Taranmış Bir PDF Word’e Nasıl Dönüştürülür ve Sonuçlar Neden Farklıdır

İki PDF ekranda birbirinin aynısı görünüp Word’e dönüştürdüğünüzde tamamen farklı davranabilir. Biri bir kelime işlemciden kaydedilmiştir ve gerçek metin içerir. Diğeri bir tarayıcıyla veya telefon kamerasıyla oluşturulmuştur ve her sayfası metnin bir fotoğrafıdır. İkinci türü düzenlenebilir bir belgeye dönüştürmek için dönüştürücünün önce harfleri resimden okuması, ardından sayfanın nasıl düzenlendiğini tahmin etmesi gerekir. İki adım da ters gidebilir; bu rehber nerede, neden ve bu konuda neler yapabileceğinizi açıklıyor.

PDF’nizin taranmış olup olmadığını nasıl anlarsınız

En hızlı test, tek bir kelimeyi seçmeyi denemektir. İmleciniz kelimeyi vurgulamak yerine bütün sayfanın üzerine bir kutu çiziyorsa sayfa bir görseldir. İkinci test Ctrl+F (Mac’te Cmd+F) ile aramaktır: taranmış bir sayfada, gördüğünüz bir kelime için bile hiçbir şey bulunmaz.

Yakınlaştırmak da yardımcı olur. Gerçek metin bir yazı tipinden çizildiği için her yakınlaştırmada net kalır. Taranmış metin ise piksellerden oluştuğu için yakınlaştırdıkça yumuşar ve kare kare görünür.

Bazı taramalar karışıktır. Tarayıcı yazılımları dosyayı kaydederken çoğu zaman metin tanıma çalıştırır ve tanınan metni resmin arkasına gizler; böylece seçme ve arama yapabilirsiniz. Ancak bu gizli metin, tarayıcının tahmini kadar iyidir. Bir paragrafı düz metin düzenleyicisine kopyalayın; yanlış okumalar dahil orada tam olarak ne olduğunu görürsünüz.

OCR gerçekte ne yapar

OCR, yani optik karakter tanıma, metnin bir resmini karakterlere dönüştüren süreçtir. Aşamalar hâlinde çalışır. Görüntü temizlenir: eğikse düzeltilir ve kontrastı ayarlanır. Ardından yazılım metin içeren bölgeleri bulur, bunları satırlara ve kelimelere ayırır ve her şekli, harflerin neye benzediğine dair öğrendikleriyle karşılaştırır; kararsız kaldığı durumları çözmek için de dile ait bir sözlük kullanır.

Sözlük önemlidir, çünkü yalnızca kelimelerde yardımcı olabilir. OCR “İstanbul” kelimesini büyük İ yerine küçük L ile “lstanbul” olarak okursa sözlük onu yeniden “İstanbul”a çeker. Ama bir hesap numarasını 1045 yerine 1O45 olarak okursa onu düzeltebileceği bir karşılaştırma ölçütü yoktur. Olağan karışıklıklar, birçok yazı tipinde birbirine benzeyen karakterler arasındadır: 0 ve O, 1 ile l ve I, 5 ve S, 8 ve B ile “m”ye dönüşebilen “rn” ikilisi. OCR hatalarının sayılarda, adlarda ve kodlarda saklanmasının ve bunların en dikkatli kontrolü hak etmesinin nedeni budur.

Sonuçlar taramadan taramaya neden bu kadar değişir

Aynı dönüştürücü bir taramadan neredeyse kusursuz metin, bir başkasından ise karmakarışık bir sonuç üretebilir. Fark neredeyse her zaman görüntüdedir:

Çözünürlük. OCR için belge taramada olağan öneri 300 DPI’dır. Yaklaşık 200 DPI’ın altında küçük yazılar, benzer harfleri birbirinden ayıran ayrıntıyı kaybeder. Dipnotlar ve bir formun arkasındaki koşullar gibi çok küçük yazılar 400 DPI veya daha yükseğinden yararlanır.
Açı ve kıvrım. Açılı fotoğraflanmış bir sayfa ya da cildine doğru kıvrılan bir kitap sayfası, düz olmayan metin satırları verir. Düzeltme yardımcı olur, ancak kıvrık satırlar çoğu zaman kelimeleri düşmüş veya birleşmiş olarak çıkar.
Kontrast ve arka plan. Renkli kâğıt, fosforlu kalem, metnin üzerindeki kaşeler ve fotokopinin silik fotokopileri, harflerin arkalarındakinden ayrılmasını zorlaştırır.
Yoğun sıkıştırma. Düşük JPEG kalitesinde kaydedilmiş bir taramanın her harfinin çevresinde bulanık kenarlar ve lekeler olur. Faks kalitesindeki siyah beyaz bir görüntü ince çizgileri koparır.
El yazısı. Belge dönüştürmede kullanılan OCR basılı metin için tasarlanmıştır. El yazısı notlar ve imzalar genellikle yanlış çıkar ya da resim olarak bırakılır.
Dil ve düzen. Tanıma her yazı sistemi ve dil için ayrı eğitilir; bu yüzden daha az yaygın yazı sistemleri ve birden fazla dil içeren sayfalar daha zordur. Çok sütunlu düzenler, çizgisiz tablolar ve resimlerin üzerindeki metinler düzen adımını daha da zorlaştırır.

Metin doğru olsa bile Word dosyası neden farklı görünebilir

Karakterleri tanımak işin yalnızca yarısıdır. Dönüştürücünün sayfayı Word’ün anlayacağı bir şey olarak yeniden kurması da gerekir ve burada bir ödünleşimle karşı karşıyadır. Metni, düzenlemesi kolay ama özgün düzenden uzaklaşan normal akan paragraflar olarak yazabilir. Ya da her metin bloğunu tam konumuna sabitleyebilir; bu doğru görünür ama düzenlemesi zahmetlidir, çünkü bir bloğa yazmak sonrakini aşağı itmez.

Diğer farklar, taramanın hiç içermediği bilgilerden kaynaklanır. OCR hangi yazı tipinin kullanıldığını bilemez; bu yüzden Word’e benzer bir yazı tipi gelir ve satır sonları kayar. Çizgili bir tablo Word tablosu olarak yeniden kurulabilir, ancak çizgisiz bir tablo sekmeler veya boşluklarla ayrılmış metin olarak gelebilir. Üst bilgiler, alt bilgiler ve sayfa numaraları belgenin gövdesine düşebilir; logolar, kaşeler ve imzalar ise resim olarak kalır.

PDF’den Word’e ile bir taramayı dönüştürme

PDF’den Word’e aracımız, gereken sayfalarda OCR’yi otomatik olarak çalıştırır; böylece bir tarama düzenlenebilir metin içeren bir .docx olarak geri gelir, zaten metin içeren sayfalar ise doğrudan dönüştürülür. Dosya, dosyayı ve sonucu üç saat içinde sildiğini belirten bir belge dönüştürme sağlayıcısına gönderilir. Belirli bir boyut sınırı yoktur, ancak yüklemenin yaklaşık 40 saniye içinde bitmesi gerekir; bu yüzden çok büyük bir tarama için hızlı bir bağlantı gerekir. Açmak için şifre gereken bir PDF’nin önce kilidinin açılması gerekir.

Dönüştürmeden önce yapmaya değer birkaç şey vardır:

Yan veya ters duran sayfaları doğru yöne çevirin ve boş sayfaları kaldırın. Dosya Düzenleyici ikisini de dosyayı yüklemeden yapar.
Kâğıdı kendiniz tarıyorsanız tarayıcının siyah beyaz modu yerine gri tonlamalı veya renkli 300 DPI kullanın; siyah beyaz mod ince harfleri OCR onları görmeden önce koparabilir.
Yalnızca birkaç sayfaya ihtiyacınız varsa yalnızca onları dönüştürün. Sonradan kontrol edilecek daha az şey olur.

Sonuca güvenmeden önce nelerin kontrol edilmesi gerekir

OCR gerçek taramaların çoğunda hata yapar ve bunu yaptığında hiçbir uyarı vermez. Dönüştürülen belgeyi göndermeden veya dosyalamadan önce şunları kontrol edin:

Önemli her sayı. Toplamlar, tarihler, tutarlar, hesap ve referans numaraları, telefon numaraları. Bunları akla yatkın görünenle değil, taramayla karşılaştırın.
Adlar ve adresler. Nadiren bir sözlükte bulunurlar; bu yüzden onları hiçbir şey düzeltmez.
Yazım denetleyicisinin altını çizdiği kelimeler. Kırmızı alt çizgiler OCR’nin yanlış tahmin ettiği yerlerde toplanır; bu da Word’ün yazım denetimini kaba bir hata bulucuya dönüştürür.
Küçük yazılar ve kenar boşlukları. Dipnotlar, kaşeler ve kenar boşluğundaki notlar, en sık tamamen gözden kaçan metinlerdir.
Tablolar. Her değerin doğru satırda ve sütunda durduğundan emin olun.

İyi sonuç vermeyenler

Bazı belgeler her dönüştürücüyü hayal kırıklığına uğratır. El yazısıyla doldurulmuş formlar, fakslar, ekran çözünürlüğünde alınmış belge ekran görüntüleri ve bir fotoğrafın veya diyagramın parçası olan metinlerin önemli oldukları yerlerde genellikle yeniden yazılması gerekir.

Diğer araçlarımızdan ikisi taramaları hiç okumaz. PDF’den Excel’e yalnızca PDF’de zaten bulunan metni okur; bu yüzden taranmış bir sayfadan tablo çıkaramaz. “Belge Çevir” de aynı nedenle taranmış PDF’leri geri çevirir. İki durumda da taramayı önce PDF’den Word’e ile dönüştürebilir, metni kontrol edebilir ve Word dosyasından devam edebilirsiniz: bir tabloyu Excel’e kopyalayın veya .docx dosyasını çevirin.

Sonuç

Taranmış bir PDF’yi Word’e dönüştürmek art arda iki tahmindir: harflerin ne olduğu ve sayfanın nasıl kurulduğu. Net, düz, 300 DPI’lık bir tarama iki tahmini de kolaylaştırır; sayıların ve adların dikkatli kontrolü de OCR’nin yanlış yaptıklarını yakalar. Sonucu özgün belgenin bir kopyası olarak değil, metnin ilk taslağı olarak görün; nadiren hazırlıksız yakalanırsınız.

Metne dönüştürülecek bir taramanız mı var? PDF’den Word’e dönüştürücüsünü deneyin.

← Bloga dön