Taranmış PDF Excel dönüştürme süreci çoğu zaman tanıma aşamasından önce kazanılır ya da kaybedilir. Sayfa hafif eğikse, tablo sınırları soluksa veya arka plan dengesizse, OCR metni kısmen okuyabilse bile sütunları bölebilir, satırları birleştirebilir ya da insana açık görünen değerleri kaçırabilir. Bu yüzden asıl pratik karar yalnızca hangi OCR aracının kullanılacağı değildir; önce hangi sayfa düzeltmelerinin yapılacağı ve hangilerinden kaçınılacağıdır.
Bu rehber, elektronik tablo için OCR uygulamadan önce eğik taramaları ve soluk tablo çizgilerini iyileştirmeye odaklanır. Satır satır mutabakat, toplam doğrulama veya muhasebe kontrolü burada ele alınmaz. Amaç, dağınık görünen taranmış bir tabloyu OCR motorunun daha temiz bir yapıyla okuyabileceği hale getirmektir.
Genel bilgi ve uygunluk durumu için şu bilgilendirme sayfasına bakabilirsiniz: OCR PDF to Excel.
Önce elektronik tabloyu değil, sayfa yapısını düşünün
Taranmış PDF Excel dönüştürme denildiğinde birçok kişi doğrudan son dosyadaki hücre düzenini düşünür. Oysa daha önemli soru şudur: Tarama sonrasında sayfa hâlâ tablo gibi görünüyor mu?
Bunu basit bir sırayla düşünmek faydalıdır:
- OCR karakterleri okur.
- Tablo çıkarma işlemi yapıyı tahmin eder.
- Excel çıktısı bu iki aşamanın birlikte ne kadar iyi çalıştığına bağlıdır.
Metin okunaklı olsa bile tablo çizgileri zayıfsa, sistem kelimeleri doğru okuyup yine de yanlış sütunlara yerleştirebilir. Çizgiler görünür olsa bile sayfa birkaç derece eğikse, satır sınırları tutarsız algılanabilir. Bu nedenle ön işleme aşamasında önce sayfa geometrisi ve kontrast ele alınmalı, sonradan hücre düzeni düşünülmelidir.
Somut örnek: eğik bir tedarikçi hesap özeti tablosu
İki sayfalık taranmış bir tedarikçi ekstresi düşünün. PDF içindeki özet tabloda şu sorunlar olsun:
- sayfa hafifçe sağa eğik
- belge yazıcı çıktısından yeniden kopyalanmış, bu yüzden arka plan gri
- yatay çizgiler seçiliyor ama dikey çizgiler soluk
- tutar sütunu daha net, tarih alanları ise daha açık tonda
Bu dosyada taranmış PDF Excel dönüştürme işlemini hazırlık yapmadan çalıştırırsanız sık görülen sonuçlar şunlar olabilir:
- tarih ile referans numarası tek sütunda birleşir
- boş hücreler satır sonu gibi algılanır
- toplamlar bir sütun sağa kayar
- son satır dipnotla birleşir
Buradaki sorun yalnızca karakter tanıma değildir. OCR sistemi, zayıf görsel ipuçlarından tablo sınırlarını çıkarmaya çalışır. Bu tür belgelerde ölçülü bir ön düzeltme, hazırlıksız halde farklı dönüştürücüler denemekten daha etkili olabilir.
Önce eğimi düzeltin; çünkü hizalama bütün sütunları etkiler
Çoğu durumda ilk işlem eğiklik düzeltme olmalıdır. Çok küçük bir kayma bile sütunların sayfa boyunca tutarsız görünmesine yol açabilir.
Şu sırayı izleyin:
- Sayfa kenarlarının, metin taban çizgilerinin veya tablo çizgilerinin eğik olup olmadığını inceleyin.
- Baskın metin çizgileri yatay görünene kadar sayfayı döndürün ya da eğikliği giderin.
- Ortadaki bir satırla alttaki bir satırda sütunların aynı hizayı koruduğunu kontrol edin.
- Hizalama oturduktan sonra kontrast veya çizgi güçlendirme uygulayın.
Bu sıranın önemli olmasının nedenleri:
- sayfa hâlâ eğikken yapılan kontrast değişiklikleri yanlış kenarları güçlendirebilir
- çizgi algılama, satırlar yataya yakın olduğunda daha iyi çalışır
- kırpma kararı, gerçek açı düzeltildikten sonra daha kolay verilir
Pratik bir kural şudur: Eğiklik gözle fark ediliyorsa önce onu düzeltin. Sayfa neredeyse düz ama telefonla çekim nedeniyle bükülmüş görünüyorsa, ek işlemler yine de yetersiz kalabilir. Çünkü sorun basit dönme değil, satırların eğrilmesidir. Böyle bir durumda yeni tarama ya da daha düzgün bir yeniden çekim, daha fazla filtre uygulamaktan daha yararlı olabilir.
Soluk tablo çizgilerini güçlendirin ama metni ezmeyin
Soluk çizgiler zorlayıcıdır; çünkü aşırı güçlendirme yeni sorunlar üretir. Kontrast fazla yükseltilirse ondalık ayırıcılar, virgüller, ince rakamlar veya açık renk sınırlar parçalanabilir ya da kaybolabilir.
Amaç sayfayı sert ve koyu göstermek değildir. Amaç, karakter biçimlerini koruyarak tablo sınırlarını biraz daha ayırt edilir hâle getirmektir.
Şu ayarları sırayla ve ölçülü biçimde deneyin:
- Özellikle gri arka plan varsa yerel kontrastı hafif artırın.
- Arka planı kirli gri yerine daha açık bir tona yaklaştırmak için parlaklığı dengeleyin.
- Fotokopi kaynaklı küçük noktalar ve lekeler gibi düşük seviyeli gürültüyü azaltın.
- Rakamlar hâlâ yumuşak görünüyorsa çok hafif keskinleştirme uygulayın.
- Sonuçta yalnızca genel koyuluk değil, tablo çizgilerinin seçilebilirliği artmış mı diye tekrar bakın.
Kaçınılması gereken yaygın hatalar:
- sayfayı çok erken saf siyah beyaza çevirmek
- sınırları kalınlaştırıp ince rakamları bozacak kadar keskinleştirmek
- noktalama işaretlerini veya eksi işaretlerini silecek kadar sert gürültü giderme kullanmak
- yalnızca tablo bölgesi sorunlu iken tüm sayfayı koyulaştırmak
Çizgiler neredeyse görünmüyorsa, bütün sayfayı zorlamak yerine yalnızca tablo alanını kırpmak daha faydalı olabilir. Daha dar bir alan; logo, damga ve kenar boşlukları gibi düzen algısını şaşırtan unsurları dışarıda bırakır.
Dikkat dağıtan alanları kırpın ve farklı bölgeleri ayırın
Başarısız tablo çıkarımlarının önemli bir kısmı, bir sayfada birden fazla görsel bölge bulunmasından kaynaklanır. Bir ekstrede başlık, adres bölümü, tablo, açıklama notları ve imza alanı birlikte yer alabilir. Bunların hepsi tek geçişte OCR'a verildiğinde, sistem tablonun nerede başlayıp nerede bittiğini doğru ayırt edemeyebilir.
Taranmış PDF Excel dönüştürme öncesinde, sayfanın zihinsel olarak ayrı bölgelere ayrılması gerekip gerekmediğini değerlendirin.
Kırpmaya veya ayrı ele almaya uygun örnekler:
- üstte ve altta geniş boşluk olan sayfadaki ana tablo
- yanında damga veya el yazısı not bulunan tablo
- tablonun üst kısmında grafik bulunan rapor sayfası
- son satırın hemen altında koşullar metni yer alan ekstre
Pratik bir yaklaşım, elektronik tablo için OCR aşamasında yalnızca tablo alanını kullanmak; tam PDF'yi ise başvuru amacıyla ayrı saklamaktır. Bu yöntem daha iyi sonuç garantilemez, ancak yanlış satır bölünmelerini ve yanlış sütun birleşmelerini sıkça azaltır.
OCR öncesi kısa kontrol listesi kullanın
İşleme başlamadan önce şu kısa denetimi uygulayabilirsiniz:
| Kontrol | Bakılacak durum | Önerilen işlem |
|---|---|---|
| Sayfa açısı | Satırlar veya metin sola ya da sağa yatık | Önce eğikliği düzeltin |
| Arka plan | Gri kâğıt tonu veya gölgelenme | Hafif parlaklık ve kontrast temizliği yapın |
| Tablo çizgileri | Dikey veya yatay çizgiler zor seçiliyor | Çizgiyi koruyan yumuşak güçlendirme uygulayın |
| Dikkat dağıtan öğeler | Damga, not, logo, dip metni | Mümkünse tablo bölgesine kırpın |
| Metin kenarları | Rakamlar bulanık veya kırık | Ağır eşikleme yapmayın; gerekirse çok hafif keskinleştirin |
| Sayfa biçimi | Telefon çekiminde eğrilme veya kâğıt bükülmesi | Mümkünse yeniden tarayın ya da yeniden çekin |
Bu tablo yararlıdır; çünkü hedefi dar tutar: Sayfayı görsel olarak kusursuz yapmak yerine, OCR motoru için yapısal okunabilirliği artırmak.
Hangi noktada düzeltme yarar sağlar, hangi noktada zarar verir
Daha fazla işlem her zaman daha iyi sonuç vermez. Bazı sayfalar art arda yapılan düzeltmelerden sonra bozulur. Şu işaretlerden biri görülüyorsa durmak gerekir:
- metin kenarları ince ayrıntıyı kaybetmeye başlıyorsa
- ondalık ayırıcılar veya noktalama işaretleri silikleşiyorsa
- tablo sınırları çizgi olmaktan çıkıp kalın lekelere dönüşüyorsa
- harflerin çevresinde parlama veya tırtıklanma oluşuyorsa
- arka plan temizlenmiş olsa da sütun sınırları hâlâ belirsizse
Bu noktada asıl sınır kaynak görüntü olabilir. Örneğin, faks kalitesinde bir tabloda dikey çizgilerin bir kısmı yoksa ve rakam çözünürlüğü düşükse, yazılım müdahaleleri mevcut olmayan bilgiyi geri getiremez.
Bu nedenle taranmış PDF Excel dönüştürme için kusursuz biçim koruması vaat etmek doğru değildir. OCR tabloyu yeniden kurmaya yardımcı olabilir; ancak kötü kaynak kalitesi, üst üste binen işaretler ve yıpranmış baskılar yapının ne kadar doğru çıkarılabileceğini sınırlar.
Tekrarlanabilir bir çalışma sırası oluşturun
Zor tablo taramaları için şu sıralama uygulanabilir:
- Tüm dosyadan önce temsil gücü yüksek tek bir sayfayı inceleyin.
- Metin çizgileri ve satırlar yatay görünecek şekilde eğikliği düzeltin.
- Tablo dışı içerik fazlaysa tablo bölgesine kırpın.
- Arka planı hafif kontrast ve gürültü azaltma ile temizleyin.
- Soluk çizgileri, metin ayrıntısını ezmeden dikkatlice belirginleştirin.
- Küçük bir örnek üzerinde OCR deneyin ve sütun ayrımını inceleyin.
- Yapı iyileşiyorsa benzer sayfalara aynı yaklaşımı uygulayın.
- İyileşmiyorsa daha fazla filtre eklemek yerine işlemi azaltın ya da daha iyi bir tarama alın.
Buradaki ana fikir tutarlılıktır. Belgeler aynı tarayıcıdan ve benzer şablondan geliyorsa, makul bir hazırlık profili birçok sayfada işe yarayabilir. Ama dosya kümesi fotokopi, telefon fotoğrafı ve faks çıktılarından karışık oluşuyorsa, farklı belge grupları için ayrı yaklaşım gerekebilir.
Sınırlar ve beklentiler
Dikkatli hazırlık yapılsa bile taranmış PDF Excel dönüştürme sürecinin bazı sınırları vardır:
- çok soluk ya da eksik çizgiler güvenilir sütun algılamayı engelleyebilir
- birleştirilmiş hücreler ve çok satırlı açıklamalar satır sınırlarını bozabilir
- el yazısı işaretler, damgalar ve fosforlu kalem izleri tablo yapısını şaşırtabilir
- çok düşük çözünürlüklü taramalarda insanlar rakamı seçse bile OCR kararsız kalabilir
- telefonla çekilmiş perspektif bozulmalı sayfalar yazılımla değil, yeni taramayla daha iyi düzelebilir
Bu yüzden en pratik yaklaşım çoğu zaman aynıdır: önce açıyı düzeltin, kontrastı ölçülü artırın, tabloyu ayırın ve iyileştirme metne zarar vermeye başladığında durun.