PDF Word Dönüştürücü — Dosyanızı Yüklemeden Düzenlenebilir Metni Çıkarın

Word'ü PDF'ye çevirmek bir çizim problemidir: tarif edilmiş bir düzeni alıp çizersiniz. PDF'den Word'e gitmek bunun tersidir ve tersi simetrik değildir. Diğer yöne gitmek bir yeniden kurma problemidir ve yeniden kurmak, çizmekten çok daha zordur.

PDF Cümleleri Değil, Harfleri Saklar

Bir PDF dosyası paragrafları ya da başlıkları kaydetmez. Tek tek karakterleri belirli koordinatlara çizme talimatlarını kaydeder; PDF'yi Word'e çevirmenin, yapıyı konum verisinden tersine mühendislikle çıkarmak anlamına gelmesinin nedeni budur.

Bir Word dosyası "bu, Çeyrek Raporu metnini içeren bir Başlık 1'dir" der. Bir PDF ise "F2 yazı tipini 22 puntoya ayarla, x=72 y=782 konumuna git, Ç-e-y-r-e-k harflerini göster" der. Dosyada bunun bir başlık olduğunu belirten hiçbir şey yoktur. Bu, yalnızca çevresindeki her şeyden daha büyük olmasından çıkarsanmak zorundadır.

Paragrafları Neden Tersine Mühendislikle Çıkarmak Gerekiyor

Metin, koordinatlara yerleşmiş parçalar hâlinde gelir; çoğu zaman kelime ortasından bölünmüş ve sıklıkla kelimeler arasındaki boşluklar tamamen eksik olarak. Okunabilir bir düzyazıyı geri kazanmak, parçaları dikey konumlarına göre satırlar hâlinde kümelemeyi, yatay boşlukların ima ettiği yerlere boşluk eklemeyi ve ardından hangi satır sonlarının kaydırma, hangilerinin paragraf sınırı olduğuna karar vermeyi gerektirir.

Bu adımların her biri bir sezgisel yöntemdir. Bizimkiler belgelenmiş ve test edilmiştir, ama yine de tahmindir; bu sayfa da çıktının hangi kısımlarının tahmin olduğunu, hepsini olmuş bitmiş bir gerçek gibi sunmak yerine işaretler.

Taranmış Belge Sorunu

Taranmış PDF'ler metin değil, metnin görüntüsünü içerir. OCR olmadan, ne kadar çözümleme yapılırsa yapılsın kelimeler geri kazanılamaz.

Bu, herhangi bir PDF Word dönüştürücüde yaşanan en yaygın hayal kırıklığıdır ve bu kadar çok insanın "bu araçlar zaten çalışmıyor" sonucuna varmasının nedenidir. Meslektaşınızın taradığı bir sözleşmeyi bırakırsınız ve içinde hiçbir şey olmayan bir Word dosyası alırsınız — genellikle hiçbir açıklama da yapılmadan.

OCR Ne Yapar ve Bu Araçta Neden Yok

Optik karakter tanıma, görüntüye bakar ve hangi şekillerin hangi harfler olduğunu çözer. Bu, bir metin katmanını okumaktan gerçekten farklı bir teknolojidir, görece yavaştır ve tarayıcı tabanlı bir sürümü her ziyaretçiye bir tanıma modeli göndermek anlamına gelirdi.

Bu yüzden bir sonraki en iyi şeyi yapıyoruz: durumu tespit edip, dosyayı bıraktıktan sonra gördüğünüz ilk şeyde açıkça söylüyoruz. Tespit yöntemi, taranmış sayfaların nadiren tamamen boş olduğunu da hesaba katar — tarayıcılar sayfa numarası basar, kısmi OCR arkasında kırıntı bırakır — bu nedenle yalnızca birkaç karakter içeren bir sayfa metin değil, tarama olarak değerlendirilir.

Bu bir metin çıkarıcıdır, düzen dönüştürücü değildir. Bir PDF'deki kelimeleri düzenlenebilir bir Word dosyasına geri kazandırır. Orijinal sayfa tasarımını yeniden oluşturmaz.

Metin Çıkarma ile Düzen Dönüştürme

İnsanların "PDF Word" derken kastettiği iki şey birbirinden epey farklıdır. Düzen dönüştürme belgeyi yeniden inşa etmeye çalışır: tabloları tablo, sütunları sütun, görselleri yerli yerinde. Bu ya ticari bir motor ya da hatırı sayılır bir sunucu tarafı altyapı gerektirir; iyi uygulamaların hepsi de sunucu tarafındadır.

Metin çıkarma ise kelimeleri, okuma sırasını ve güvenle çıkarsanabilen kadarıyla temel yapıyı alır. Gerçek hayattaki pek çok iş için — bir maddeyi alıntılamak, bir paragrafı yeniden kullanmak, bir rapordaki rakamları çekip almak — işin tamamı budur.

Bu Kimin İçin — Kimin İçin Değil

Şunu istiyorsanız kullanın: bir PDF'nin metnini düzenlemek, alıntılamak veya yeniden kullanmak için dışarı çıkarmak ve belgenizin bir yabancının sunucusuna yüklenmemesini tercih etmek.

Şu durumlarda kullanmayın: Word dosyasının PDF'ye benzemesi gerekiyorsa, belge tablo ağırlıklıysa veya belge bir taramaysa. Bu durumlar, yerine ne kullanmanız gerektiğiyle birlikte aşağıda ele alınıyor.

Her PDF Word aracı bu çizgiyi bir yere çeker. Çoğu size bu çizginin nerede olduğunu hiç göstermez.

Güvenilir Biçimde Çıkarılanlar

Gövde metni. Tek sütunlu belgelerde okuma sırası. Gömülü yazı tipi adlarından çıkarsanan kalın ve italik biçimler. Bağlantıların görünen metni.

Sıradan bir rapor, mektup veya makale için bu, içeriğin fiilen tamamıdır.

Tahmin Edilenler — ve Kimi Zaman Yanlış Olanlar

Başlık düzeyleri, paragraf sınırları ve madde imli ya da numaralı listeler. Bunlar dosyadan okunmaz, geometriden türetilir; önizlemenin bunları tam da bu nedenle "tahmin" diye etiketlemesinin sebebi budur.

Başlık Düzeyleri Yazı Tipi Boyutundan Nasıl Tahmin Ediliyor

Belgedeki en sık görülen harf yüksekliğini gövde boyutu kabul ediyoruz, ardından belirgin biçimde daha büyük olan her şeyi terfi ettiriyoruz: 1,6× ve üzeri Başlık 1, 1,35× Başlık 2, 1,15× Başlık 3 oluyor.

Ortalama değil, en sık görülen boyut — ve bu bilinçli bir tercih. Ortalamayı büyük bir başlık yukarı çeker, bu da o başlığın hiç başlık olarak tanınmamasına yol açardı. Taban değer ayrıca belgenin tamamı üzerinden hesaplanır; böylece baştan sona iri puntoyla dizilmiş bir kapak sayfası kendisinden sonraki her sayfayı bozmaz.

Başlıklarını boyutla değil kalınlıkla veya renkle belirten belgelerde başlıklar tespit edilemez. Bu gerçek bir kısıttır ve düz metin modu tam da bunun için vardır.

Desteklenmeyenler

Tablolar, tablo olarak değil serbest metin olarak çıkar. Görseller aktarılmaz. Üst bilgiler, alt bilgiler ve sayfa numaraları, nerede duruyorlarsa orada sıradan metin olarak çıkarılır. Kesin düzen, konumlandırma, yazı tipleri ve boyutlar hiç yeniden üretilmez.

Tablolar, Görseller ve Taranmış Sayfalar

Çok sütunlu sayfalar sessizce iç içe geçirilmek yerine tespit edilip bildirilir, çünkü sütunlar arası okuma sırası gerçekten de belirsizdir — iki sütunlu bir akademik makale, her sütun aşağı doğru da okunabilir, sayfa boyunca yatay olarak da; ve dosya hangisi olduğunu söylemez.

Taranmış sayfalar hiçbir şey üretmez ve bu durum siz dışa aktarmadan önce bildirilir.

PDF Word çıkarmanın gerçekçi kullanımlarının hepsi aynı biçimi taşır: tasarımı değil, kelimeleri istiyorsunuzdur.

Sözleşmelerden ve Raporlardan Alıntı Yapmak

Bir PDF'deki maddeyi yeniden yazarak almak, tam da hataların önem taşıdığı belge türünde yazım hatalarına davetiye çıkarır. Çıkarma size ifadeyi birebir verir — ve bir sözleşme söz konusu olduğunda dosyanın makinenizden hiç çıkmamış olması tesadüfi bir ayrıntı değildir.

Araştırma Makalesi Metnini Yeniden Kullanmak

Akademik PDF'ler bu aracın hem klasik kullanım alanı hem de klasik sınır örneğidir: metin temiz biçimde çıkar, ama iki sütunlu makaleler bildirim alır, çünkü okuma sırası gerçekten belirsizdir. Önce çıkarın, sonra elle yeniden sıralayın.

Faturalardan Veri Çekmek

Fatura kalemleri tablolarda yaşar; bunlar bir ızgara olarak değil, serbest metin olarak çıkar. Yine de yeniden yazmaktan hızlıdır ve rakamlar basıldığı hâliyle gelir.

Eski Belgeleri Yeniden Değerlendirmek

Eski bir PDF broşürünü veya kılavuzunu yeniden düzenlenebilir metne çevirmek genellikle tasarımla değil kelimelerle ilgilidir — tasarım zaten çoğunlukla değiştirilecektir.

Burada Gizlilik Neden Önemli

İnsanların metnini çıkarmayı en çok istediği belgeler — sözleşmeler, tıbbi yazışmalar, mali tablolar — yüklemeyi en az istemeleri gereken belgelerdir. Yerelde işlemek bu soruyu cevaplamak yerine ortadan kaldırır.

PDF'den Word'e geçmek nadiren son adımdır. Metin Word'e girdikten ve siz düzenlemenizi yaptıktan sonra onu geri çevirmek doğal bir sonraki adımdır — Word PDF dönüştürücümüz de tamamen tarayıcınızda çalışır, dolayısıyla bu gidiş dönüş hiçbir sunucuya uğramaz.

Kaynak malzemeniz birkaç PDF'ye dağılmışsa, önce birleştirin ve tek seferde çıkarın; birkaç kez çıkarıp sonuçları Word'de dikmek yerine.

Buradaki her şey aynı kurala uyar: dosyalarınız kendi makinenizde kalır. Setin geri kalanı ücretsiz PDF araçları sayfamızda, görsel araçları ise tüm ücretsiz tarayıcı araçlarımız sayfasında.