PDF gerçekten düzenlenemez bir format mı?

Teknik olarak PDF düzenlenebilir bir formattır, ancak düzenlemeye elverişli bir yapıda tasarlanmamıştır. Format, sayfanın nasıl görüneceğini tarif eden çizim komutlarından oluşur; bir kelimeyi değiştirmek istediğinizde metin akışı diye bir kavram olmadığı için sonraki kelimeler kendiliğinden kaymaz. PDF düzenleyiciler bu yüzden genellikle küçük müdahalelerle sınırlıdır. Belge üzerinde kapsamlı değişiklik yapmanız gerekiyorsa, içeriği akışkan bir formata yani Word belgesine taşımak çok daha verimli olur.

Dönüştürücü metni nasıl buluyor, sayfanın resmini mi okuyor?

Metin tabanlı PDF'lerde dönüştürücü sayfanın görüntüsüne hiç bakmaz. PDF dosyasının içinde metin çizim komutları olarak saklanır ve her komut hangi karakterlerin hangi koordinatta, hangi yazı tipi ve boyutla çizileceğini belirtir. Dönüştürücü bu komutları okuyup karakterleri koordinatlarıyla birlikte toplar, sonra birbirine yakın olanları kelime, kelimeleri satır, satırları paragraf olarak gruplandırır. Görüntü işleme yani OCR yalnızca metin katmanı olmayan taranmış dosyalarda devreye girer.

Aynı PDF'i farklı araçlarda dönüştürünce neden farklı sonuç çıkıyor?

Çünkü dönüşümün kritik aşaması olan yapı çıkarımı bir tahmin işidir ve her aracın tahmin stratejisi farklıdır. İki metin bloğu arasındaki boşluğun ne kadar büyük olması gerektiğinde bunların ayrı paragraflar sayılacağı, hangi hizalama örüntüsünün tablo kabul edileceği gibi kararlar her uygulamada farklı eşiklerle verilir. Bu yüzden sade bir belgede araçlar arasında neredeyse hiç fark görmezsiniz, ama çok sütunlu ya da karmaşık tablolu bir belgede sonuçlar belirgin biçimde ayrışır.

Neden bazı PDF'lerden kopyaladığım metin anlamsız karakterler olarak geliyor?

Bu, PDF'teki yazı tipinin karakter eşlemesinin eksik ya da bozuk olmasından kaynaklanır. PDF içinde karakterler aslında yazı tipi dosyasındaki sıra numaralarıyla saklanır ve bu numaraların hangi gerçek harfe karşılık geldiğini belirten bir eşleme tablosu bulunması gerekir. Bazı üretici programlar bu tabloyu eksik yazar ya da hiç yazmaz. Sayfa ekranda doğru görünür çünkü doğru şekiller çizilmektedir, ama metni kopyaladığınızda anlamsız karakterler elde edersiniz. Böyle dosyalarda tek çözüm, sayfayı görüntü olarak ele alıp OCR uygulamaktır.

PDF'ten Word'e Dönüşüm Aslında Nasıl Çalışır? Teknik Arka Plan

İki format, iki bambaşka felsefe

PDF ile Word belgesi arasındaki fark, çoğu insanın sandığından çok daha derindir. Bu farkı anlamak, dönüşüm sırasında neyin neden olduğunu anlamanın da anahtarıdır.

Word belgesi bir içerik modeli tanımlar. Dosyanın içinde şu tür bilgiler bulunur: burada birinci seviye bir başlık var, ardından üç paragraf geliyor, sonra üç sütunlu bir tablo başlıyor. Belge sayfanın neresine ne çizileceğini söylemez; içeriğin yapısını söyler ve sayfaya yerleştirme işini programa bırakır. Bu yüzden bir paragrafa cümle eklediğinizde sonraki her şey kendiliğinden aşağı kayar, kenar boşluklarını değiştirdiğinizde metin yeniden akar.

PDF ise bir sayfa görüntüsü tanımlar. Dosyanın içinde şu tür komutlar bulunur: 72 punto Helvetica ile, sayfanın sol alt köşesinden 90 birim sağa ve 700 birim yukarı olan noktaya şu karakterleri çiz. Ardından şuradan şuraya 0,5 kalınlığında bir çizgi çek. PDF'in dünyasında paragraf diye bir şey yoktur, tablo diye bir şey yoktur, hatta çoğu zaman kelime diye bir şey bile yoktur. Sadece belirli koordinatlara çizilmiş karakterler ve şekiller vardır.

Bu tasarım tercihi PDF'e en büyük gücünü verir: dosyayı hangi cihazda, hangi işletim sisteminde açarsanız açın sayfa birebir aynı görünür. Aynı tercih, düzenlemeyi de son derece zorlaştırır.

Dönüşüm süreci: üç aşamalı bir yeniden inşa

Bir dönüştürücü PDF'i Word'e çevirirken aslında üç ayrı iş yapar.

Aşama 1: Çıkarma

Önce PDF'in içindeki çizim komutları okunur ve her metin parçası kendi bilgileriyle birlikte toplanır: hangi karakterler, hangi koordinatta, hangi yazı tipi, hangi punto, hangi renk. Bu aşamanın sonunda elde edilen şey henüz bir belge değil, sayfa üzerine dağılmış yüzlerce ya da binlerce küçük metin parçasıdır. Bu aşama genellikle sorunsuz çalışır çünkü yapılan iş, dosyada zaten açıkça yazılı olan bilgiyi okumaktan ibarettir.

Aşama 2: Yapı çıkarımı

İşin gerçekten zor kısmı burasıdır ve dönüşüm kalitesini belirleyen de tam olarak bu aşamadır. Dönüştürücünün elinde koordinatlarıyla birlikte metin parçaları vardır ve bunlardan mantıksal bir belge yapısı çıkarması gerekir.

Algoritma şu tür sorulara cevap arar. Yan yana duran iki karakter aynı kelimeye mi ait, yoksa aralarındaki boşluk bir kelime sınırı mı? Alt alta duran iki satır aynı paragrafın devamı mı, yoksa yeni bir paragraf mı başlıyor? Sayfanın sol yarısındaki metinle sağ yarısındaki metin iki ayrı sütun mu, yoksa geniş bir tablonun iki hücresi mi? Bu satır neden diğerlerinden daha büyük punto ile yazılmış, başlık mı olmalı?

Dikkat edilmesi gereken nokta şudur: bunların hiçbirinin cevabı dosyanın içinde yazmaz. Hepsi, koordinatlara ve biçim bilgilerine bakılarak yapılan çıkarımlardır. Bir insan sayfaya baktığında bu yapıyı anında görür çünkü belgelerin nasıl düzenlendiğine dair yıllar içinde edinilmiş bir sezgisi vardır. Bir algoritma ise yalnızca sayısal eşiklerle karar verir ve bu eşikler bazen yanılır.

Aşama 3: Yeniden oluşturma

Çıkarılan yapı, Word'ün anlayacağı biçimde yeniden yazılır. Paragraf olarak tanınan şeyler paragraf, tablo olarak tanınan şeyler tablo, başlık olarak tanınan şeyler başlık stiliyle oluşturulur. Görseller çıkarılıp belgeye yerleştirilir. Bu aşamada da bir uzlaşma noktası vardır: dönüştürücü ya görsel benzerliği önceler ve her şeyi metin kutularına yerleştirerek sayfayı birebir taklit eder, ya da düzenlenebilirliği önceler ve akışkan paragraflar üretir. Birincisi ekranda daha çok orijinaline benzer ama düzenlemesi zordur; ikincisi düzenlemesi kolaydır ama görsel olarak bir miktar farklılaşır.

Neden hiçbir dönüşüm kusursuz değil?

Buraya kadar anlatılanlardan çıkan sonuç şudur: dönüşümdeki kayıp bir yazılım eksikliği değil, bir bilgi eksikliğidir. PDF dosyasında paragraf yapısı, sütun düzeni ya da tablo tanımı çoğu zaman hiç yoktur. Dönüştürücü var olmayan bilgiyi okuyamaz, sadece tahmin edebilir.

Bu yüzden dönüşüm kalitesi doğrudan kaynak belgenin karmaşıklığıyla ilişkilidir. Tek sütun metin ve düz paragraflardan oluşan bir sözleşme neredeyse birebir dönüşür çünkü tahmin edilecek çok az şey vardır. İç içe geçmiş kutuların, arka plan görsellerinin, farklı yönlerde akan metinlerin bulunduğu bir tasarım broşüründe ise tahmin edilecek çok şey vardır ve her tahmin bir hata payı taşır.

Bir istisna kategorisi daha vardır: etiketli PDF. PDF standardı, dosyaya yapısal etiketler gömülmesine izin verir; bu etiketler hangi metnin başlık, hangisinin tablo hücresi olduğunu açıkça belirtir. Erişilebilirlik gereklilikleriyle üretilmiş kurumsal belgelerde bu etiketler bulunur ve dönüşüm kalitesi belirgin şekilde artar çünkü artık tahmin yapmaya gerek kalmaz. Ne yazık ki pratikte karşılaşılan PDF'lerin büyük çoğunluğu etiketsizdir.

Taranmış PDF: tamamen farklı bir problem

Buraya kadar anlatılan her şey, içinde gerçek metin bulunan PDF'ler içindi. Taranmış belgede durum kökten değişir çünkü dosyada okunacak hiçbir metin komutu yoktur; yalnızca sayfanın fotoğrafı vardır.

Bu dosyalarda önce OCR yani optik karakter tanıma devreye girmelidir. OCR, görüntüdeki piksel örüntülerini analiz ederek harfleri tanır ve gerçek metne çevirir. Bu, dönüşümden bağımsız ve kendi başına hata payı taşıyan bir işlemdir. Tanıma doğruluğu tarama çözünürlüğüne, sayfanın düzgün konumlandırılmış olmasına, kağıdın temizliğine ve yazı tipinin okunaklılığına bağlıdır. El yazısı, düşük çözünürlüklü tarama ya da eğri çekilmiş telefon fotoğrafı ciddi hata oranları üretir.

Dolayısıyla taranmış bir belgede iki hata kaynağı üst üste biner: önce OCR'ın tanıma hataları, sonra yapı çıkarımının yorumlama hataları. Bu tür dosyalarda çıktıyı mutlaka orijinalle karşılaştırarak okumak, özellikle rakamlar ve özel isimler söz konusuysa vazgeçilmezdir.

Bu bilgi pratikte ne işe yarar?

Dönüşümün nasıl çalıştığını bilmek, sonucu değerlendirirken doğru beklentiye sahip olmanızı sağlar. Karmaşık bir sayfada bozulma gördüğünüzde bunun kaçınılmaz olduğunu, başka bir araç denemenin çoğu zaman kökten farklı bir sonuç vermeyeceğini bilirsiniz. Buna karşılık sade bir belgede bozulma görüyorsanız, muhtemelen dosyada yazı tipi eşlemesi gibi özel bir sorun vardır ve bunu araştırmak anlamlıdır.

Aynı bilgi, işi baştan doğru kurmanıza da yardımcı olur. Belgeyi siz üretiyorsanız ve ileride düzenlenmesi gerekeceğini biliyorsanız, orijinal kaynak dosyayı saklamak her türlü dönüşümden iyidir. Dönüşüm, orijinale erişemediğiniz durumlar için tasarlanmış bir kurtarma yoludur ve bu amaçla oldukça iyi çalışır. Elinizdeki dosyayı denemek isterseniz PDF'ten Word'e dönüştürme aracını kullanabilirsiniz.

Özetle

PDF sabit bir sayfa görüntüsü, Word ise akışkan bir içerik modelidir. Dönüşüm, sabit koordinatlara bakarak var olmayan bir yapıyı yeniden tahmin etme işidir. Metin çıkarma aşaması güvenilirdir, yapı çıkarımı aşaması ise belgenin karmaşıklığına göre değişen bir hata payı taşır. Sade belgelerde sonuç mükemmele yakındır, tasarım ağırlıklı sayfalarda elle toparlama gerekir, taranmış belgelerde ise OCR ayrı bir hata katmanı ekler. Bunu bilerek çalışmak, dönüşümü doğru yerde kullanmanızı ve sonucu doğru gözle denetlemenizi sağlar.