Taranmış PDF'den Excel'e Veri Çıkarma: OCR Yöntemiyle Doğru Sonuç Almanın 5 Adımı

Taranmış PDF Neden Farklı Bir Sorun?

Bir PDF dosyasının içindeki metni seçip kopyalayabiliyorsanız, o belge dijital kaynaklıdır. Ancak fiziksel bir kağıdın tarayıcıdan geçirilmesiyle oluşturulan PDF, aslında bir görüntü dosyasından ibarettir. İçindeki tablo, rakamlar ve sütunlar bilgisayar için anlamsız piksellerden oluşur; standart bir "PDF'yi Excel'e çevir" komutu bu piksellere dokunamaz.

İşte bu yüzden eski arşiv belgeleri, elle imzalanmış formlar, fiziksel fatura kopyaları veya tarayıcıdan geçirilmiş raporlar ayrı bir yaklaşım gerektirir: OCR (Optical Character Recognition — Optik Karakter Tanıma).

OCR, görseldeki karakterleri tanıyarak makine tarafından okunabilir metne dönüştürür. Ancak tablolar söz konusu olduğunda yalnızca metni tanımak yetmez; hücre sınırlarını, sütun hizalamasını ve satır ilişkilerini de doğru yorumlamak gerekir.

Adım 1: Belgeyi OCR İçin Hazırlayın

OCR doğruluğu büyük ölçüde belge kalitesine bağlıdır. İşlemden önce şu kontrolleri yapın:

• Çözünürlük: En az 300 DPI tarama yapın. 150 DPI altındaki belgeler karakter karışıklığına yol açar.
• Eğrilik düzeltme: Kağıt tarayıcıya düz yerleştirilmemişse satırlar eğik çıkar. Görüntü düzenleme veya PDF araçlarıyla sayfayı PDF döndürme yöntemiyle hizalayabilirsiniz.
• Kontrast: Sararmış veya düşük kontrastlı belgeler için parlaklık/kontrast ayarı yapın.
• Boş sayfaları temizleyin: Çok sayfalı belgelerdeyseniz gereksiz sayfalar işlem süresini uzatır; boş sayfa silme aracıyla dosyayı kırpın.

Adım 2: Doğru OCR Yöntemini Seçin

Her OCR aracı tablo yapılarını aynı şekilde yorumlamaz. Yöntemler arasındaki fark kritiktir:

Geleneksel OCR Araçları

• Düz metin belgelerinde yeterince iyi çalışır.
• Birleştirilmiş hücreler, iç içe tablolar veya karmaşık sütun yapılarında çoğunlukla başarısız olur.
• Çıktı genellikle düzensiz bir metin yığınına dönüşür; Excel'e yapıştırdığınızda veriler tek sütuna yığılır.

AI Destekli Tablo Çıkarma

• Görüntüdeki tablo yapısını bağlamsal olarak yorumlar; sadece karakterleri değil, ilişkileri tanır.
• Birleşik hücreler ve alt başlıklar daha doğru biçimde ayrıştırılır.
• Eksik ya da okunamayan karakterler için öngörüye dayalı düzeltme yapılabilir.

Tablola'nın taranmış PDF'den Excel'e preset'i, bu iki yaklaşımı birleştirir: OCR katmanının üzerine AI tabanlı yapı yorumlaması ekler, böylece tablo bütünlüğü korunur.

Adım 3: Çok Sayfalı ve Karmaşık Yapıları Parçalara Bölün

Onlarca sayfadan oluşan taranmış raporlarda tüm belgeyi tek seferde işlemeye çalışmak hatalı sonuçlar üretebilir. Daha sağlıklı bir yaklaşım:

1. Belgede tablo içeren sayfaları önceden belirleyin.
2. Yalnızca bu sayfaları ayrı bir PDF olarak PDF bölme aracıyla ayırın.
3. Her bölümü ayrı ayrı işleyin; sonra tabloları tek Excel dosyasında birleştirin.

Bu yöntem hem OCR doğruluğunu artırır hem de olası hataları erken tespit etmenizi sağlar.

Adım 4: Çıktıyı Doğrulayın ve AI ile Temizleyin

OCR ne kadar iyi olursa olsun, taranmış belgelerden gelen verilerde küçük tutarsızlıklar kaçınılmazdır: 0 yerine O harfi, virgül yerine nokta, bozuk para birimi sembolleri gibi. Bu nedenle çıktıyı doğrudan kullanmadan önce şu adımları uygulayın:

• Sayısal sütunları kontrol edin; metin olarak yorumlanan rakamları biçim dönüşümüyle düzeltin.
• Boş kalan hücrelerin gerçekten boş mu olduğunu yoksa okuma hatası mı olduğunu teyit edin.
• Tarih formatlarını standartlaştırın (GG.AA.YYYY gibi).
• Tablola'nın AI sohbet arayüzünü kullanarak veriye doğrudan komut verin: "Para birimi sütunundaki nokta ve virgülleri standartlaştır" ya da "Boş satırları kaldır" gibi talimatlarla temizleme işlemini hızlandırabilirsiniz.

Adım 5: Tekrar Eden Belgeler İçin Preset Kurun

Aynı türde taranmış belgeyle (örneğin aylık gelen fiziksel faturalar veya arşivden çıkan stok formları) düzenli olarak çalışıyorsanız, her seferinde aynı adımları tekrarlamak gereksiz zaman kaybıdır.

Tablola'da bir fatura preset'i oluşturarak belge tipine özel çıkarma kurallarını, sütun eşleştirmelerini ve temizleme adımlarını bir kez tanımlayabilirsiniz. Sonraki belgelerde tek tıkla aynı sonucu alırsınız — OCR ayarlarını, sütun sıralamasını veya veri temizleme tercihlerini yeniden yapılandırmanıza gerek kalmaz.

Sık Yapılan Hatalar ve Kaçınma Yolları

• Düşük kaliteli tarama ile devam etmek: Kaynak görüntü bozuksa hiçbir OCR motoru mucize yaratamaz. Zaman kazanmak için kaliteyi feda etmek sonuçta daha fazla manuel düzeltme demektir.
• Sonucu doğrulamadan kullanmak: OCR çıktısını kontrol etmeden formüllere beslemek, hatalı analizlerin önünü açar.
• Her belge için sıfırdan başlamak: Tekrar eden belge türlerinde preset kullanmamak, kazanılabilecek zamanı boşa harcar.
• Karmaşık yapıyı tek parça işlemeye çalışmak: İç içe tablolar veya sütun birleştirmeleri olan sayfalarda bölümlere ayırarak çalışmak çok daha güvenilir sonuç verir.

Hangi Belge Türü İçin Bu Yöntem Doğru?

Bu adım adım yaklaşım özellikle şu durumlarda değer üretir:

• Fiziksel arşivden tarayıcıya çekilen eski faturalar, stok listeleri veya mali tablolar
• Elle doldurulan ve taranmış sipariş formları veya teslim tutanakları
• Kötü kaliteli kağıt kopyaları nedeniyle standart dönüştürme araçlarının başarısız olduğu belgeler
• Birden fazla tablosu olan çok sayfalı raporların belirli bölümleri

Eğer belgeniz zaten dijital kaynaklı bir PDF ise (yani içindeki metni seçebiliyorsanız), taranmış PDF akışına gerek yoktur — standart PDF'den Excel'e çevirme preset'i çok daha hızlı ve doğrudan sonuç verir.

Taranmış belgeler zahmetli görünebilir; ancak doğru hazırlık ve AI destekli çıkarma ile bu veri kaynağı da düzenli ve kullanılabilir bir Excel tablosuna dönüşür. Üstelik preset altyapısıyla bu süreci yalnızca bir kez kurmanız yeterlidir.