Taranmış PDF'te Neden Arama Yapamıyorum? OCR Rehberi

Bir belgeyi tarayıp PDF olarak kaydettiğinizde, gözünüzün gördüğü harfler bilgisayar için yoktur. Dosyada yalnızca piksel vardır. OCR, o piksellere bakıp harfleri tahmin eden ayrı bir işlemdir.

Taranmış PDF aslında nedir

Tarayıcı bir sayfanın fotoğrafını çeker ve o fotoğrafı bir PDF kabına koyar. Sonuç dosya .pdf uzantısı taşır ama içeriği bir JPEG'den farklı değildir: metin katmanı yoktur. Bu yüzden Ctrl+F çalışmaz, kopyalama çalışmaz, ekran okuyucular sayfayı okuyamaz.

Word'den üretilen bir PDF ise metni karakter olarak saklar; her harfin hangi yazı tipiyle, hangi koordinatta çizileceği yazılıdır. Bu iki dosya aynı görünür ama tamamen farklı şeylerdir.

OCR ne yapar

OCR (Optical Character Recognition), görüntüdeki şekilleri analiz edip hangi harfe benzediklerini tahmin eder. Sonuçta bir metin katmanı üretilir ve bu katman görüntünün üzerine görünmez şekilde yerleştirilir. Sayfa aynı görünmeye devam eder ama artık aranabilir ve kopyalanabilir hale gelir.

Kritik nokta: OCR bir tahmindir, okuma değildir. Sonuç her zaman bir doğruluk oranı taşır ve o oranı belirleyen şey büyük ölçüde girdi kalitesidir.

Doğruluğu ne belirler

Aynı belgeyi 150 DPI yerine 300 DPI tarayarak elde edeceğiniz doğruluk artışı, herhangi bir yazılım ayarından elde edeceğinizden büyüktür. Kaynak kalitesi her şeyin önündedir.

Türkçe metinlerde özel durum

Türkçedeki ı/i, ğ, ş, ç, ö, ü karakterleri OCR için ek zorluk çıkarır. Özellikle noktasız ı ile noktalı i ayrımı düşük çözünürlükte kaybolur ve "ışık" kelimesi "isik" olarak çıkabilir.

Bu yüzden OCR yaparken dilin doğru seçilmesi önemlidir: Türkçe modeli, bu karakterleri bekleyen bir sözlükle çalışır ve belirsiz durumlarda doğru tahmini yapma şansı yükselir. İngilizce modeliyle taranmış bir Türkçe belge, sadece bu yüzden gözle görülür şekilde daha çok hata üretir.

OCR sonrası ne beklemeli

• Temiz matbaa belgesi: %98–99 doğruluk normaldir. Yine de sayı ve isimleri kontrol edin.
• Fotokopi kopyası: %90–95. Tablolarda sütun karışması sık görülür.
• Eski veya lekeli belge: %70–90. Manuel düzeltme kaçınılmaz.
• El yazısı: Standart OCR bunun için tasarlanmamıştır; sonucu güvenilir saymayın.

%99 doğruluk kulağa çok iyi gelir ama 500 kelimelik bir sayfada beş hata demektir. Sözleşme, fatura, kimlik gibi belgelerde OCR çıktısını asla doğrulamadan kullanmayın — özellikle rakamları.

Pratik akış

1. Belgeyi 300 DPI, gri tonlama veya siyah-beyaz tarayın.
2. Sayfa eğikse düzeltin.
3. OCR dilini belgenin diline göre seçin.
4. Çıktıdaki sayıları, isimleri ve tarihleri gözle doğrulayın.
5. Aranabilir kopyayı saklayın, orijinal taramayı da atmayın.

Sık sorulan sorular

Diğer rehberler