PDF Kopyala-Yapıştır Yanlış Metin mi Veriyor? Önce Metin Katmanını Teşhis Edin

Bir PDF düzgün göründüğü halde yapıştırılan metin yanlış çıkıyorsa, yapıştırılan sürümü kaynak olarak kullanmayı bırakın. Öncelikle kısa bir pasajı ekranda görünen sayfayla karşılaştırın: bir isim, bir cümle ve bir sayı. Bir sonraki adım; dosyanın ayıklanabilir metin içermemesine, hatalı karakter eşlemelerine, yanlış bir gizli OCR katmanına veya bir okuma sırası sorununa bağlı olarak değişir. Tüm belgeye OCR uygulamak bu dört durumun tümü için doğru ilk adım değildir.

En tehlikeli hata anlamsız karakter yığınları değildir. Akla yatkın görünen metinlerdir: sayfada 18 defter yazarken ayıklanan metinde 13 defteryazması gibi. Kimsenin özel belgelerini kullanmadan bu ayrımı gözlemlenebilir kılmak için indirilebilir dört PDF hazırladık.

Küçük bir kopyala-karşılaştır kontrolüyle başlayın

Orijinal dosyayı değiştirmeden bırakın ve üzerinde çalışacağınız bir kopyasını açın. Kısa bir seçimi düz metin düzenleyicisine yapıştırın, ardından sayfayla karakter karakter karşılaştırın. Bunu farklı bir sayfada ve varsa ikinci bir PDF okuyucuda tekrarlayın. Bu bir teşhis kontrolüdür; belgenin geri kalanının doğru olduğunun kanıtı değildir.

Bunlar birer ipucudur; tek bir belirtiden yola çıkarak her PDF'in dahili yapısını kesin olarak belirleme yöntemi değildir. Adobe'nin içerik yeniden kullanım kılavuzu , yalnızca görüntüden oluşan içerikle kopyalama kısıtlamalarını birbirinden ayırır. İkisi de doğrudan hasarlı bir metin katmanı olarak değerlendirilmemelidir. pypdf metin çıkarma kılavuzu ise görselleri, metin çıkarmayı ve tablolarla boşluklandırma konusundaki zorlukları ayrı ayrı ele alır.

Uzun bir kitap veya rapor için her bir sorunun oluştuğu PDF sayfa numarasını not edin. Sorunsuz bir başlık sayfası; bir ekin, taranmış bir arabaşlığın veya iki sütunlu bir bölümün doğru şekilde kopyalanıp kopyalanmayacağını göstermez.

Dört PDF: Sayfanın gösterdiği ile çıkarılan sonucun karşılaştırması

Test sayfamız, aşağıdakiler de dahil olmak üzere dört orijinal satır içeriyor:

The archive contains 18 notebooks.

Item B-204 arrived on 6 May.

Normal bir dijital PDF hazırladık ve bilerek üç farklı alternatif oluşturduk. Ardından bunların metnini Poppler ve pypdf ile çıkardık. Bu testte her iki araç da her dosya için aynı metin sonucunu verdi.

Normal görünen bir dijital sayfa yanlış kopyalanabilir

Karşılaştırmamızda ilk iki PDF tamamen aynı piksellerle işlendi, ancak ayıklanan metinleri farklıydı. İkinci dosyada kasıtlı olarak bir ToUnicode eşlemesini değiştirdik: saklanan karakter kodlarını Unicode metne eşlemek için kullanılan bilgi. Görünürdeki rakam 8olarak kalırken, metin ayıklama sonucu 3döndü. pypdf CMap belgeleri bu eşleme mekanizmasını açıklar.

Bu durum olası bir hata mekanizmasını gösterir; her bozuk PDF'in aynı kusura sahip olduğu anlamına gelmez. Tek başına eksik bir ToUnicode girdisi bizim teşhisimiz değildir ve eşlemeleri elle düzenlemek genel okuyuculara yönelik bir onarım yöntemi sayılamaz.

Aranabilir bir tarama yanlış sözcükler içerebilir

Üçüncü ve dördüncü PDF'ler de birbirleriyle tamamen aynı şekilde görüntülendi. Biri yanlış görünmez metin içeriyordu, diğerinde ise hiç metin yoktu. Üçüncü dosyada metin ayıklama işlemi hem bir miktarı hem de bir tarihi sessizce değiştirdi. B-2O4 kodu, görüntüde gösterilen Orakamı yerine 0 harfini içeriyordu.

Gizli bir metin katmanının içerebileceği türden uyumsuzlukları göstermek için bu hataları kendimiz ekledik. Bunları bir OCR motoru üretmedi . Dördüncü dosya ise tam tersi bir durumu sergiliyor: okunabilir bir sayfa görüntüsü var, ancak bu metin ayıklayıcıların döndürebileceği hiçbir şey yok. Bu durum, pypdf'in belgelenmiş sınırlamasıyla tutarlıdır: mevcut PDF metnini ayıklar; görüntüler içindeki sözcükleri tanımaz.

Bu testin kanıtladığı ve kanıtlamadığı şeyler

10 Eylül 2026'da Poppler 26.08.0 ve pypdf 6.10.0 kullanarak tek sayfalık dört dosyayı kontrol ettik. Görsel karşılaştırmalarda 144 dpi'de Poppler kullanıldı. Piksel eşitliği iki çiftin kendi içindegeçerliydi, dört dosyanın tümü arasında değil: görüntü tabanlı çift ek bir işleme adımından geçti.

Bu kontrollü bir gösterimdir, bir OCR doğruluk kıyaslaması değildir. Çok dilli tanımayı, karmaşık mizanpajları, Acrobat onarımını, OCRmyPDF onarımını veya BookTranslator yüklemelerini test etmez. Bunlar kör bir değerlendirme değil, bilinen kusurlara sahip kurgulanmış örneklerdi.

İlgili ham metin ve piksel sonuçları, yeniden üretim talimatlarıve üretici dosyalarla birlikte sunulmaktadır. Birlikte gelen açık yazı tipi lisansıyla değiştirilmemiş bir Noto Sans yazı tipi kullanmaktadırlar.

En az zahmetli bir sonraki adımı seçin

Aşağıdaki onarım yolları resmi belgelerden ve pratik teşhislerden derlenmiştir. Bunlar dört dosyalık denememizin onarım sonuçları değildir. Bir kopya üzerinde çalışın ve güvendiğiniz herhangi bir şeyin yerine koymadan önce çıktıyı doğrulayın.

Kaynak belge elinizdeyse, önce yeni bir dışa aktarma deneyin

Orijinal kelime işlem, yayıncılık veya dizgi dosyasından alınacak yeni bir PDF kullanışlı bir ilk adaydır. Hata veren pasajın birebir aynısını karşılaştırın. Yeni bir dosya adının veya başarılı bir dışa aktarmanın metnin artık doğru olduğu anlamına geldiğini varsaymayın.

Bir arşivden veya yayıncıdan edinilen materyaller için metin içeren alternatif bir sürümün olup olmadığını kontrol edin. Baskı ve sayfa referanslarını tutarlı tutun: Farklı bir baskının daha temiz bir dosyası, ihtiyacınız olan pasajı korumayabilir.

Taramada birkaç tanıma hatası varsa, bu kelimeleri gözden geçirin

Acrobat, şu menü altında bir iş akışı açıklamaktadır: Tara ve OCR → Tanınan metni düzelt. Şüpheli olarak işaretlenen kelimeleri taranmış görüntüyle karşılaştırarak incelemenize ve tanınan metni düzeltmenize olanak tanır. Kendi sürümünüzdeki arayüz için Adobe'nin güncel düzeltme talimatlarını takip edin.

Boş bir şüpheli listesini bir eksiksizlik testi olarak kullanmayın. Alıntı yapacağınız veya çevireceğiniz adları, tarihleri, tanımlayıcıları ve miktarları bağımsız olarak karşılaştırın. Kasıtlı olarak hatalı hazırladığımız 13 notebooks örneği, yalnızca okunabilir bir çıktının neden yeterli olmadığını gösterir.

Gizli metin genel olarak hatalıysa, yineleme (redo) ile zorlama (force) arasındaki farkı belirleyin

Komut satırı araçlarını kullanan okuyucular için OCRmyPDF, zaten metin içeren sayfalar adına farklı yollar sunar:

• --redo-ocr mevcut yazdırılamayan OCR metnini kaldırır ve yazdırılabilir metinleri OCR kapsamı dışında tutarak yeniden tanıma işlemi yapar.
• --skip-text metin içeren sayfaları atlar. Bu işlem, mevcut hatalı bir metin katmanını onarmaz.
• --force-ocr sayfa içeriğini rasterleştirir ve elde edilen görseller üzerinde OCR çalıştırır.

Bu davranışlar OCRmyPDF'in mevcut metin hatası belgelerindeaçıklanmaktadır. Sürüm 17'de eşdeğer seçenekler --modearacılığıyla da sunulmaktadır; eski bayraklar ise takma ad olarak kalmaya devam eder.

Bu yöntemlerin bazı bedelleri ve istisnaları vardır. Redo seçeneği geçmişte yapılmış her OCR düzenlemesini tanıyamaz; bazı dosyalar teknik olarak yazdırılabilir olan metinlerin üzerine opak bir görsel yerleştirir. Force seçeneği ise yazdırılabilir metinleri ve vektör içeriklerini piksellere dönüştürerek etkileşimli içerikleri düzleştirir. Ayrıca hem redo hem de force seçenekleri, mevcut yapı ağacını yeniden oluşturmak yerine tamamen siler. İkisinden birini seçmeden önce OCRmyPDF'in gelişmiş belgelerini inceleyin.

Dolayısıyla onarılmış bir metin çıktısı, erişilebilirlik gereksinimlerinin karşılandığı anlamına gelmez. Belgenin başlıklara, doğru okuma sırasına veya erişilebilir görsellere ihtiyacı varsa ayrı olarak sunulan çevrilmiş PDF erişilebilirlik kontrolleri.

Sayfalar veya diller farklılık gösteriyorsa tek bir ayarın herkese uyacağını varsaymayın

Hangi sayfaların halihazırda güvenilir dijital metin içerdiğini ve hangilerinin metin tanımaya ihtiyaç duyduğunu listeleyin. OCR yapılandırmasını yapmadan önce etkilenen sayfalardaki dilleri kontrol edin. Çok dilli PDF OCR kılavuzumuz dil seçimini ayrıntılı olarak ele alır; bu karar, eski bir metin katmanının hatalı olup olmadığını belirlemekten farklıdır.

Ortada hiçbir metin katmanı yoksa taranmış PDF iş akışınageçin. Farklı bir düz metin ayıklayıcıyı tekrar tekrar denemek, pypdf'in bir görseldeki sözcükleri tanımasını sağlamaz.

Kullanmadan önce yeni metni doğrulayın

Şu yöntemi kullanın: indirilebilir metin katmanı kontrol sayfasını kullanabilirsiniz. Bilinen hatalı kısımla başlayın, ardından farklı bir pasajı ve belirgin şekilde farklı olan herhangi bir sayfa düzenini test edin.

1. Kelimeler: İsimleri ve yabancı terimleri harf harf karşılaştırın.
2. Sayılar: Miktarları, ondalık virgüllerini, tarihleri ve şu tür tanımlayıcıları kontrol edin: B-204.
3. Sıralama: Satır sonlarını aşacak şekilde tam bir paragrafı okuyun; sütunları ve yakındaki resim altı yazılarını ayrı ayrı inceleyin.
4. Kapsam: İhtiyacınız olan sayfaların ve pasajların atlanmadığından emin olun.
5. Dosya davranışı: Kaydedilen yeni dosyayı yeniden açın ve kopyalama testini tekrarlayın. Yer imlerine, bağlantılara veya erişilebilir yapıya ihtiyacınız varsa bunları da kontrol edin.

Seçilen pasajların testi geçmesi yalnızca o pasajlar hakkında kanıt sunar; tüm dosyanın kusursuz olduğunu garanti etmez. Özellikle bir alıntıyı veya yabancı bir dili düzeltirken orijinal sayfa görüntüsünü referans olarak saklayın.

Yalnızca kaynak metne güvenebildiğinizde çeviri yapın

Amacınız sadece bir paragraftan alıntı yapmak veya not almak idiyse, doğrulanmış bir metin parçası nihai hedefiniz olabilir. Bu işlemi tamamlamak için bir çeviri servisine ihtiyacınız yoktur.

Belgenin tamamını başka bir dilde okumanız gerekiyorsa, doğrulanmış dosyayı PDF çevirisiiçin başlangıç noktanız olarak kullanın. BookTranslator'ın OCR Modu, çevrilmiş bir PDF'yi tanınan içerikten yeniden oluşturur; mevcut herhangi bir metin katmanını onarma veya orijinal sayfa düzenini birebir kopyalama vaadinde bulunmaz.

Referans sayfalarını çeviri aşamasında da elinizin altında bulundurun. Burada kontrol edilen sayı ve tanımlayıcılar, son PDF çeviri kalite kontrol aşamasınada dahil edilmelidir. Akıcı bir çeviri, tek başına kaynağın 18 yerine 13.