PDF'yi Word'e Dönüştürme: 4 Yöntem, OCR ve Sorunlar

Adobe, bir belgenin her bilgisayarda aynı şekilde yazdırılması için PDF'yi 1993'te tasarladı ve biçim 2008'de ISO 32000-1 uluslararası standardı oldu. Bu sözü tutmak için bir PDF sayfası çizim talimatlarından oluşan bir listedir: bu glifleri bu yazı tipiyle şu koordinatlara yerleştir, buraya bir çizgi çiz, oraya bir resim koy. İkinci satıra geçen bir cümle, üst üste duran birbirinden bağımsız iki metin parçasından ibarettir. Dosyada bunların birbirine ait olduğunu söyleyen hiçbir şey yoktur.

Word belgesi ise tam tersi çalışır. Office Open XML standardıyla (ECMA-376, sonradan ISO/IEC 29500) tanımlanan DOCX dosyası paragrafları, stilleri, tabloları, bölüm sonlarını ve üst bilgileri saklar; her satırın nerede biteceğine Word, sayfayı her yerleştirişinde kendisi karar verir. Bir sözcük eklediğinizde paragraf yeniden akar. Kenar boşluğunu, yazı tipini veya kağıt boyutunu değiştirirseniz bütün satırlar yer değiştirir. Düzenlerken tam olarak istediğiniz davranış budur; PDF ise bunu hiç kaydetmedi, çünkü PDF kaydedildiği anda bitmiş bir belgedir.

Yani PDF'yi Word'e dönüştürmek, paketi açmak değil yeniden inşa etmektir. Dönüştürücü hangi satırların tek paragraf oluşturduğunu, hangi kalın satırın kısa bir kalın cümle değil de başlık olduğunu, hangi hizalı sözcüklerin tablo oluşturduğunu ve iki sütunun hangi sırayla okunacağını tahmin etmek zorundadır. İyi dönüştürücüler temiz belgelerde iyi, kalabalık belgelerde kötü tahmin eder. PDF etiketli (erişilebilirlik için kullanılan yapı katmanı) dışa aktarıldıysa tahminler iyileşir, çünkü etiketler başlıkları, listeleri ve okuma sırasını açıkça kaydeder.

Uzantısı .pdf olan, birbirinden çok farklı iki şey vardır. Metin PDF'si Word'den, Google Docs'tan, bir muhasebe sisteminden veya tarayıcının yazdırma penceresinden dışa aktarılmıştır ve seçebileceğiniz, kopyalayabileceğiniz, aratabileceğiniz gerçek karakterler içerir. Taranmış PDF ise tarayıcı, fotokopi makinesi veya telefon uygulamasıyla üretilmiştir ve her sayfa bir kağıdın fotoğrafıdır. Dönüştürücü için taranmış sayfada, ekranda yazı ne kadar net görünürse görünsün, hiç sözcük yoktur; yalnızca pikseller vardır. Dosya adı ve simge size hiçbir şey söylemez; dosya yöneticisinde iki tür aynı görünür.

Taranmış sayfadan düzenlenebilir bir şey elde edebilmek için önce optik karakter tanımadan (OCR) geçirmek gerekir. OCR harflerin şekillerine bakıp bunları metne çevirir; doğruluğu çözünürlüğe, kontrasta, eğikliğe ve dile bağlıdır. Temiz, 300 dpi, beyaz üzerine siyah bir tarama neredeyse kusursuz okunur; masa lambası altında açılı çekilmiş telefon fotoğrafı ise her paragrafta yazım hatası üretir. OCR'ı olmayan dönüştürücüler ya boş bir belge ya da her sayfanın tek resim olarak yapıştırıldığı bir Word dosyası verir.

Gerçek hayattaki birçok dosya karışıktır: metin olarak dışa aktarılmış ve sonuna imzalı, taranmış bir imza sayfası eklenmiş bir sözleşme ya da ekinde taranmış fişler bulunan bir rapor gibi. Her sayfayı ayrı ayrı denetleyen dönüştürücü bunları en iyi işler; metin sayfalarını doğrudan okur, OCR'ı yalnızca gereken yerde kullanır, böylece dışa aktarılan sayfalar karakter karakter doğru kalır. Taramayı kendiniz yapıyorsanız belgeleri PDF olarak tarama rehberi, OCR'a en iyi şansı verecek çözünürlük ve aydınlatmayı anlatır.

Microsoft Word, Word 2013'ten beri PDF'leri doğrudan açar; Microsoft bu özelliğe PDF Reflow der. Word zaten kuruluysa en akla yakın seçenektir ve düz mektuplarda ve raporlarda iyi sonuç verir. Aynı anda tek dosya dönüştürür. Google Docs, Google Drive üzerinden benzer bir yol sunar. Google'ın PDF'leri metne dönüştürme yardım sayfası 2 MB veya daha küçük dosyaları önerir ve listelerin, tabloların, sütunların, dipnotların ve son notların büyük olasılıkla algılanmayacağını söyler; bu da uygulamada gördüğünüzle uyuşur: sözcükler gelir, yapı çoğu zaman gelmez.

Adobe Acrobat Standard ve Pro, PDF'yi Dışa Aktar aracıyla Word'e aktarır ve taranmış sayfalarda metin tanımayı otomatik çalıştırır. Acrobat ücretli bir aboneliktir; ücretsiz Acrobat Reader dışa aktarmayı içermez. Tarayıcıda çalışan dönüştürücü bunların arasında yer alır: kurulum gerekmez, her işletim sisteminde çalışır ve genellikle akan metin ile birebir düzen arasında seçim sunar. PDF'den Word'e sayfasında Otomatik konumundaki Metin tanıma (OCR) yalnızca metin katmanı olmayan sayfaları okur; Belge dili ise İngilizce olmayan taramalar için OCR alfabesini belirler.

Word'ün PDF Reflow özelliği sıradan Aç penceresinde yer alır; birçok kişi bu yüzden onu fark etmez. Windows'ta Word 2013, 2016, 2019, 2021 ve Microsoft 365'te çalışır. Word, PDF'yi düzenlenebilir bir belgeye dönüştüreceğini, bunun biraz sürebileceğini ve sonucun, özellikle dosyada çok grafik varsa, orijinaliyle birebir aynı görünmeyebileceğini bildiren bir uyarı gösterir. Tamam'a tıkladığınızda dönüştürülen kopya yeni, kaydedilmemiş bir belge olarak açılır; PDF'nin kendisi asla değişmez.

Microsoft'un kendi belgeleri, birden fazla sayfaya yayılan dipnotlar, son notlar, PDF yer imleri ve yorumlar ile parıltı veya gölge gibi yazı tipi efektleri dahil, dönüşmeyebilecek öğeleri sıralar. Uygulamada Word ayrıca yan bölümleri, öne çıkan alıntıları ve çok sütunlu dergi sayfalarını yüzen metin kutularına çevirme eğilimindedir; bunlar doğru görünür ama düzenlemesi yorucudur. Word'de taramanın dilini belirleyen bir ayar da yoktur; bu yüzden taranmış sayfalardaki aksanlı veya Latin olmayan metinlerde sonuç şansa kalır. Yine de tek sayfalık bir mektup veya düz bir rapor için çoğu zaman en hızlı yoldur ve sonuç zaten kullanacağınız düzenleyicide durur.

Gerçek başlıklara sahip tek sütunlu gövde metni her araçla iyi dönüşür: mektuplar, denemeler, sözleşmeler, çoğu rapor. Kalın, italik, madde işaretli listeler ve çerçeveleri görünen basit tablolar genellikle korunur. Resimler dönüştürücü onları tuttuğu sürece gelir; tarayıcı yolunda bu, DOCX için varsayılan olarak açık olan Resimleri koru seçeneğidir. Bağlantılar, PDF'de gerçek bağlantıysa genellikle korunur; hiç bağlantı olmamış mavi altı çizili metin düz metin olarak kalır. Orijinal düzen ne kadar temiz ve alışılmışsa dönüştürmeyi o kadar az fark edersiniz.

Sorun, sayfa düzeninin anlam taşıdığı yerde başlar. İki sütunlu metin aşağı doğru değil, yan yana okunabilir. Çizgisiz tabloları algılamak zordur ve sekmeyle ayrılmış satırlar olarak gelebilir. Üst bilgiler, alt bilgiler ve sayfa numaraları her sayfada sıradan metin olarak çizildiğinden çoğu zaman gövdenin ortasına, sayfa başına bir kez düşer. Doldurulabilir form alanları düz metne çevrilir veya kaybolur. Bilgisayarınızda bulunmayan gömülü yazı tipleri en yakın eşleşmeyle değiştirilir ve bu da satır uzunluklarını değiştirir. Çoğunlukla tablolardan oluşan belgelerde hedef olarak elektronik tablo daha iyidir; bkz. resimlerden ve PDF'lerden tablo çıkarma.

Herhangi bir şeyi düzenlemeden önce dönüştürmeyi kontrol etmek için iki dakika ayırın; çünkü yapısal bir sorunu en başta düzeltmek, metnin yarısını yeniden yazdıktan sonra düzeltmekten kolaydır. PDF ile Word dosyasını yan yana koyup ikisini de kaydırın. Sayfa sınırlarında eksik paragraflara, gövdede tekrarlanan üst bilgilere ve dağınık satırlara dönüşen tablolara bakın. Biçimlendirme işaretleri açıkken her satırın sonunda paragraf işareti varsa paragraf yerine satır satır bir düzen elde etmişsiniz demektir; Akan metin ile yeniden dönüştürmek genellikle satırları elle birleştirmekten daha hızlı çözer.

Taranmış sayfalarda yazım denetimi yapın ve yazım denetleyicilerin yok saydığı sayılara ekstra dikkat edin. OCR genellikle 0 rakamını O harfiyle, 1'i l ile, 5'i S ile karıştırır; bir faturada veya sözleşmede tek bir yanlış rakam on yazım hatasından daha önemlidir. Bütün paragraflar bozuksa elle düzeltmeden önce Belge dilini kontrol edip yeniden dönüştürün. Düzen onarılamayacak durumdaysa temiz metni kendi şablonunuza dayalı yeni bir belgeye kopyalayın; metin kutularını çözmekten çoğu zaman daha hızlıdır.

Her dönüştürücü, bir yerlerde zaten düzenlenebilir biçimde var olan bir belgeyi tersine mühendislikle çözmeye çalışır. PDF bir meslektaşınızdan, bir müşteriden veya geçmişteki kendinizden geldiyse orijinal DOCX, Google Docs veya InDesign dosyası hemen her zaman herhangi bir dönüştürmeden daha iyidir: stiller sağlam, tablolar gerçek, değişiklik izleri ve yorumlar korunmuş. Kaynağı isteyen kısa bir e-posta bir saatlik temizlik işinden kurtarabilir ve insanlar nadiren bundan rahatsız olur. Ayrıca daha ince bir sorunu da önler: dönüştürülmüş dosya bitmiş görünür, bu yüzden dönüştürmenin getirdiği küçük hatalar fark edilmeden sonraki sürüme taşınabilir.

Önce sormak; yoğun biçimde düzenleyeceğiniz uzun belgeler, yeniden kullanacağınız şablonlar, karmaşık tabloları veya formları olan her şey ve tek bir yanlış okunan rakamın risk oluşturduğu hukuki veya mali belgeler için doğru karardır. Dönüştürmek ise kaynak kaybolduysa, PDF hiç dijital aslı olmayan bir kağıdın taramasıysa veya yalnızca birkaç paragrafı almanız gerekiyorsa doğru karardır. Bu durumda PDF dönüştürücü düz metin de üretir; alıntı yapmak için tam biçimlendirilmiş bir Word dosyasından daha temizdir.

İmzalı veya sertifikalı bir PDF özel bir durumdur. Word'e dönüştürmek imzayı ve geçerliliğini kaldırır; bu nedenle Word dosyasını yalnızca çalışma kopyası olarak görün. Düzenlenmiş bir sürümü geri göndermeniz gerekiyorsa değişiklikleri Word kopyasında yapın, tekrar PDF olarak dışa aktarın ve yeniden imzalatın; dönüştürülen dosyayı imzalı orijinal gibi sunmayın. Aynısı sertifikalı veya resmi mühürlü PDF'ler için de geçerlidir: görsel işaret korunabilir, ancak dijital kanıtı korunmaz.