PDF Metin Çıkarma ve OCR Karşılaştırması: Çeviriden Önce Doğru Yolu Seçin

Bir PDF halihazırda güvenilir, makine tarafından okunabilir metin içeriyorsa metin çıkarma yöntemini kullanın. Bir sayfa yalnızca metin görselinden ibaretse OCR kullanın. Bir sayfada hatalı bir metin katmanı bulunuyorsa iki kural da tek başına yeterli olmaz: Bu katmanı koruma, değiştirme veya baştan oluşturma kararı vermeden önce çıkarılan kelimeleri sayfada görünenlerle karşılaştırmanız gerekir.

Bu kararın verilmesi gereken yer çevirinin öncesidir . Çevirmen veya çeviri aracı, iş akışına yanlış giren bir miktarı, adı veya cümleyi geri getiremez. Yalnızca kendisine iletilen kaynak metni çevirebilir.

Hızlı karar tablosu

Yalnızca dosyaları değil, sayfaları tek tek test edin. Tek bir PDF; dijital bir başlık sayfası, taranmış bölümler ve eski OCR uygulanmış ekleri bir arada barındırabilir.

Kelimeleri seçebilmek, yalnızca bir metin nesnesinin var olduğuna kanıttır; metnin sayfayla birebir eşleştiğini göstermez. Benzer şekilde, kopyalama testinin başarısız olması da PDF'in tamamının yalnızca görüntüden ibaret olduğunu kanıtlamaz.

Dört sayfalık karma PDF testimiz

İçeriği bilinen indirilebilir dört sayfalık bir PDF hazırladık. Gizli veya üçüncü taraflara ait hiçbir belge içermez:

1. doğrudan dijital ortamda üretilmiş bir sayfa;
2. yalnızca görüntüden oluşan bir sayfa;
3. doğru bir gizli metin katmanına sahip, taranmış görünümlü bir sayfa;
4. kasıtlı olarak yanıltıcı bir gizli metin katmanı eklenmiş, taranmış görünümlü bir sayfa.

Her sayfa için mevcut PDF verilerine karşı Poppler pdftotext çalıştırdık. Ayrı olarak, sayfayı 300 dpi çözünürlükte işledik ve bu görüntü üzerinde Tesseract çalıştırdık. Görünür referans her iki testten önce sabitlendi.

Buradaki asıl mesele Tesseract'ın her zaman kazanması değildir. Bu temiz İngilizce test örneğinde kazandı çünkü sayfayı özellikle bu kararı izole edecek şekilde tasarladık. Parazitli taramalarda, alışılmadık yazı sistemlerinde, tablolarda, el yazılarında veya karmaşık düzenlerde, sıfırdan yapılan bir OCR farklı şekillerde başarısız olabilir.

Ek test materyalleri arasında sayfa sayfa sonuçlar, karar tablosu, yeniden üretim notlarıve üreteç test verileriyle birlikte sunulmaktadır. 21 Eylül 2026 itibarıyla kaydedilen sürümler Poppler pdftotext 26.08.0 ve Tesseract 5.5.3 idi.

Testin kanıtladıkları ve kanıtlamadıkları

Görsel olarak okunabilir dört sayfanın, çeviri öncesinde üç farklı yol gerektirebileceğini kanıtlar. Ayrıca, aranabilir bir metnin son derece makul görünürken bile sayfadaki asıl içerikle çelişebileceğini gösterir.

Genel OCR doğruluğunu, okuyucu erişilebilirliğini, tablo kurtarmayı, çok dilli tanımayı veya BookTranslator'ın dosya yükleme davranışını ölçmez. Sayfalar basittir ve dördüncü sayfadaki hatalar kasıtlı olarak eklenmiştir; bunları Tesseract üretmemiştir.

Metin çıkarma ve OCR neden farklı işlemlerdir?

Metin çıkarma, PDF içinde halihazırda depolanmış olan metin nesnelerini okur. OCR ise piksellerdeki karakterleri tanır. Güncel pypdf metin çıkarma kılavuzu da aynı ayrımı yapar: pypdf mevcut bir metin katmanını okuyabilir ancak bir görselin içindeki sözcükleri tanıyamaz.

Bu ayrım oldukça önemlidir; çünkü dijital bir PDF, rasterleştirmenin (görsele dönüştürmenin) yok ettiği veya kurtarılmasını zorlaştırdığı bilgileri içerebilir: karakter kodlamaları, yazı tipi bilgileri, bağlantılar, vektörel grafikler ve diğer belge nesneleri. pypdf, doğuştan dijital (born-digital) dosyalar için OCR'ın evrensel bir çözüm olarak görülmemesi gerektiğini açıkça tavsiye eder. Ayrıca ayrı bir sınırlamaya da dikkat çeker: PDF'ler metni genellikle anlamsal paragraflar, tablolar veya başlıklar olarak değil, yalnızca görsel yerleşim amacıyla saklar.

Dolayısıyla çeviri öncesi kontrolde bağımsız iki soru yer almalıdır:

1. Karakterler doğru mu? Çıkarılan isimleri, sayıları, noktalama işaretlerini ve yabancı terimleri sayfadakiyle karşılaştırın.
2. Yapı kullanılabilir durumda mı? Tam bir paragrafı okuyun, ardından sütunları, dipnotları, tabloları, resim yazılarını ve sayfa sınırlarını inceleyin.

Yanlış sırada dizilmiş doğru karakterler bile çeviri açısından bozuk bir kaynak oluşturur.

Çeviri öncesi sayfa düzeyinde ön kontrol

1. Orijinal dosyayı koruyun

Belge önemliyse değiştirilmemiş bir kaynak dosya saklayın ve karma (hash) değerini kaydedin. Denemelerinizi kopyalar üzerinde yapın. Kusurlu bir metin katmanını değiştirmek, vektör içeriğini düzleştirebilir veya daha sonra ihtiyaç duyacağınız bilgileri yok edebilir.

2. Sayfa türlerinin dökümünü çıkarın

Kararı sadece ilk sayfaya bakarak vermeyin. Ön sayfaları, sıradan gövde sayfalarını, ekleri, tabloları, çizimleri, araya eklenen sayfaları ve fotoğrafı çekilmiş ya da fotokopisi alınmış gibi duran tüm sayfaları örnekleyerek inceleyin.

Uzun bir belgede sayfa aralıklarını kaydedin:

İndirilebilir CSV, test örneğimiz için aynı yapıyı kullanır.

3. Yalnızca akıcı metinleri değil, zorlu belirteçleri de karşılaştırın

Akıcı görünen cümleler zayıf birer kontrol noktasıdır. Şunları dahil edin:

• bir kişi adı;
• bir tarih ve bir miktar;
• harf ve rakamları bir arada barındıran bir tanımlayıcı;
• aksanlı veya Latin alfabesi dışındaki metinler;
• satır sonunu aşan bir cümle;
• dipnot, görsel veya ikinci sütun yakınındaki bir pasaj.

Kontrol sadece yaygın kelimelerle sınırlı kalsaydı, test dosyamızdaki dördüncü sayfa kullanılabilir gibi görünürdü. Hatalar şunlarda yoğunlaşıyor: O/0, 58/53, ve 7.5/7.8—çeviriden sonra referansları ve olguları bozabilecek türden tam olarak bu belirteçlerdir.

4. Belirsizliği dürüstçe sınıflandırın

Dört sonuç türü kullanın: başarılı örnek, başarısız örnek, ayıklanabilir metin yok veya henüz test edilmedi. “Seçilebilir”, bir sonuç değildir. “OCR tamamlandı” da öyle.

Örneklemenin sınırları vardır. Üç sayfanın testi geçmesi, özellikle dosya farklı taramalar veya düzenler içeriyorsa, 400 sayfalık bir kitabı geçerli kılmaz. Kaynağın değiştiği yerlerde kapsamı artırın.

OCRmyPDF modunu yalnızca teşhisten sonra seçin

OCRmyPDF'in mevcut belgeleri, zaten metin içeren sayfalar için çeşitli davranışları tanımlar. Bunlar yönlendirme tercihleridir, kalite garantisi değildir.

• Varsayılan davranış , bir sayfa yazdırılabilir metin veya gizli bir OCR katmanı içerdiğinde durur; çünkü hangisini bulduğunu güvenilir bir şekilde ayırt edemez.
• Metni atla , metin içeren sayfaları değiştirmeden kopyalar ve diğer sayfaları OCR işlemine tabi tutar. Karışık bir dosyada yalnızca mevcut metin güvenilirse işe yarar.
• OCR'ı yeniden yap , yazdırılabilir vektör metinlerini hariç tutarken, mevcut yazdırılamayan OCR metnini kaldırır ve sayfayı yeniden tanır. Dijital ve daha önce OCR uygulanmış sayfaların karışımına uygun olabilir, ancak geçmişteki tüm düzenlemeleri tespit edemez.
• OCR'a zorla , vektör içeriğini rasterleştirir ve ortaya çıkan görüntüyü OCR işlemine tabi tutar. Başarısız bir katmanın yerini alabilir, ancak bilgi kaybına yol açar ve etkileşimli içerikleri düzleştirebilir.

Bu anlamsal tanımlar, OCRmyPDF 17.12.1 sürümünün mevcut metin hatası belgelerindenalınmıştır. Toplu işlem çalıştırmadan önce kurulu sürümün belgelerini okuyun. Bir parametre adı; yer imlerinin, etiketlerin, bağlantıların, formların veya erişilebilir yapının korunduğunun kanıtı değildir.

Bizim test dosyamızda, metni atlama modu dördüncü sayfanın kasıtlı olarak hatalı bırakılmış gizli metnini korurdu. İşte bu nedenle kopyala-karşılaştır kontrolü, bir toplu işlem modu seçilmeden önce yapılmalıdır.

Sık yapılan yanlışlar

“Metin seçilebiliyorsa OCR'ı atla”

Dördüncü sayfa bu kuralı çürütüyor. Seçim işlemi doğruluğu değil, yalnızca varlığı tespit eder.

“İşi garantiye almak için tüm PDF'e OCR uygula”

Bu durum temiz dijital sayfaların kalitesini düşürebilir ve faydalı PDF nesnelerini yok edebilir. Ayrıca, anlamsal okuma sırasını otomatik olarak düzeltmeden daha geniş bir inceleme alanı yaratır.

“Hangi çıktı kulağa daha akıcı geliyorsa onu kullanın”

Akıcılık bu aşamada yanıltıcı olabilir. Çıktıyı görünür sayfayla karşılaştırın. Bir dil modelinin bir tanımlayıcıyı veya miktarı sessizce düzeltmesine ve ardından bu sonucun kaynak kanıt gibi kabul edilmesine izin vermeyin.

“Tek bir temiz sayfa tüm dosyayı temsil eder”

Karma PDF'ler oldukça yaygındır: Dijital bir kapak taranmış bölümlerden önce gelebilir veya aranabilir bir kitap yalnızca görselden oluşan ekler içerebilir. Kararlarınızı sayfa aralığına göre kaydedin.

Çeviriye hazır bir PDF için onay kriterleri

Dosyayı bir çeviri iş akışına göndermeden önce aşağıdakilerin tümünü zorunlu kılın:

1. Her sayfa aralığı dijital, yalnızca görsel veya mevcut OCR olarak sınıflandırılmalıdır.
2. Hatalı mevcut katmanların belgelenmiş bir alternatif yolu bulunmalıdır.
3. İsimler, sayılar, tanımlayıcılar ve alışılmadık terimler, örneklenen sayfalarda kaynak karşılaştırmasından geçmelidir.
4. Paragraf ve sütun sırası, ayıklanan kaynak metinde okunabilir olmalıdır.
5. Tablolar, şekiller, dipnotlar ve denklemler doğrulanmalı veya ayrı varlıklar olarak açıkça takip edilmelidir.
6. Orijinal PDF, çeviri sonrası karşılaştırma için hazır bulundurulmalıdır.

Metin içeren bir PDF zaten sorun çıkarıyorsa bağımsız kopyala-yapıştır sorun giderme kılavuzundan yararlanın. Sayfalar yalnızca görselden oluşuyorsa taranmış PDF iş akışını , dil seçimi sorunun bir parçasıysa karma dilli OCR kılavuzunu kullanın.

Doğrulanmış kaynağı çevirin, ardından çıktıyı inceleyin

Nihai amaç belgenin tamamını başka bir dilde okumaksa doğrulanmış PDF'i PDF Çeviriciaracına yükleyin. Taranmış veya görsel ağırlıklı sayfalar için BookTranslator'ın OCR Modu, tanınabilir içeriği ayıklar ve temiz, çevrilmiş bir PDF oluşturur; orijinal sayfa düzenini, yazı tiplerini veya boyutları birebir koruma ya da mevcut her gizli metin katmanını onarma garantisi vermez.

Sayfa envanterinizi ve orijinal dosyanızı saklayın. Çeviriden sonra, hedef metin üzerinde yüksek riskli kontrolleri tekrarlayın: isimler, miktarlar, tanımlayıcılar, sayfa kapsamı, paragraf sırası ve güvendiğiniz tüm yapılar. PDF çevirisi kalite kontrol listesi bu nihai onay aşamasını kapsamaktadır.

Temel kural oldukça basittir: zaten güvenilir olanı ayıklayın, yalnızca tanıma gerektiren kısımlara OCR uygulayın ve bir metin katmanını ancak hatalı olduğunu kanıtladıktan sonra değiştirin.