Bir PDF Word dosyasına dönüşürken neler hayatta kalır

Nedenini anlamak hangi aracı seçeceğinizi ve ondan ne kadarını bekleyeceğinizi söyler.

PDF bir çıktıdır, belge değil

Bir PDF’in içinde duran şey, şu karakteri 72, 680 noktasına bas diyen uzun bir komut listesidir. Dosyanın hiçbir yerinde bir paragrafın nerede bittiği ya da hangi iki satırın bir tablonun aynı satırına ait olduğu kayıtlı değildir.

O bilgi, belge PDF olarak dışa aktarıldığı anda atılır; basılmış bir kâğıdın ona ihtiyaç duymaması gibi. Dolayısıyla geri getirmek bir dönüştürme değil yeniden kurmadır: özgün biçim, karakterlerin nereye oturduğundan çıkarsanır.

Bu tek cümle geri kalan her şeyi açıklar. Tablo, dönüştürücü onu yanlış okuduğu için değil, okunacak bir tablo hiç olmadığı ve yalnızca konumdan çıkarsanmak zorunda kalındığı için eğri çıkar.

Çıkarsanabilenler ve hiç var olmayanlar

Bu ikisini ayırmak neyin iyileşebileceğini, neyin iyileşemeyeceğini söyler.

• Çıkarsanabilir. Paragraf ayrımları, satır aralıklarından ve satırların nerede durduğundan. Tablolar, hücrelerin aşağı doğru hizalı kalıp kalmadığından. Başlıklar, gövde metninden büyük puntodan. Daha iyi algoritmalar bunları daha isabetli kılar.
• Doğrudan çıkarılabilir. Karakterlerin kendisi ve sayfaya basılmış her görsel ya da mühür. Bunlar dosyadaki gerçek nesnelerdir, tahmine gerek yoktur.
• Hiç kaydedilmemiş. Özgün belgenin hangi Word biçemini kullandığı, tablonun nerede birleştirilmiş hücresi olduğu, paragraflar arasında kaç punto boşluk bulunduğu. Hiçbir araç bunları üretemez.

Sayfa düzenini birebir yeniden üreten dönüştürücülere kuşkuyla bakın

Bazı araçlar çıktının özgünle piksel piksel örtüştüğünü söyler. Açtığınızda gerçekten de örtüşür. Sonra bir satırı düzenlersiniz ve belge dağılır.

Bunu başarmak, metni paragraflara değil sabit koordinatlara çivilenmiş yüzlerce metin kutusuna koymak demektir. Böyle kurulmuş bir belge özgüne benzer ama içinde çalışılamaz. Bir karakteri silin, yalnızca o kutu yeniden akar, çevresindeki her şey yerinde kalır.

Dönüştürme, düzenleyebilesiniz diye vardır. Düzenleyemediğiniz bir çıktı amacını yitirmiştir. Amaç birebir aynı görünmekse, en baştan dönüştürmek için bir sebep yoktu.

Tabloların yanlış çıkmasının gerçek nedeni

PDF’lerdeki tabloların çok sık hiç çizgisi olmaz. Olduğu yerde de o çizgiler metinden farklı bir katmana çizilmiştir ve sözcükleri çıkaran hiçbir şey onları göremez. Çizgi bulmaya dayanan yaklaşımların bu kadar sık başarısız olmasının nedeni budur.

Okunan şey bu yüzden konumdur: sol kenarı birkaç satır boyunca aynı yerde duran hücreler bir tablo sayılır. Yöntem en çok boş hücrelerde zayıflar. Boş bir hücre dosyada iz bırakmaz, o satır bir hücre eksikmiş gibi görünür ve sonrasındaki her şey bir kayar.

Birleştirilmiş hücrelerde de aynısı olur. Gözünüz kaynaşmış iki hücre görür; dosyada ise komşularından biraz daha solda oturan tek bir metin parçası vardır.

Taranmış bir PDF’i hiçbir araç dönüştüremez

Ofis tarayıcısının ürettiği bir PDF, sayfa başına tek bir fotoğraftır. Gözünüz harf görür, dosyada tek bir harf yoktur. Bu aracın sınırı değil, kaynaktaki bir yokluktur.

Optik karakter tanıma, resimden metin imal edebilir. Ama bu çıkarmak değil tanımaktır ve sıfırı O harfi diye okumak gibi hatalar karıştırır. Bir sözleşmede ya da teslim edilecek bir formda o tür hata pahalıya patlar. Belgeyi düzenleyen kurumdan özgün dosyayı istemek genelde daha hızlıdır.

Kısacası

Bir dönüştürücüye sorulacak soru ne kadar benzediği değil, çıkan şeyi düzenleyip düzenleyemediğinizdir. Sonuç kusursuz olmadığında ise, aracın sınırıyla biçimin sınırını ayırt edebilmek sizi boş yere araç değiştirmekten kurtarır.