PDF'ten Metin Çıkar

Pek çok bilgisayar kullanıcısı, bir PDF'in metinleri Microsoft Word veya HTML'de olduğu gibi paragraflar, cümleler ve sözcükler halinde depoladığını varsayar. Gerçekte ise ISO 32000 spesifikasyonu uyarınca PDF, kökleri PostScript'e dayanan bir görsel mizanpaj dilidir. Metinler `/Contents` akışları içinde düşük seviyeli çizim operatörleri kullanılarak ekrana çizilir.

Bir yazar uygulaması bir başlığı şu komutla işleyebilir: `BT /F1 12 Tf 72 712 Td [(C) 12 (o) -4 (r) 8 (p)] TJ ET`. Görüldüğü üzere harfler tekil aralık ayarlamalarıyla (kerning) konumlandırılır; kelimeler arasında boşluk karakteri (`0x20`) dahi bulunmayabilir, bunun yerine büyük negatif yatay ofsetler kullanılır. Dahası, metin öğeleri ikili dosya yapısında kronolojik sıra dışında saklanabilir; örneğin bir altbilgi satırı ana başlıktan önce ayrıştırılabilir. Gerçek metin çıkarma, birbirinden kopuk glif koordinatlarını tutarlı ve okunabilir paragraflara dönüştürmek için sofistike uzamsal yeniden yapılandırma sezgiselleri gerektirir.

Kullanıcıların bir PDF'ten metin kopyalayıp yapıştırdıklarında anlamsız semboller veya garip kutucuklarla karşılaşmasının birincil nedeni eksik veya özel CMap (Character Map) eşlemeleridir. Dosya boyutunu küçültmek için PDF oluşturucuları genellikle yazı tiplerini alt küme (subset) olarak gömer ve gliflere keyfi karakter kodları atar (örneğin 'A' harfi `0x0001` koduyla temsil edilebilir).

Bir PDF'in aranabilir ve kopyalanabilir olması için yazı tipi sözlüğünde bu dahili karakter kodlarını standart Unicode kod noktalarına eşleyen bir `/ToUnicode` CMap akışı bulunmalıdır. İstemci taraflı motorumuz katıştırılmış CMap akışlarını, Adobe CID yazı tipi eşlemelerini ve TrueType `cmap` tablolarını derinlemesine ayrıştırır. Özel kodlanmış glifleri doğru Unicode karakterlerine geri çevirerek taranan veya dışa aktarılan metnin %100 aslına sadık kalmasını sağlar.

Profesyonel yayıncılık tipografisi ligatürleri (harf birleştirmeleri) sıkça kullanır; harf tırnakları arasındaki estetik çakışmaları önlemek için bitişik karakterler tek bir görsel glifte birleştirilir ('fi', 'fl', 'ffi', 'ffl' ve 'st' gibi). Optimize edilmemiş metin çıkarıcılarda 'financial' kelimesini kopyalamak 'nancial' veya 'fi nancial' gibi hatalara yol açar çünkü ligatür glifinin doğrudan birebir ASCII karşılığı yoktur.

Motorumuz otomatik ligatür ayrıştırma özelliğine sahiptir. Bileşik Unicode karakterlerini ('fi' için `U+FB01`, 'fl' için `U+FB02`) tespit eder ve bunları tekil bileşenlerine ('f' + 'i') genişletir. Dahası motor, sözcükler arası uzamsal mesafeleri yazı tipi ilerleme genişliği metrikleriyle (`wx`) karşılaştırır, yalnızca gerçek sözcük ayrımlarının bulunduğu yerlere gerçek boşluk karakterleri ekler ve satır sonlarındaki yumuşak tireleme işaretlerini temizler.

Akademik dergi makaleleri, gazete mizanpajları veya kurumsal bilançolar gibi çok sütunlu karmaşık belgelerden metin çıkarmak ciddi mizanpaj zorlukları doğurur. Bir yazılım metni sayfa boyunca soldan sağa körü körüne okursa, sütun sınırlarını ihlal eder ve Sütun 1 cümlelerini doğrudan Sütun 2 cümlelerine bağlayarak anlamsız bir metin karmaşası yaratır.

Geliştirdiğimiz motor özyinelemeli XY-Cut uzamsal kümeleme algoritmalarından yararlanır. Her metin bloğunun iki boyutlu sınırlayıcı kutu koordinatlarını analiz eder, sütunlar arasındaki dikey boşluk oluklarını saptar ve sayfayı bağımsız okuma akış bölgelerine ayırır. Sütun 2'ye geçmeden önce Sütun 1'i yukarıdan aşağıya tarayarak Doğal Dil İşleme (NLP) ve LLM özetleme modelleri için doğal anlamsal sürekliliği eksiksiz korur.

Otomatik metin ayıklamaya en sık ihtiyaç duyan belgeler son derece hassas kurumsal kayıtlardır: Üç aylık mali raporlar, yönetim kurulu tutanakları, gizlilik anlaşmaları, dava celpleri ve gizli çalışan özlük dosyaları. Bu tescilli belgeleri genel bulut dönüştürme API'lerine yüklemek, kurumsal veri yerleşimi politikalarını ihlal eder ve kuruluşları ağır veri sızıntısı sorumluluklarına maruz bırakır.

PDF'den Metin Çıkarma aracımız tavizsiz istemci taraflı veri egemenliğiyle çalışır. Saf WebAssembly ve yalıtılmış Web Workers tarafından desteklenen tüm PDF ayrıştırma, CMap çözümleme ve metin akışı oluşturma işlemleri kesinlikle yerel tarayıcı sekmenizde yürütülür. Dosyalarınız harici bulut sunucularına asla temas etmez veya genel ağlar üzerinden iletilmez.

Farklı veri mühendisliği iş akışları farklı veri formatları gerektirir. İnsan okuyucular ve temel arama dizinleyicileri doğal paragraf sonlarına sahip temiz, biçimlendirilmiş bir düz metin (`.txt`) dosyasını tercih ederken, makine öğrenimi işlem hatları yapısal meta verilere ihtiyaç duyar.

Aracımız her iki dışa aktarma modunu da destekler: Anında okuma için temiz UTF-8 düz metin indirin veya tam sayfa numaraları, satır sınırlayıcı kutuları `[x, y, width, height]`, yazı tipi ailesi adları, yazı tipi boyutu metrikleri ve okuma sırası indeksleri içeren makine tarafından okunabilir bir JSON hiyerarşisi dışa aktararak kurumsal ETL işlem hatlarına programatik entegrasyon sağlayın.