PDF OCR — taranmış PDF’i aranabilir yap

OCR — Optik Karakter Tanıma — gerçek metin içeren PDF’lerle yalnızca metin görseli içeren PDF’ler arasındaki köprü; iki türün farkı ise dosyayla bir şey yapmaya çalıştığın an ortaya çıkıyor. Gerçek metin PDF’i aramaya, paragraf kopyalamaya, başka bir belgeye yapıştırmaya, üzerinde analiz aracı çalıştırmaya, indeksleme sistemine vermeye ya da içeriği okuması gereken bir dil modeline iletmeye izin veriyor. Metin görseli PDF’i tek bir şeye izin veriyor: bakmak. Çoğu tarama, kâğıt fotoğrafı ve eski sistemlerden gelen dışa aktarımlar ikinci kategoriye giriyor; oysa dijital iş akışlarının tüm sonraki dünyası birincisini varsayıyor. OCR, sayfanın görünümünü değiştirmeden birini diğerine çeviriyor.

Teknik modeli anlamak ne işe yaradığını ve neyin sınırda kaldığını şekillendiriyor. OCR motoru her sayfa görselini işliyor, metin bölgelerini belirliyor, her bölgedeki karakterleri tanıyor ve tanınan metni orijinal görselin altında gizli bir katman olarak yazıyor. Görünür sayfa aynen kalıyor — aynı fontlar, aynı düzen, orijinal taramadan gelen aynı küçük artefaktlar — ama PDF okuyucusunda yapılan arama artık eşleşme buluyor; çünkü altta gerçek metin katmanı var. Metin kopyalamak pikselleri yorumlamaya çalışmak yerine bu gizli katmandan alıyor. Sayfa render’ı ile aranabilir içerik birbirinden ayrılmış durumda: görsel sadakat yüzde 100’de kalıyor, arama / kopyalama / indeksleme işlevi üzerine ekleniyor.

Dil seçimi başlangıçta düşünülenden çok daha önemli. Burada kullanılan Tesseract motoru yüzden fazla dili destekliyor; ama tanıma kalitesi büyük ölçüde girdi için doğru dil modelinin seçilip seçilmediğine bağlı. İngilizce metin İngilizce modelle tanındığında mükemmel sonuçlar veriyor; aynı metin Kiril modeliyle tanındığında anlamsız çıktı üretiyor. Türkçe belgeler için Türkçe modeli seçmek diakritikleri (ç, ğ, ı, ö, ş, ü) doğru getiriyor; İngilizce mod bunları yanlış işliyor. İçinde İngilizce ve başka bir dilin iç içe geçtiği akademik literatür ya da uluslararası iş belgeleri gibi karışık dilli sayfalar için motor doğru yapılandırmayla çoklu dil girdisini kaldırabiliyor; ancak diller üst üste bindirildikçe her birinin tanıma doğruluğu hafifçe zayıflıyor.

Kaynak kalitesi OCR başarısının en güçlü göstergesi. Beyaz kâğıt üzerinde net, yüksek kontrastlı, yazılı bir metnin temiz 300 DPI taraması neredeyse mükemmel tanıma üretiyor — yüzde 1’in altında hata oranı sıradan. Aynı kaynağın 150 DPI taraması belirgin biçimde daha kötü sonuç veriyor; çünkü motor karakter başına daha az piksele sahip. Aynı kâğıt sayfanın telefonla çekilmiş, dengesiz aydınlatma ve hafif eğri fotoğrafı daha da kötü sonuç veriyor. Taranmış metnin ağır sıkıştırılmış JPEG’leri en kötü sonuçları üretiyor; çünkü JPEG sıkıştırma artefaktları tanıma motoruna yüzeysel olarak karakter konturuna benziyor. Pratik çıkarım: kalite önemliyse 300 DPI’da TIFF ya da PNG olarak tara, sonra PDF’e çevir; telefon fotoğrafıyla çalışmak zorundaysan daha çok hata bekle ve düzeltmeye zaman ayır.

Çok sütunlu dergi ve karmaşık düzenler OCR motorlarının tarihsel olarak zorlandığı yer; Tesseract da farklı değil. Zorluk okuma sırasını çıkarmak — tanınan metin sol sütunu sona kadar takip edip sağ sütunun başına mı geçmeli, yoksa sütunları satır satır mı dolaşmalı? Varsayılan davranış artık iki sütunlu düzenleri iyi hâlletiyor; ama üç sütunlu düzenler, kenar çubukları, çağrı kutuları ve düzensiz layout’lar (figür içeren akademik makaleler, gömülü reklamlı dergi sayfaları) zaman zaman doğru tanınmış ama karışık sırada metin üretiyor. Görünür sayfa iyi; aranabilir katman biraz dağılmış. Çoğu arama kullanımı için hâlâ faydalı — kelimelerin etrafı sıralı olmasa bile bir ifadeyi bulabiliyorsun — ama tam metin çıkarımında bu sınırın farkında olmak gerek.

Matematik notasyonu, kimyasal formüller ve diğer özelleşmiş sembol sistemleri genel amaçlı OCR motorlarının kapsamı dışında. Tesseract metin karakterlerini tanıyor; bir integral işareti, bir kimyasal yapı diyagramı ya da karmaşık bir denklem ya atlanıyor, ya benzer harflere yanlış tanınıyor ya da çöp olarak çıkıyor. Bu tür içerik ağırlıklı belgeler — fizik makaleleri, organik kimya kitapları, matematiksel referans eserler — için InftyReader gibi özel OCR araçları var, ama bunlar ayrı bir iş akışı. Sözleşmeler, makaleler ve raporlar gibi günlük iş belgelerinde ara sıra metin dışı unsurların kusurlu tanınması nadiren önemli oluyor; çünkü etrafındaki aranabilir metin anlamı taşıyor.

OCR’dan en çok yararlanan kullanım vakaları öngörülebilir. Eski makale ve kitapları aranabilir arşiv için dijitalleştiren araştırmacılar. Dava dosyalarını dilekçe öncesi keşif için indeksleyen avukatlar. Kâğıt kayıtları elektroniğe çeviren tıp pratikleri. Taranmış tarihsel kayıtlarla çalışan soybilimciler. Belge sızıntılarında arama yapan gazeteciler. Eski taranmış el yazmalarını dijitalleştiren yazarlar. Aranabilir delil havuzu kuran uyumluluk ekipleri. Hepsinde değer görünmüyor — belge aynı görünüyor — ama belgenin ömrü boyunca biri belirli bir bölümü her aradığında biriken zaman tasarrufu önemli boyutlara ulaşıyor. 500 sayfalık arşivde tek bir OCR turu, dosyayı resim yığınından aranabilir bir derleme dönüştürüyor; bir isim arandığında kendini ödüyor.

Eğri tarama düzeltme, deskew ve gürültü temizleme OCR doğruluğunu önemli ölçüde artıran ön işlem adımları; buradaki motor bunları otomatik uyguluyor. 5 derece eğri taranmış bir sayfa tanıma öncesi düzeltiliyor; sayfanın arkasından sızan mürekkep gideriliyor; kahve lekesi ve toz gideriliyor. Bu ön işlem değişikliklerinin hiçbiri çıkan PDF’in görünür sayfasını etkilemiyor — orijinal tarama görünür katman olarak korunuyor — ama altındaki tanınmış metin katmanı daha doğru oluyor; çünkü motor daha temiz bir ara görüntüden çalışıyor. Çok kötü kaynak taramalar için OCR’dan önce görsel düzenleme araçlarıyla manuel ön işlem daha da yardımcı olabiliyor, ancak otomatik akış çoğu günlük vakayı yeterince kaldırıyor.

Hassas belgeler için bir gizlilik açısı düşünmeye değer. OCR işlemi belge içeriğinin OCR motoru tarafından okunabilir olmasını gerektiriyor; bulutta çalışan motorlar işlem sırasında bu içeriği zorunlu olarak görüyor. Buradaki uygulama belgeleri geçici sunucularda işliyor, dönüşüm penceresinden sonra siliyor ve eğitim ya da indeksleme için kopya tutmuyor. Hiçbir dış servise göndermek için fazla hassas olan belgeler için — bir gazetecinin incelediği sızdırılmış materyaller, personel verisi içeren kurum içi İK belgeleri, KVKK kapsamındaki sağlık kayıtları — doğru cevap OCR’ı yerel olarak çevrimdışı araçlarla çalıştırmak (doğrudan Tesseract ya da ABBYY FineReader gibi ticari alternatifler). Takas, kontrol için kolaylığı feda etmek; çoğu günlük belge için kolaylık kazanıyor ama olmadığı durumlarda seçenek önemli.

Türkiye’de OCR ihtiyacının özellikle yoğun olduğu bir alan, eski tapu, nüfus, vergi ve mahkeme kayıtlarının dijitalleştirilmesi. 1980 ve 90’lardan kalma daktilo ile yazılmış belgeler ya da matbaa baskısı sicil kayıtları, dijital arşive geçirildiğinde ancak OCR ile aranabilir hâle geliyor. Aynı şey aile arşivlerindeki eski kira kontratları, banka dekontları ve şirket kuruluş belgeleri için de geçerli. Türkçe dil modelinin doğru çalışması, özellikle eski yazım kurallarının kalıntılarını ya da o dönemin daktilo karakter setlerini tanımak açısından önemli; bu konuda Tesseract son yıllarda belirgin biçimde gelişti.

Faturalama ve muhasebe iş akışlarında da OCR önemli bir araç olarak yerleşmiş durumda. Tedarikçiden gelen fiş ve fatura kâğıt taraması olarak geliyor; muhasebe yazılımına eklenebilmesi için tutar, tarih, vergi numarası gibi bilgilerin metin olarak çıkartılması gerek. OCR’sız yapılan girişler hem yavaş hem hata yatkın; OCR’dan geçen taramalar ise muhasebe yazılımının otomatik alan eşleştirmesi özellikleriyle birlikte kullanıldığında saniyeler içinde sisteme aktarılıyor. SGK bordrolarının otomatik kontrolü, banka ekstrelerinin işleme alınması ve kasa raporlarının arşivlenmesi gibi rutin işlerde aynı mantık çalışıyor; OCR olmadan bu işlerin her biri günde bir kişinin yarım gününü yiyebilirken, OCR ile entegre edildiğinde aynı iş yarım saate iniyor.

Yapay zekâ akışlarına bakanlar için de OCR’ın yeri net: bir LLM ya da bir doküman analiz aracı, taranmış PDF’i kelimenin tam anlamıyla göremiyor — yalnızca pikselleri görüyor. PDF’i bir LLM’e gönderip “bu dosyayı özetle” demek istiyorsan dosyanın altında gerçek metin katmanının bulunması zorunlu; aksi takdirde model sayfayı bir görsele bakıyormuş gibi işler ve hatalı sonuç üretir. Buradaki dönüşüm, dosyayı modern AI iş akışlarına dahil edebilmenin önkoşulu hâline geliyor; bir araştırmacının makaleler arşivinden Claude’a sorgu sorabilmesi, bir avukatın Copilot’a karar dosyası özetletmesi, bir analistin GPT-4’e tarihi yıllık raporlardan trend çıkartması — hepsi önce OCR’dan geçmiş PDF’ler gerektiriyor.