İçeriğe geç
Convertube

PDF dosyaları: metni geri almak neden bu kadar zor

PDF’nin ne sakladığı, Word’e dönüştürünce düzenin neden kaybolduğu ve taranmış PDF’nin dijitalden farkı. PDF dosyalarını tarayıcınızda dönüştürün, yükleme yok.

Bir bakışta

Tür
Belgeler
Uzantılar
.pdf
MIME türü
application/pdf
Diğer adları
Portable Document Format

Bir PDF, bir belgeyi değil, bitmiş bir sayfayı tarif eder. İçerik akışı bir dizi çizim komutundan oluşur — şu yazı tipini seç, şu koordinatlara git, şu glif dizisini göster, şu yolu çiz — ve bu yapı, Adobe’nin yazıcıları sürmek için tasarladığı PostScript’ten neredeyse doğrudan miras kalmıştır. Bu köken, formatın iki belirleyici özelliğini açıklar: her yerde aynı görünür, çünkü görüntüleyiciye karar verecek hiçbir şey bırakılmaz; ve içinden bir şey çıkarmak alışılmadık derecede zordur, çünkü bir insanın gördüğü yapı hiçbir zaman kaydedilmemiştir.

Devamını oku

Somut olarak bir PDF’de paragraf yoktur, satır yoktur, çoğu zaman sözcük bile yoktur. Konumlandırılmış glif dizileri vardır. Şu an okuduğunuz cümle, hesaplanmış koordinatlarda duran bir düzine ayrı dizi olarak saklanıyor olabilir; iki sözcük arasındaki boşluk da bir boşluk karakteri değil, yalnızca mürekkebin yokluğu olabilir. Bu nedenle bu dönüştürücü de dahil olmak üzere her PDF’den metne ve PDF’den Word’e dönüştürücü aslında yeniden kurar: satırları geri kazanmak için dizileri taban çizgilerine göre gruplar, paragraf sınırlarını tahmin eder, başlıkları yazı boyutundan çıkarır. Sıradan düz yazıda iyi çalışır; sütunları ve tabloları ise düzleştirir, çünkü onları korumak için gereken bilgi dosyada hiç yoktu.

Bilinmesi gereken ikinci şey, “PDF”nin birbirinden tamamen farklı iki durumu kapsamasıdır. Word’den ya da bir tarayıcıdan dışa aktarılmış bir PDF, arayıp kopyalayabileceğiniz gerçek metin içerir. Bir tarayıcı cihazın ya da telefon kamerasının ürettiği bir PDF ise sayfaların fotoğraflarını içerir ve hiç metin barındırmaz — sözcükler pikseldir ve karakter tanıma olmadan hiçbir şey onları çıkaramaz. Bu site bu durumu algılar ve dosyayı yüklemek yerine kendi makinenizde bir yapay zekâ tanıma modeli çalıştırır; bu alışılmadık bir şeydir, çünkü OCR genellikle bir dönüştürücünün belgenizi bir sunucuya gönderdiği noktadır.

PDF aynı zamanda gizliliğin soyut olmaktan çıktığı yerdir. Sözleşmeler, maaş bordroları, banka hesap özetleri, sağlık raporları, faturalar ve taranmış kimlik belgeleri bu formatta dolaşır. Buradaki her dönüştürme sayfanın içinde çalışır — PDF, tarayıcınızdaki kod tarafından açılır, işlenir ve okunur; hiçbir istek dosyayı taşımaz. Bu dönüştürücünün bu şekilde kurulmasının nedeni budur ve bunun en çok önem taşıdığı kategori PDF’dir.

PDF araçları

Sayfa düzeyinde düzenlemeler — dönüştürme yok. 14 aracın tümü cihazınızda çalışır.

PDF dosyalarını diğer formatlara dönüştürün

Diğer formatları PDF formatına dönüştürün

PDF SSS

PDF’den Word’e dönüştürme neden hiçbir zaman tam doğru görünmüyor?

Çünkü bir PDF yapıyı değil, konumlandırılmış glifleri saklar. Dönüştürmek; paragrafları, başlıkları ve okuma sırasını koordinatlardan çıkarmak demektir ve hiçbir zaman tablo ya da iki sütunlu düzen olarak kaydedilmemiş bir şeyi geri kazanmanın yolu yoktur. Düzeni daha iyi koruyan bir dönüştürücü bunu, sayfayı tam bir ofis paketiyle bir sunucuda işleyerek yapar — bu da dosyanızı teslim alması demektir.

PDF’min taranmış olup olmadığını nasıl anlarım?

Bir PDF okuyucuda metin seçmeyi deneyin. Sözcükleri seçip kopyalayabiliyorsanız dosyanın bir metin katmanı vardır. İmleciniz bunun yerine bir resmin üzerinde kutu çiziyorsa bu bir taramadır ve her türlü metin çıkarma işlemi karakter tanıma gerektirir.

Buradaki OCR belgemi yüklüyor mu?

Hayır. Bir PDF’nin metin katmanı yoksa bir yapay zekâ tanıma modeli — beş milyon parametreli bir sinir ağı — tarayıcınıza indirilir ve orada çalışır. İlk seferde yaklaşık 21 MB’tır, ardından önbelleğe alınır. OCR sunan rakip dönüştürücülerin hepsi bunun yerine dosyayı bir sunucuya gönderir.

Tanıma ne kadar doğru?

Kendi testlerimizde temiz basılı belgelerde karakterlerin yaklaşık %98’i doğru çıkıyor; Çince ve İngilizcede aynı şekilde. Gerçek taramalar daha zordur — damgalar, el yazısı, düşük çözünürlük ve eğri beslenmiş bir sayfa sonucu kötüleştirir. Çıktıyı, aslıyla karşılaştırılacak bir taslak olarak görün.

PDF’lerde dosya boyutu sınırı neden videodakinden çok daha düşük?

Sınır 80 MB, çünkü sayfalar belleğe tam çözünürlüklü bit eşlemler olarak işlenir ve bu maliyet, PDF’nin ne kadar iyi sıkıştırıldığıyla değil, pikselle ölçülür. Bir video dönüştürme dosyanın içinden akarak geçer; bir PDF sayfasının ise tek seferde bütün bir raster olarak var olması gerekir.

Hangi PDF dönüştürmesini seçmeliyim?

Sözcükleri aramak ya da yapıştırmak istiyorsanız TXT. Düzenlemek istiyor ve düzenin kaybolmasını kabul edebiliyorsanız DOCX. Sayfanın tam olarak şimdiki gibi görünmesini istiyorsanız JPG ya da PNG — fotoğraf niteliğindeki taramalar için JPG, metin ve diyagramlar için PNG.

Görselleri PDF’ye dönüştürebilir miyim?

Evet, üstelik kayıpsız: PDF, JPEG ve PNG verilerini doğal olarak taşır; bu yüzden görsel yeniden sıkıştırılmak yerine olduğu gibi gömülür. Ortaya çıkan sayfa A4’e sığdırılmaz, görselin piksel boyutlarıyla eşleşir.

Parola korumalı PDF’ler destekleniyor mu?

Hayır. Şifrelenmiş bir PDF okunmak ya da işlenmek üzere açılamaz; iş, boş sayfalar üretmek yerine bunu belirten bir mesajla başarısız olur. Önce parolayı bir PDF okuyucuda kaldırın.