PDF’den metin çıkarma: metin katmanı, tarama ve okuma sırası

PDF’nin gerçekten metin içerip içermediğine bak

İki PDF aynı görünebilir ancak kelimeleri farklı biçimde saklayabilir. Birinde dijital metin, diğerinde basılı sayfanın fotoğrafı bulunur. Belgeyi açıp bir cümleyi seçmeyi veya belirgin bir kelimeyi aramayı dene. Seçim yapabilmek metin katmanına dair iyi bir ilk işarettir; yine de çıkarılan karakterlerin doğruluğunu ayrıca kontrol etmek gerekir.

KitForma PDF metnini çıkar aracı bu mevcut metin katmanını okur. Optik karakter tanıma, yani OCR yapmaz. Görüntüden oluşan bir taramanın harfleri ekranda net görünse bile bu araç onları yazıya çeviremez. Seçilen sayfalarda metin yoksa bunu bildirir; sayfa görüntüsünden tahmini bir metin üretmez. Bazı belgelerde dijital ve taranmış sayfalar birlikte bulunabilir.

Önce belirli bir sayfa aralığını çıkar

Özellikle sütun, denklem veya farklı yazı tipleri içeren belgelerde kısa ve temsil edici bir bölümle başla. Numaralar PDF’nin gerçek sayfa sırasıdır. Aralık alanı boşsa bütün sayfalar seçilir. 1, 3-5 yazdığında ikinci sayfa atlanır ve dört sayfanın metni çıkarılır.

1. PDF metnini çıkar aracında belgeyi seç ve ihtiyaç duyduğun sayfaları yaz.
2. İşlemi başlat. Belge parola istiyorsa kullanma yetkin olan doğru parolayı araçtaki alana gir.
3. UTF-8 TXT çıktısını indir ve bir metin düzenleyicide aç.
4. Tam bir paragrafı PDF ile karşılaştır. İsimleri, Türkçe karakterleri, sayıları ve satır sonlarını özellikle kontrol et.

Seçilen sayfalar: 1, 3-5
Çıktıdaki sayfa işareti: --- 3 ---
Bu işaret, yeni bir belgenin değil kaynak PDF’nin üçüncü sayfasını belirtir.

Sayfa tasarımı yerine düz metin elde edersin

Çıktıda sayfa işaretleri ve çıkarılan kelimeler bulunur; asıl yazı tipleri, fotoğraflar, tablolar ve sayfa tasarımı korunmaz. İki sütunlu bir yazıda okuma sırası beklediğinden farklı olabilir. Üst ve alt bilgiler tekrar edebilir; satır sonunda bölünmüş kelimelerin elle birleştirilmesi gerekebilir.

Bir tablonun değerlerini elektronik tabloya taşımadan önce en az bir satırı kaynakla karşılaştır. Düz metin, sütunların hizalı kaldığını veya sayının doğru başlığa bağlı olduğunu garanti etmez. Alıntı ve veri girişi yaparken PDF’yi başvuru olarak açık tut. Metni, kaynakla karşılaştırdıktan sonra düzelt; yalnızca anlamlı göründüğü için doğru kabul etme.

Anlamı kaybetmeden metni temizle

Boşluk temizleme aracı gereksiz boşlukları azaltabilir; ancak bunu bir kopya üzerinde uygula. Bütün satır sonlarını kaldırmak ayrı tablo satırlarını birleştirebilir veya paragraf sınırlarını silebilir. Toplu dönüşümden önce hangi biçimin gereksiz, hangisinin anlam taşıdığına karar ver.

Kaynak PDF en fazla 40 MB ve 300 sayfa olabilir; çıkarılan metin için iki milyon karakter sınırı vardır. Çıktı bu sınırı aşıyorsa veya tarayıcı zorlanıyorsa daha küçük aralıklarla çalış. Seçilen dosya tarayıcıda işlenir. Sayfadan ayrılmadan önce TXT dosyasını kaydet.

Metin katmanı olmayan taramalar için metin içeren asıl belgeyi bul veya ayrı bir OCR süreci kullan. OCR ile oluşturulmuş katman daha sonra çıkarılabilir; fakat metin çıkarma, tanıma hatalarını düzeltmez. Özellikle sıfır ile O harfi gibi kolay karışan karakterleri son metne güvenmeden önce gözden geçir.