ်ခုကို ရွေးပြီး Document တစ်ခုထဲ ကူးထည့်လိုက်တဲ့အခါ armfaumif;edkuf ကဲ့သို့ စာလုံးများ ထွက်လာပါတယ်။ စာသား ရှိပေမယ့် မြန်မာစာ မဟုတ်ပါဘူး။

ဖိုင်ပျက်နေတာ၊ ဆော့ဖ်ဝဲချို့ယွင်းနေတာ မဟုတ်ပါဘူး။ အရင်က မြန်မာစာရွက်စာတမ်း အများအပြားကို ဒီနည်းနဲ့ ရေးသားခဲ့ကြလို့ ဖြစ်ပါတယ်။

ဘာကြောင့် ဖြစ်ရသလဲ

မြန်မာ Unicode မတွင်ကျယ်မီက Win Innwa နဲ့ Win Myanmar လို ဖောင့်တွေကို သုံးပြီး မြန်မာစာ ရိုက်ခဲ့ကြပါတယ်။ ဒီဖောင့်တွေက မြန်မာ code point တွေအစား ပုံမှန်ကီးဘုတ်က စာလုံးတွေ (a၊ r၊ m၊ ;) ကို သုံးထားပြီး အဲဒီစာလုံးတွေကို မြန်မာစာပုံစံနဲ့ ပြသထားတာ ဖြစ်ပါတယ်။

ထို့ကြောင့် m ခလုတ်ကို နှိပ်ရင် ဖိုင်ထဲတွင် m စာလုံးကို သိမ်းပြီး ဖောင့်က မြန်မာ စာလုံးကို ဆွဲပြပါတယ်။ အဲဒီဖောင့်ရှိတဲ့ ကွန်ပျူတာမျက်နှာပြင်ပေါ်မှာ မှန်ကန်စွာ မြင်ရပေမယ့် အောက်ခံမှာ ASCII သာ ဖြစ်ပါတယ်။

ဒီလိုစာရွက်စာတမ်းကနေ ထုတ်ထားတဲ့ PDF မှာလည်း Text layer က ASCII ပဲ ဖြစ်ပါတယ်။ PDF ထဲ ထည့်ထားတဲ့ ဖောင့်က မြန်မာစာအဖြစ် ပြပေးထားတာ ဖြစ်ပါတယ်။ စာသားကူးယူတာ၊ ထုတ်ယူတာ၊ ရှာဖွေတာ ဒါမှမဟုတ် screen reader နဲ့ ဖတ်တာတွေ လုပ်ရင် ASCII စာလုံးတွေကိုသာ ရပါမယ်။

သိရှိနိုင်ပုံ

စာသားကို ထုတ်ယူကြည့်ပါ။ LEXO တွင် PDF ကို Text layer Mode ဖြင့် ဖွင့်၍ စတင်ပါ သို့မဟုတ် Command Line မှ -

lexo extract document.pdf

စာမျက်နှာတွင် မြန်မာစာ ပေါ်နေပြီး Text pane မှာ လက်တင်စာလုံးနှင့် ပုဒ်ဖြတ်သင်္ကေတများ ပေါ်ရင် ဖောင့်ဟောင်း PDF ဖြစ်ပါတယ်။

Win Innwa မြန်မာ PDF မှ ထုတ်ယူထားတဲ့ ASCII စာလုံးများဖြင့် ပြည့်နေသော LEXO Text pane။ — LEXO တွင် Win Innwa PDF - စာမျက်နှာတွင် မြန်မာစာ၊ Text layer မှာ ASCII။

ပုံစံမတူပေမယ့် OCR ဖြင့် ဖြေရှင်းနိုင်တဲ့ အခြားအခြေအနေ နှစ်မျိုးလည်း ရှိပါတယ် -

Private Use Area glyph များ - PDF အချို့မှာ မြန်မာစာအစား ဖောင့်တစ်မျိုးတည်းအတွက် သတ်မှတ်ထားတဲ့ glyph ID တွေကို သိမ်းထားပါတယ်။ ဒီလို Text layer ကို အသုံးပြုမရကြောင်း စစ်တွေ့ရင် LEXO က အလိုအလျောက် OCR လုပ်ပေးပါတယ်။
Zawgyi - မြန်မာ code point တွေကို Unicode စံနဲ့ မတူဘဲ သုံးထားတာကြောင့် Unicode ဖောင့်တွေနဲ့ ကြည့်ရင် စာသားပုံပျက်နေတတ်ပါတယ်။ LEXO က Zawgyi ကို တိုက်ရိုက် မပြောင်းပေးပါဘူး။

ဖြေရှင်းနည်း ၁ - OCR ဖြင့် စာမျက်နှာကို ဖတ်ပါ

အလွယ်ဆုံးနည်းက Text layer အစား မျက်နှာပြင်ပေါ်မှာ မြင်ရတဲ့ စာမျက်နှာပုံကို ဖတ်ယူတာ ဖြစ်ပါတယ်။ LEXO မှာ Google Docs OCR ကို ရွေးပြီး Run နှိပ်ပါ။ LEXO က စာမျက်နှာကို ပုံအဖြစ် ပြောင်းပေးပြီး Google Docs OCR က မြန်မာစာကို ဖတ်ကာ Unicode စာသားအဖြစ် ထုတ်ပေးပါတယ်။

Command Line မှဆိုရင် ASCII Layer ကို ကျော်ရန် စာမျက်နှာအားလုံးကို OCR လုပ်ပါ -

lexo ocr document.pdf --force-ocr -o document.txt

အခြား OCR ရလဒ်တွေလိုပဲ စစ်ဆေးဖို့ လိုပါတယ်။ ဒါကြောင့် မူရင်းစာမျက်နှာပုံနဲ့ စာသားကို ယှဉ်တွဲပြထားတာ ဖြစ်ပါတယ်။

ဖောင့်ဟောင်း PDF - ASCII မှ Unicode သို့

Text pane မှာ အခြေအနေကို သိရှိပြီး Google Docs OCR သို့ ပြောင်းကာ မြန်မာ Unicode စာသား ပြန်ရယူပုံ။

ကြာချိန် 0:45 · အသံမပါပါဘူး။ မျက်နှာပြင်ပေါ်က စာတန်းတွေနဲ့ ရှင်းပြထားပါတယ်။

ဖြေရှင်းနည်း ၂ - Converter ဖြင့် ပြောင်းပါ

စာရွက်စာတမ်းကို Google သို့ တင်ပို့ခွင့်မရှိရင် အခြားနည်းကို သုံးနိုင်ပါတယ်။ Win Innwa မှာ ASCII စာလုံးတစ်ခုချင်းအတွက် မြန်မာစာပုံစံကို သတ်မှတ်ထားတာကြောင့် Win-to-Unicode converter ဖြင့် Unicode သို့ တိုက်ရိုက် ပြောင်းနိုင်ပါတယ်။ LEXO ဖြင့် မူရင်းစာသားကို ထုတ်ယူပြီး converter ထဲ ထည့်ပါ။

ဒီနည်းက အားလုံးကို အင်တာနက်ပေါ် မတင်ဘဲ လုပ်နိုင်ပြီး အလွန် တိကျနိုင်ပေမယ့် ဘယ်ဖောင့်ဟောင်းကို သုံးထားလဲဆိုတာ သိဖို့လိုပြီး ဖောင့်များ ရောနေရင် ရှုပ်ထွေးပါတယ်။ OCR ကမူ ပုံကို ဖတ်ခြင်းဖြစ်၍ ဘယ်ဖောင့်သုံးထားလဲဆိုတာ သိဖို့ မလိုပါဘူး။

ဘယ်နည်းကို သုံးသင့်သလဲ

	Google Docs OCR	Font Converter
ဖောင့်ကို သိရန်လိုသလား	မလို	လို
ကွန်ပျူတာမှ အပြင်ထွက်သလား	စာမျက်နှာပုံများ မိမိ Google Drive သို့	မထွက်
အမှားဖြစ်နိုင်တဲ့ အကြောင်းရင်း	စာဖတ်မှားမှု	ဖောင့်သတ်မှတ်ပုံ မှားခြင်း သို့မဟုတ် ရောနေခြင်း
အသင့်တော်ဆုံး	ရောနေသော သို့မဟုတ် မသိသော စာရွက်စာတမ်းများ	အင်တာနက်ပေါ် မတင်ရတဲ့ တစ်မျိုးတည်း Win Innwa မော်ကွန်းကြီးများ

ဘယ်နည်းကို သုံးသုံး ရည်ရွယ်ချက်က မြန်မာစာကို Unicode အဖြစ် သိမ်းဆည်းနိုင်ဖို့ ဖြစ်ပါတယ်။ ဒါမှသာ ခေတ်မီဆော့ဖ်ဝဲတွေမှာ စာသားရှာဖွေတာ၊ အက္ခရာစဉ်စီတာနဲ့ အသံထွက်ဖတ်တာတွေကို လုပ်နိုင်ပါမယ်။