Taranmış PDF’de metin neden seçilemiyor? OCR neyi değiştirir?

· Web

Taranmış PDF’de metin neden seçilemiyor? OCR neyi değiştirir?

Ekranda gayet okunaklı görünen bir PDF açtınız. Bir cümleyi kopyalamak istiyorsunuz; imleç harfleri yakalamıyor. Dosyanın bozuk olması gerekmiyor. Büyük olasılıkla sayfa, metin olarak değil, kâğıdın çekilmiş görüntüsü olarak PDF’ye konmuş.

Görünen yazı neden seçilemiyor?

PDF bir kap gibi düşünülebilir: içinde yazılımın ürettiği gerçek metin de olabilir, tarayıcının kaydettiği bir sayfa fotoğrafı da. Fotoğraftaki “A” harfi gözümüze A görünür; dosyanın içinde ise renkli noktaların bir parçasıdır. Metin seçme aracı bu noktaları kelime olarak tanımaz. Sayfa büyütülünce harflerin bulanıklaşması, görüntü tabanlı bir sayfaya işaret edebilir; tek başına kesin tanı değildir.

Düz yataklı belge tarayıcısı
Kâğıdı sayısal görüntüye dönüştüren bir düz yataklı tarayıcı. Fotoğraf: Luke Launderville, CC BY-SA 3.0.

Bir PDF’nin bazı sayfaları seçilebilir, bazıları seçilemez olabilir. Örneğin bilgisayarda hazırlanmış bir raporun sonuna taranmış imza veya ek sayfalar konabilir. Dosya uzantısı aynı kaldığı için fark ancak sayfayı kullanırken ortaya çıkar.

OCR neyi değiştirir?

OCR (optik karakter tanıma), görüntüdeki harf biçimlerini çözümleyip metin üretir. Yazılım bu metni PDF’ye eklediğinde kelime arama ve seçme mümkün olabilir. Adobe’nin tarama ayarları, “Recognize Text (OCR)” seçeneğini görüntüdeki yazıyı aranabilir ve seçilebilir metne dönüştürmek için tanımlar. Bu işlem sayfanın fotoğrafını sihirli biçimde düzgün bir kelime işlemci belgesine çevirmez; düzenlenebilirlik ayrı bir özelliktir.

OCR’den sonra neden hâlâ hata çıkabilir?

OCR bir tahmindir. Soluk baskı, eğri sayfa, küçük punto veya karmaşık tablo harfleri yanlış okumasına yol açabilir. ABD Kongre Kütüphanesi, tanımanın başarısının belgenin durumuna, küçük yazıya, özel yazı tiplerine ve karmaşık düzene bağlı olduğunu belirtiyor. Bu yüzden aranabilir bir PDF’de bulunan kelimeyi yine de asıl görüntüyle karşılaştırmak gerekir; özellikle isim ve rakamlarda.

Google Drive da PDF ve fotoğrafları metne dönüştürebiliyor. Bu, dosyanın içinden metin çıkarmanın bir yolu; çıktıdaki satır ve tablo düzeninin aynen korunacağı anlamına gelmiyor. Asıl hedef yalnızca bir sözcüğü bulmaksa aranabilir PDF yeterli olabilir. Metni yeniden düzenlemek gerekiyorsa OCR çıktısının ayrıca gözden geçirilmesi gerekir.

Kaynaklar