PDF TXT Dönüştürücü

PDF'den Metin Çıkarma Nedir?

PDF'den metin çıkarma, bir belgenin metin içeriğini biçimlendirme, grafik veya yapısal öğeler olmadan saf haliyle elde etme işlemidir. Sonuç, yalnızca harfler, sayılar, noktalama işaretleri ve satır sonlarını içeren bir TXT dosyasıdır. Bu metin herhangi bir cihazda herhangi bir düzenleyicide açılabilir, analiz, dizinleme veya daha fazla işleme için kullanılabilir.

PDF (Portable Document Format), yazılım ve işletim sisteminden bağımsız olarak belgelerin tam görünümünü koruyarak değiş tokuş etmek için 1993'te Adobe tarafından geliştirildi. Format, PostScript sayfa tanımlama diline dayanır ve her öğe hakkında bilgi depolar: karakter koordinatları, yazı tipleri, renkler, görüntüler, vektör nesneleri. Bu nedenle PDF bilgisayar ekranlarında, tabletlerde, telefonlarda ve yazdırırken aynı görünür.

TXT (Plain Text), herhangi bir biçimlendirme içermeyen basit metin formatıdır. Dosya yalnızca belirli bir kodlamada bir karakter dizisi içerir. TXT, bilgisayar çağının şafağında ortaya çıktı ve metin bilgisi depolamanın evrensel bir yolu olmaya devam ediyor. Metin dosyaları her yerde okunabilir: sunucu komut satırlarında, Windows Not Defteri'nde, macOS metin düzenleyicilerinde, akıllı telefonlarda. Dosya boyutu minimum — yalnızca karakterlerin kendisi, meta veri yok.

PEREFILE hizmeti, PDF belge yapısını analiz eder, metin akışlarını çıkarır ve Türkçe ve diğer dillerin doğru görüntülenmesi için uygun UTF-8 kodlamasıyla bir metin dosyası oluşturur. Parola korumalı belgeler desteklenir — dönüştürme sırasında parolayı belirtmeniz yeterlidir.

PDF İçeride Nasıl Çalışır

PDF'nin iç yapısını anlamak, metin çıkarmanın neden önemsiz bir görev olmadığını açıklamaya yardımcı olur. PDF düzenleme için değil, belge görünümünün doğru yeniden üretimi için tasarlandı.

Akışlar ve Nesneler

Bir PDF dosyası, nesnelerin bir koleksiyonudur: yazı tipleri, görüntüler, metin akışları, grafik öğeleri. Her nesnenin benzersiz bir numarası vardır ve diğer nesnelere başvurabilir. Metin bir paragraf dizisi olarak değil, çizim komutları seti olarak depolanır: "X karakterini Z yazı tipini kullanarak Y konumuna yerleştir."

Basit "Merhaba" kelimesinin bir PDF içinde nasıl görünebileceğine örnek:

• Arial yazı tipi, boyut 12 ayarla
• İmleci (100, 700) koordinatlarına taşı
• "M" karakterini çiz
• İmleci 8 punto sağa taşı
• "e" karakterini çiz
• Ve her karakter için böyle devam

Kodlamalar ve Yazı Tipleri

Kodlama sistemi tarafından ek karmaşıklık yaratılır. PDF'de aynı karakter, gömülü yazı tipine bağlı olarak farklı sayısal kodlara sahip olabilir. Bazı belgeler yazı tipi alt kümeleri kullanır (yalnızca metinde görünen karakterler) ve bunların kodlamaları her dosya için benzersizdir. Metin çıkarma programı bu kodlamaları doğru yorumlamalıdır.