PDF'den Metin Çıkar (Kopyala, TXT, Word)

Nasıl kullanılır?

1. PDF dosyasını kutuya bırakın ya da "PDF seç" ile açın. Birden fazla dosya seçerseniz her birinin metni, dosya adıyla ayrılmış olarak aynı sonuca eklenir.
2. İsterseniz sayfa aralığı yazın: "3" yalnızca üçüncü sayfayı, "2-5,9" ikiden beşe kadar olan sayfalarla dokuzuncu sayfayı, "10-" onuncu sayfadan sona kadar olan kısmı alır. Boş bırakırsanız belgenin tamamı okunur.
3. "Satırları paragraf halinde birleştir" seçeneği açıksa PDF'teki yapay satır sonları kaldırılır ve her paragraf tek satır olur; metni Word'e ya da bir yazışmaya yapıştıracaksanız bu daha kullanışlıdır. Şiir, tablo ya da kod gibi satır düzeni önemli içeriklerde kapatın.
4. "Metni çıkar" düğmesine basın. Sonuç kutusunda metin, altında kelime ve karakter sayısı görünür. "Kopyala" ile panoya alın, "TXT indir" ile düz metin dosyası, "Word (DOCX) indir" ile Word belgesi olarak kaydedin.
5. Metin boş çıkarsa belge büyük olasılıkla taranmış bir görüntüdür; araç bunu söyler ve sizi Resimden Yazıya (OCR) aracına yönlendirir.

PDF'den metin kopyalamak neden bu kadar zordur?

PDF bir "sayfa tarifi" biçimidir: içinde paragraf, cümle ya da kelime diye bir yapı yoktur; her harf grubunun sayfada hangi koordinata, hangi yazı tipiyle basılacağı yazar. Bu yüzden bir PDF okuyucuda metni seçip kopyaladığınızda her satırın sonunda bir satır sonu gelir, bazen kelimeler birbirine yapışır, bazen sütunlar birbirine karışır. Yazarın "paragraf" dediği şey, PDF'in gözünde yalnızca art arda gelen ve dikey mesafesi biraz daha fazla olan satırlardır.

Bu araç tam da bu boşluğu kapatmak için metin parçalarını sayfadaki konumlarına göre yeniden kurar. Aynı yükseklikteki (y koordinatı birbirine yakın) parçalar bir satır sayılır ve soldan sağa sıralanır; iki parça arasında yazı boyutuna göre anlamlı bir boşluk varsa araya boşluk karakteri konur. Satırlar arasındaki dikey mesafe normalin bir buçuk katını aşınca yeni bir paragraf başlar; yazı boyutundaki belirgin değişim de (başlık → gövde gibi) paragrafı ayırır. "Birleştir" seçeneği açıkken paragraftaki satırlar tek satırda toplanır ve satır sonunda bölünen kelimeler ("bilgi-" + "sayar") birleştirilir.

Dijital PDF ile taranmış PDF arasındaki fark

Bir PDF'in metninin çıkarılabilmesi için içinde gerçekten metin olması gerekir. Word, LibreOffice, InDesign ya da bir muhasebe programından "PDF olarak kaydet" ile üretilen belgeler dijitaldir: harfler yazı tipi ve karakter kodlarıyla saklanır, bu araç onları doğrudan okur. Tarayıcıdan ya da telefon kamerasından gelen PDF'ler ise sayfanın fotoğrafını taşır; içinde seçilebilir tek bir harf yoktur. Böyle bir dosyayı seçtiğinizde araç "seçilebilir metin yok" uyarısı verir ve OCR aracına yönlendirir. Orada sayfa görüntüleri tarayıcınızın içinde karakter tanımadan geçirilir; sonuç taramanın kalitesine bağlıdır ama yine de dosyanız bilgisayarınızdan çıkmaz.

Arada kalan bir durum da vardır: "aranabilir PDF" denen, taranmış görüntünün üstüne görünmez bir OCR katmanı eklenmiş belgeler. e-Devlet'ten indirilen bazı belgeler, kütüphane arşivleri ve fotokopi makinelerinin "OCR'lı tara" çıktıları böyledir. Bu dosyalarda araç görünmez katmanı okur; OCR'ın yaptığı tanıma hataları (0 yerine O, ı yerine i gibi) metne olduğu gibi yansır. Sonucu önemli bir yere taşımadan önce bir göz atmanızı öneririz.

Alıntı, çeviri ve arama için pratik kullanım

Akademik çalışmalarda bir makaleden alıntı yaparken PDF'ten kopyalanan metin satır sonlarıyla doludur; bu araçla sayfa aralığını girip yalnızca ilgili sayfayı paragraf halinde çıkarmak, elle düzeltme zahmetini ortadan kaldırır. Çeviri için de aynı şey geçerlidir: çeviri programları ve yapay zekâ araçları yapay satır sonlarını cümle sonu sanıp anlamı bozar; temiz paragraflar daha doğru çeviri verir. Uzun bir sözleşme, ihale şartnamesi ya da yönetmelikte belli bir ifadeyi ararken metni TXT olarak indirip herhangi bir editörde "Bul" yapmak, PDF okuyucunun sayfa sayfa gezen aramasından çok daha hızlıdır. Sayfa ayırıcılar açıkken hangi ifadenin kaçıncı sayfada geçtiğini de görürsünüz.

Kelime ve karakter sayısı, tercüme bürolarına fiyat sorarken, makale kelime sınırını kontrol ederken ya da bir sunumun süresini kestirirken işe yarar. Birden fazla PDF seçerek bir dosya kümesinin toplam kelime sayısını tek seferde öğrenebilirsiniz.

TXT mi, Word mü?

TXT en sade biçimdir: her program açar, dosya küçüktür, içinde biçim bilgisi yoktur. Araç TXT'yi UTF-8 ve "BOM" işaretiyle kaydeder; böylece Windows Not Defteri ve Excel, Türkçe karakterleri (ş, ğ, ı, İ) sorusuz doğru gösterir. Word (DOCX) çıktısında her paragraf ayrı bir Word paragrafı olur, sayfa ayırıcılar küçük başlığa dönüşür ve dosyayı doğrudan düzenlemeye başlayabilirsiniz. Bu araç bilerek yalnızca metni taşır: yazı tipi, kalınlık, tablolar ve görseller aktarılmaz. Belgenin görünümünü de korumak istiyorsanız PDF'den Word'e aracı başlıkları, kalın yazıyı ve isteğe bağlı olarak sayfa görüntülerini aktarır.

Neden Bilişim Ajans aracı?

• Dosya yüklenmez. Sözleşme, rapor, tez ya da tıbbi belge; metin çıkarma tamamen tarayıcınızın içinde olur, hiçbir sunucuya veri gitmez.
• Akıllı satır birleştirme. Satır sonları ve bölünmüş kelimeler koordinatlara göre birleştirilir; sayfa ayırıcı isteğe bağlıdır.
• Sayfa aralığı ve çoklu dosya. Yalnızca gereken sayfaları, birden fazla PDF'ten tek seferde çıkarın.
• Üç çıktı. Pano, BOM'lu TXT ve Word; kelime ve karakter sayısı anında görünür.
• Dürüst uyarı. Taranmış PDF'te sahte boş sonuç yerine açık bir mesaj ve OCR aracına bağlantı alırsınız.

Sık sorulan sorular

İlgili araçlar

• Resimden Yazıya (OCR)
• PDF'den Word'e
• PDF Karartma (Redaksiyon)

Kurumsal belge arşivinizi aranabilir hale getirmek ya da toplu dönüştürme için yazılım çözümü istiyorsanız Bilişim Ajans ekibi yardımcı olur.