Taranmış bir sözleşmede Ctrl+F ile bir isim arıyorsunuz, "sonuç bulunamadı" diyor. Oysa isim ilk sayfada, gözünüzün önünde duruyor. Metni kopyalamaya çalışınca da ya hiçbir şey seçilmiyor ya da bütün sayfa tek bir resim gibi maviye boyanıyor.
Sebep basit: taranmış bir PDF aslında sayfaların fotoğraflarından oluşur. Siz harfleri görürsünüz, bilgisayar ise yalnızca renkli noktalar görür. Bu noktaları yeniden harfe çeviren işleme OCR (optik karakter tanıma) denir.
OCR tam olarak ne yapar?
OCR sayfanın görüntüsüne bakar, satırları ve sözcükleri bulur, her karakterin ne olduğunu tahmin eder. OCR PDF aracı bu tahminleri sayfanın görüntüsünün üstüne, görünmeyen bir metin katmanı olarak yerleştirir. Sayfa gözünüze eskisi gibi görünür; ama artık:
- Ctrl+F ile arama yapabilirsiniz,
- metni seçip kopyalayabilirsiniz,
- ekran okuyucular sayfayı sesli okuyabilir,
- belgeyi metne ya da Word'e dönüştürmek anlam kazanır.
OCR görüntüyü düzeltmez, iyileştirmez ya da değiştirmez. Yalnızca arkasına "burada şu yazıyor" bilgisini ekler. Bu yüzden OCR'dan sonra dosya boyutu çok az artar.
Neden bazen saçma sonuçlar çıkıyor?
OCR bir tahmin işidir ve tahmin kalitesi büyük ölçüde taramanın kalitesine bağlıdır. En sık karşılaştığımız sorunlar şunlar:
- Düşük çözünürlük. 150 dpi'nin altındaki taramalarda küçük harfler birbirine karışır. Metin belgeleri için 300 dpi idealdir.
- Eğik sayfa. Birkaç derecelik eğiklik bile satırların yanlış bölünmesine yol açabilir.
- Yanlış dil seçimi. Türkçe bir belgeyi yalnızca İngilizce ile tanıtırsanız "ı", "ş", "ğ" gibi harfler başka harflere dönüşür. Dil seçimi sandığınızdan daha önemlidir.
- Üstüne mühür basılmış ya da altı çizilmiş metin. İnsan gözü ayırt eder, OCR çoğu zaman edemez.
- El yazısı. OCR motorları basılı yazı için eğitilir. El yazısı notlar genellikle tanınmaz ya da anlamsız karakterlere dönüşür.
Tipik hatalar da tahmin edilebilir: "l", "1" ve "I" karışır; "O" ile "0" yer değiştirir; "rn" bazen "m" olarak okunur. Kimlik numarası, IBAN ya da tutar gibi kritik bilgileri OCR sonucuna güvenip kopyalıyorsanız mutlaka gözle kontrol edin.
Daha iyi sonuç için taramayı hazırlamak
OCR'a başlamadan önce birkaç dakika harcamak sonucu belirgin biçimde iyileştirir:
- Sayfaları düzeltin. Ters ya da yan duran sayfaları PDF Döndür ile çevirin.
- Kenarlardaki gereksiz alanları kırpın. Masanın görüntüsü, parmaklar, gölgeler tanımayı bozar. PDF Kırp beyaz kenarları otomatik de bulabilir.
- Telefonla çekiyorsanız siyah-beyaz filtre kullanın. Belge Tara aracındaki filtre kontrastı artırır ve gölgeleri azaltır; OCR için çok daha temiz bir sayfa elde edersiniz.
- Doğru dilleri seçin. Belgede birden fazla dil varsa (örneğin Türkçe sözleşme, İngilizce ek) ikisini birden seçin. En fazla üç dil seçebilirsiniz; gereksiz dil eklemek tanımayı yavaşlatır ve hata ihtimalini artırır.
Yeti'de OCR Türkçe, İngilizce, Almanca, Fransızca, İspanyolca, İtalyanca, Rusça, Arapça, Felemenkçe ve Portekizce'yi tanır.
Karışık belgeler: bazı sayfalar zaten metinse
Birçok PDF karışıktır: ilk sayfalar Word'den çıkmıştır, sondaki imzalı sayfalar taranıp eklenmiştir. "Metin içeren sayfaları atla" seçeneği açıkken araç, zaten seçilebilir metni olan sayfalara dokunmaz ve yalnızca taranmış sayfaları işler. Hem daha hızlıdır hem de iyi durumdaki metne yanlış bir katman eklenmesini önler.
Sonucu nasıl kontrol edersiniz?
İndirdiğiniz dosyayı açın ve belgede geçtiğini bildiğiniz birkaç sözcüğü arayın; mümkünse Türkçe karakter içeren bir sözcük seçin. Sonra bir paragrafı kopyalayıp bir metin düzenleyicisine yapıştırın. Satır sonlarının ve harflerin ne kadar doğru geldiği, OCR'ın bu belgede ne kadar başarılı olduğunu hemen gösterir.
Metni ayrı bir dosya olarak almak isterseniz "Metni ayrıca TXT olarak ver" seçeneğini açabilir ya da sonradan PDF'ten Metne aracını kullanabilirsiniz.
OCR'dan sonra ne yapılabilir?
- Word'e çevirmek: PDF'ten Word'e aracının düzenlenebilir metin modu, OCR uygulanmış sayfalardan çok daha anlamlı bir belge çıkarır. Yine de taramadan dönüştürülmüş bir belgede biçimlendirmenin bir kısmını elle düzeltmeniz gerekebilir.
- Tablo almak: taranmış bir fiyat listesi ya da ekstreden tablo çıkaracaksanız önce OCR, sonra PDF'ten Excel'e.
- Bilgi karartmak: taranmış bir belgede bir ismi ya da numarayı karartacaksanız arama yapabilmek için metnin tanınmış olması gerekir. PDF Karart taranmış sayfalarda bu tanımayı kendisi de yapar.
OCR mükemmel değildir, ama iyi hazırlanmış bir taramada yüzlerce sayfalık bir arşivi aranabilir hâle getirmenin en hızlı yoludur. Belgeniz tarayıcınızda işlendiği için kişisel bilgi içeren taramalarda da gönül rahatlığıyla kullanabilirsiniz.