PDF'ten çıkan metin neden karışık görünüyor?
Bir PDF’in metnini çıkardın ama bir şeyler ters: satırlar yarıda kesiliyor, tablo upuzun bir kelime dizisine dönmüş, iki paragrafın arasında bir sayfa numarası duruyor ya da koca bir bölüm hiç yok. Çoğu zaman sebep PDF’in kendisidir. PDF kâğıt üzerinde doğru görünmek için tasarlanmıştır, metnini düzenli tutmak için değil. Aşağıda bu karışıklığın olağan sebeplerini ve PDF to Text aracının her birinde nasıl davrandığını bulacaksın.
Satırlar, tireler, üst ve alt bilgiler
Sayfadaki her satır metinde de bir satır olur. Yani bir paragraf tek uzun satır olarak değil, birkaç kısa satır hâlinde gelir; satır sonunda bölünmüş bir kelime de tiresini korur («sözleş-» ve alt satırda «menin»). Üst ve alt bilgiler sayfanın parçasıdır; her sayfada tekrar eden belge adı ya da «— 3 —» gibi bir sayfa numarası, sayfada nerede duruyorsa metinde de orada kalır. Satırları birleştirmek ve tekrar eden alt bilgileri silmek sonradan herhangi bir metin düzenleyicide kolayca yapılır.
Sütunlar ve tablolar
Açıkça iki sütunlu dizilmiş sayfalar sütun sütun okunur. Ana metnin yanında yüzen bir kenar kutusu gibi daha düzensiz yerleşimlerde PDF’in kendi sırası izlenir; bu sıra her zaman gözünün seçeceği sıra değildir.
Tablolar en sık karşılaşılan sürprizdir. PDF bir tablo içerdiğini bilmez; yalnız her metin parçasının nerede durduğunu bilir. Her tablo satırı tek bir metin satırına dönüşür, hücreler boşlukla ayrılır. Sütun yapısı ortada kalmaz, hesap tablosuna aktarma da yoktur; üzerinde hesap yapacağın rakamlar için satırları elle düzenlemeyi baştan hesaba kat.
Sağdan sola yazılan diller ve diğer yazı sistemleri
Arapça ve sağdan sola yazılan diğer dillerin satırları okuma sırasıyla gelir. Hintçe (Devanagari), Çince ve Japonca (dikey Japonca dahil) ile döndürülmüş metin de işlenir.
Eksik metin ve «Bazı metinler okunamadı.» notu
Bazı PDF’ler harflerini, o şekillerin hangi Unicode karakterlerine karşılık geldiğini hiç söylemeyen bir yazı tipiyle çizer; «ToUnicode» eşlemesi eksik ya da bozuktur. Böyle bir dosyadan başka uygulamalarda kopyalama yapmak da genellikle anlamsız işaretler verir. PDF to Text sana bir dizi anlamsız simge sunmak yerine o metni dışarıda bırakır ve Bazı metinler okunamadı. notunu gösterir.
Bazı sayfalarda ise hiç metin yoktur; yalnız çizimler ya da dosya hazırlanırken şekle dönüştürülmüş yazılar bulunur. Logolarda ve tasarım programlarından alınan çıktılarda buna sık rastlanır. Bu sayfalar en üstteki notta, her birinin sebebiyle birlikte adlandırılır.
Kopyalama kısıtlamaları
PDF’in yazarı kopyalamayı ya da metin çıkarmayı kapattıysa PDF to Text metni göstermez, kaydetmez ve nedenini açıklar. Bu ayara uyar; dosyayı değiştirmez.
Kısa kontrol listesi
- En üstteki nota bak: seçilebilir metni olmayan sayfaları ve sebeplerini listeler.
- Bilgi satırındaki karakter sayısını beklediğinle karşılaştır; çok düşük bir sayı görsellere ya da şekillere işaret eder.
- Aynı bölümü bir PDF görüntüleyicide seçmeyi dene; orada da anlamsız işaretler çıkıyorsa sebep yazı tipi eşlemesidir.
- Tablolarda ihtiyacın olan satırları kopyala, sütunları kendi hesap tablonda yeniden kur.