Taranmış PDF’i OCR ile Aranabilir Metne Dönüştürme

PDF’te Ctrl+F’ye basıp sayfada açıkça gördüğünüz bir kelimeyi yazıyorsunuz ve hiçbir sonuç çıkmıyor. Ya da bir paragrafı kopyalamaya çalışınca bütün sayfa tek bir blok olarak seçiliyor. İkisi de aynı şeye işaret eder: Karşınızdaki şey metnin kendisi değil, metnin fotoğrafı, yani bir taramadır. Optik karakter tanıma (OCR), bu görüntüyü bilgisayarın işleyebileceği kelimelere geri çevirmenin yoludur.

Taranmış PDF neden fotoğraf gibi davranır?

Bir kelime işlemciden oluşturulan PDF, her karakteri karakter olarak saklar; hangi fontla ve sayfanın neresine çizileceği bilgisiyle birlikte. Bu sayede içinde arama yapabilir, kopyalayabilir, ekran okuyucuya sesli okutabilirsiniz.

Tarayıcı ya da telefon kamerası ise bambaşka bir şey yapar: renkli noktalardan oluşan bir ızgara kaydeder. Sonuç bir PDF’in içine konmuş olabilir ama her sayfada yalnızca bir resim vardır. Yazılım açısından sayfadaki A harfi, hemen yanındaki kahve lekesinden farksızdır. Dosyada orada bir kelime olduğunu söyleyen hiçbir bilgi bulunmaz.

Bu, ilk bakışta göründüğünden daha önemlidir. Aranamayan bir arşivde bir şey bulmak zordur, içinden bir alıntıyı e-postaya yapıştıramazsınız, çeviri araçlarının üzerinde çalışacağı bir metin yoktur ve ekran okuyucu kullanan kişiler için sayfa tamamen sessizdir.

OCR aslında ne yapar?

OCR yazılımı sayfa görüntüsüne bakar, metin içeren bölgeleri bulur, bunları satırlara ve kelimelere ayırır, ardından her şeklin hangi harfe karşılık geldiğini tahmin eder. Günümüzdeki motorlar seçilen dile ait bir sözlük ve dil modelinden de yararlanır. Belgenin dilini belirtmenin bu kadar fark yaratmasının nedeni budur: Kelimenin Türkçe olduğunu bilmek, motorun ı ile i, ş ile s gibi birbirine benzeyen harfler arasında doğru seçimi yapmasına yardım eder.

En kullanışlı çıktı genellikle aranabilir PDF’tir. Sayfa orijinal taramayla birebir aynı görünür, ancak altına kelime kelime doğru konumlara yerleştirilmiş görünmez bir metin katmanı eklenir. Arama ya da seçim yaptığınızda bu gizli katmanla çalışırsınız. Diğer seçenek düz metindir; düzene değil yalnızca kelimelere ihtiyaç duyduğunuzda işe yarar.

İyi bir tanıma sonucu için neler yapmalı?

OCR kalitesi herhangi bir ayardan çok, verdiğiniz görüntüye bağlıdır. Temiz, düz ve iyi aydınlatılmış bir sayfa neredeyse kusursuz okunur; masa lambası altında çekilmiş eğri ve bulanık bir fotoğraf ise hatalarla dolu dönebilir. En çok fayda sağlayanlar şunlardır:

• Çözünürlük: Normal gövde metni için 300 dpi civarı genellikle ideal noktadır. Çok daha düşüğünde küçük harfler şeklini kaybeder; çok daha yükseği çoğunlukla yalnızca dosyayı büyütür. Dipnot gibi çok küçük yazılarda biraz daha yüksek çözünürlük işe yarayabilir.
• Kontrast: Açık ve düzgün bir zemin üzerinde koyu yazı en iyi sonucu verir. Soluk ya da lekeli asıllarda saf siyah beyaz yerine gri tonlama çoğu zaman daha iyidir; çünkü keskin eşikleme ince çizgileri kopartabilir.
• Düz sayfa: Kâğıdı camın üzerine dik yerleştirin ya da telefonu kâğıda paralel tutun. Eğik ya da kavisli satırlar, örneğin kalın bir kitabın cilt kısmına yakın yerler, hataların sık rastlanan bir kaynağıdır.
• Eşit ışık: Elinizin ya da telefonun gölgesi ve parlak kâğıttaki yansımalar harflerin bir kısmını gizler. Gün ışığı ya da sayfayı düzleştiren bir tarama uygulaması yardımcı olur.
• Temiz asıl: Fosforlu kalem, yazının üstüne basılmış kaşe, kenar boşluklarındaki el yazısı ve kahve halkaları motoru şaşırtır. Elinizdeki en temiz kopyayı kullanın.
• Doğru dil: Her zaman belgenin yazıldığı dili seçin. Belgede birden fazla dil varsa, metnin çoğunun yazıldığı dili tercih edin.

vupdf’te OCR nasıl yapılır?

vupdf’in OCR aracı ya tek bir PDF ya da bir veya birden fazla JPG/PNG görseli kabul eder; görseller yüklediğiniz sırayla tek bir belgede birleştirilir. Belge dilini onlarca dilden oluşan bir listeden seçersiniz, ardından ne almak istediğinize karar verirsiniz:

• Aranabilir PDF: Her sayfa eskisi gibi görünür, yukarıda anlatılan görünmez metin katmanı eklenir.
• Düz metin (.txt): Her sayfanın önünde bir başlık satırı bulunan, yalnızca kelimelerden oluşan bir dosya.

Tüm sayfaları ya da yalnızca bazılarını okutabilirsiniz. Sadece belirli bir kısım, örneğin bir adres bloğu ya da tablo ilginizi çekiyorsa, “Elle alan seç” ile o bölgelerin üzerine dikdörtgen çizersiniz ve yalnızca onlar okunur. Düz metin çıktısını seçtiğinizde tanınan metin ekranda gösterilir; kopyalamadan ya da indirmeden önce hataları orada düzeltebilirsiniz.

Zaten gerçek, seçilebilir metin içeren sayfalar otomatik olarak atlanır. Bu sayfaları yeniden OCR’dan geçirmek her kelimenin üstüne ikinci bir kopyasını koyar ve arama ya da kopyalama her şeyi iki kez döndürürdü. Seçilen sayfaların hiçbiri OCR gerektirmiyorsa araç bunu size bildirir ve dosyayı değiştirmeden geri verir.

Tanıma işlemi dışarıdaki bir yapay zekâ hizmetinde değil, vupdf’in kendi sunucularında yapılır; yüklenen dosyalar sonuç size teslim edildikten sonra silinir.

Sonucu kontrol etmek

OCR çok başarılıdır ama kusursuz değildir. Özellikle tek bir yanlış rakamın sorun çıkaracağı belgelerde kısa bir kontrol yapmaya değer.

1. Aranabilir PDF’i açın ve farklı sayfalarda gördüğünüz birkaç kelimeyi aratın. Kelimeler bulunuyor ve doğru yerde vurgulanıyorsa metin katmanı çalışıyordur.
2. Bir paragrafı seçip bir metin düzenleyicisine yapıştırın. Tipik OCR hatalarına bakın: küçük l yerine 1, O yerine 0, m yerine rn, kaybolan noktalar ve çengeller.
3. Sayılara, isimlere, IBAN’lara, tarihlere ve tutarlara özellikle dikkat edin. Bunların dayanabileceği bir sözlük yoktur; motor bağlamdan yararlanarak düzeltme yapamaz.
4. Bir sayfada çok sayıda hata varsa o sayfanın görüntüsüne bakın. Sebep genellikle bulanık ya da eğik bir taramadır; o tek sayfayı yeniden taramak çoğu zaman sorunu çözer.

Aranabilir metinden düzenlenebilir belgeye

Aranabilir PDF arşivleme, arama ve alıntı için idealdir. İçeriği yeniden yazmanız gerekiyorsa sonraki adım genellikle Word’e dönüştürmektir. vupdf’in PDF’den Word’e aracı taranmış sayfaları kendisi okumaz: bu sayfalar resim olarak aktarılır, hiç metin içermeyen bir dosya ise OCR aracına yönlendiren bir mesajla reddedilir. Önce OCR yapıp ardından aranabilir PDF’i dönüştürmek, dönüştürücüye üzerinde çalışabileceği gerçek bir metin verir.

Akılda kalması gerekenler

Taranmış bir sayfa bir resimdir; bu yüzden içinde arama yapılamaz ve kopyalanamaz. OCR bu resmi okuyup kelimeleri geri ekler. Doğruluğu büyük ölçüde ona verdiğiniz şeye bağlıdır: makul çözünürlükte, düz, net ve eşit aydınlatılmış bir sayfa ve doğru dil ayarı. Sonuçtaki sayıları ve isimleri kontrol etmek için bir dakikanızı ayırın; kaynağa yeniden bakmanız gerekebileceği için orijinal taramayı da saklayın.