Belge Araçları

Dönüştürücünün paragraf sınırlarını dikey boşluklardan, okuma sırasını konumdan, tablo yapısını da cetvel çizgilerinden veya hizalanmış boşluklardan tahmin etmesi gerekir. Tek sütunlu, düz gövde metinli raporlar temiz dönüşür. İki sütunlu akademik düzenler, kenar kutuları, dipnotlar ve çerçevesiz tablolar ise tahminin göründüğü yerlerdir: metin yanlış sırayla düşer, tablo bir metin kutusu ızgarasına dönüşür, satır sonundaki tireler Word dosyasına kadar taşınır.

Taranmış PDF’ler tamamen ayrı bir sorundur, çünkü içlerinde hiç metin yoktur; yalnızca sayfanın görüntüsü vardır. Bunları normal bir dönüştürücüden geçirmek boş bir belge üretir. Önce OCR’dan geçirin, sonra dönüştürün.

Büyük PDF’lerin neredeyse tamamında dosya boyutunun asıl sahibi gömülü görsellerdir. Dolayısıyla sıkıştırma, bu görselleri düşük çözünürlüğe indirip yeniden kodlamak demektir: ekranda okumak için genelde 150 DPI, baskıya gidecek işler için 300 DPI, üstüne bir miktar JPEG kalite düşüşü. İkincil kazanç, gömülü fontları yalnızca kullanılan gliflere daraltmaktan ve sayfa küçük resimleriyle kullanılmayan nesneleri atmaktan gelir.

İnsanları şaşırtan durum da bununla açıklanır: yalnızca metinden oluşan 40 sayfalık bir PDF neredeyse hiç küçülmez. İçerik akışları zaten Flate ile sıkıştırılmıştır ve indirilecek görsel yoktur. Bir dosya çoğunlukla metinken hâlâ devasaysa suçlu genelde tam gömülmüş bir CJK fontu ya da defalarca tekrarlanan kaynaklardır.

OCR doğruluğu, dosya tanıyıcıya ulaşmadan önce belirlenir. 300 DPI tarayın veya dışa aktarın; büyük ve temiz punto için 200 idare eder, 150’nin altı hiçbir motorun telafi edemeyeceği bir kayıp getirir. Sayfayı düzeltin: iki derecelik bir eğiklik bile küçük puntoda hata oranını ölçülebilir biçimde artırır. Düz belgelerde gri tonlama genelde renkliden iyi sonuç verir ve harf kenarlarındaki ağır JPEG bozulmaları, biraz daha büyük bir dosyadan çok daha fazla zarar verir.

Dili açıkça seçin. İngilizce modunda çalışan bir motor Türkçe’deki ı, ğ, ş ve harflerin üstündeki işaretleri en yakın ASCII karşılığına çevirmekte hiç tereddüt etmez; karışık dilli belgelerde bütün dilleri baştan işaretlemek gerekir. Çıktı aranabilir bir PDF’tir: özgün sayfa görüntüsü görünür kalır, arkasına görünmez bir metin katmanı yerleşir. Belge birebir aynı görünür ama artık aranabilir, kopyalanabilir ve indekslenebilir.

Bir ismin üstüne dolu kutu çizmek onu yalnızca görsel olarak gizler, altındaki hiçbir şeyi değiştirmez. Metin içerik akışında durmaya devam eder; sayfayı seçerek, bir metin çıkarıcı çalıştırarak ya da dosyayı bir düzenleyicide açarak herkes geri alabilir. Mahkeme dosyaları ve resmî yayınlarda yaşanan uzun bir rezalet listesi tam olarak bu yüzden vardır.

Gerçek karartma, alttaki içeriği siler ve ardından sayfayı düzleştirerek geri döndürülmesini imkânsız kılar. Üst veri de aynı ilgiyi hak eder: yazar adı, dosyayı üreten yazılım, revizyon zaman damgaları ve XMP kayıtları çoğu iş akışından el değmeden çıkar; birkaç kaynaktan derlenmiş bir belge çoğu zaman hepsinin üst verisini birden taşır. Önce karartın, sonra düzleştirin, göndermeden önce belge özelliklerine bakın.