PDF'ten Metin Kopyalarken Neden Anlamsız Karakterler Çıkar? (Ve Nasıl Düzeltilir)

Equalang

Kısaca

Net görünen PDF'lerin /ToUnicode CMap tablosu eksik olduğunda neden kutucuklara veya anlamsız karakterlere dönüştüğünü, fontları 10 saniyede nasıl denetleyeceğinizi ve metni nasıl çıkaracağınızı öğrenin.

Anahtar sözcükler: pdf kopyala yapıştır bozuk karakter; pdf metin kopyalama anlamsız karakterler; toUnicode cmap eksik; pdffonts uni no; pdf bozuk metin düzeltme

Bir PDF ekranda son derece net görünmesine rağmen metin düzenleyicinize yapıştırdığınızda içi boş kutucuklara (``), anlamsız sembollere veya kaymış harflere (örneğin "Hello" ifadesinin "Khoor" haline gelmesi gibi) dönüşüyorsa, dosyanın gömülü font sözlüğünde geçerli bir /ToUnicode Karakter Eşleme Tablosu (CMap) eksiktir. PDF, kelime işlemci formatı değil, PostScript kökenli bir sayfa düzeni ve vektörel çizim formatı olduğundan, bir PDF görüntüleyicinin ekranda keskin harfler çizebilmesi için yalnızca glif kimliklerine (glyph ID) ve vektör sınır çizgilerine ihtiyacı vardır. Siz Ctrl+C veya Cmd+C tuşlarına basana kadar grafik motorunun, ekrandaki bir şeklin hangi Unicode karakterini ('A' için U+0041) temsil ettiğini bilmesine gerek yoktur. Bu eşleme tablosu eklenmediğinde, karıştırıldığında veya eski bir tarayıcının bıraktığı bozuk görünmez OCR katmanıyla engellendiğinde, panonuza okunabilir metin yerine ham glif dizinleri kopyalanır.

PDF İşleme (Rendering) ile Ctrl+C Nasıl Çalışır?

Gözlerinizin Adobe Acrobat veya Chrome'da bir paragrafı rahatça okuyabilmesine rağmen bilgisayarınızın tek bir kelimeyi bile kopyalayamaması ilk bakışta çelişkili görünür. Bu durum, PDF belirtiminde (ISO 32000-1:2008 Bölüm 9.10, Extraction of Text Content) sayfayı ekrana çizme ile metni panoya çıkarma işlemlerinin tamamen farklı iki veri yapısı kullanmasından kaynaklanır.

Bir PDF görüntüleyici ekranda metin oluştururken şu adımları izler:

  1. Sayfa içerik akışı (content stream), bir dizi karakter kodu / glif kimliği içeren çizim komutunu gönderir (örneğin <0001 0002 0003> Tj).
  2. PDF işleyicisi (renderer), gömülü alt küme font dosyasını açar ve #1, #2 ve #3 numaralı şekilleri arar.
  3. Bu kübik Bézier eğrilerini belirtilen kesin (x, y) koordinatlarına çizer. Grafik motoru çizim yaparken #1 numaralı şeklin 'T' harfi mi, bir integral işareti mi yoksa şirket logosu mu olduğuyla ilgilenmez.

Aynı satırı fareyle seçip Ctrl+C / Cmd+C bastığınızda ise işletim sisteminizin panosu vektörel eğrileri işleyemez. PDF görüntüleyicinin her dahili glif kimliğini standart bir Unicode kod noktasına dönüştürmesi gerekir:

[Ekranda İşleme (Rendering) Yolu]
Sayfa Akışı (<0001 0002 0003> Tj) ──► Gömülü Font Vektör Çizgileri ──► Ekranda Net Pikseller

[Pano Kopyala-Yapıştır Yolu]
Sayfa Akışı (<0001 0002 0003> Tj) ──► Fontun /ToUnicode CMap Tablosu ──► Unicode Metin (U+0054 "T"...)
                                            │
                                  (Eksik veya bozuksa)
                                            ▼
                             Anlamsız Karakterler / Kutucuklar ( ) / Kaymış Harfler

PDF'i oluşturan yazılım, dosya boyutunu küçültmek amacıyla fontu alt kümelemişse (subsetting) — yani yalnızca belgede geçen 42 benzersiz karakteri saklayıp belgedeki sırasına göre 1'den 42'ye kadar numaralandırmışsa — ve açık bir /ToUnicode akışı eklememişse, görüntüleyici tahmin yürütmek zorunda kalır. Ekranda 'T' harfini çizen #1 numaralı glif, panoya U+0001 (yazdırılamayan bir kontrol karakteri), içi boş kutucuk olarak görünen bir Özel Kullanım Alanı (PUA) değeri veya kaydırılmış bir ASCII kodu olarak aktarılır.

PDF'ten Kopyalanan Metnin Bozulmasının 3 Temel Nedeni

Panoya yapıştırılan metinlerdeki tüm bozulmalar aynı kaynaktan kaynaklanmaz. Metin düzenleyicinize ne tür bir çıktının yapıştırıldığına bakarak PDF'in hangi katmanının bozuk olduğunu anlayabilirsiniz:

Yapıştırdığınızda GörünenTipik ÖrnekPDF İçindeki Temel NedenOCR İçermeyen Dönüştürücüler Düzeltilebilir mi?
İçi boş kutucuklar, soru işaretleri veya kontrol karakterleriveyaGömülü alt küme fontu, ekli bir /ToUnicode CMap olmadan Identity-H veya özel numaralandırma kullanıyordur.Hayır. Karakter eşleme bilgisi dosya içinde mevcut değildir.
Sezar şifrelemesi gibi kaymış veya karışmış Latin harfleri"Hello" → "Khoor" veya "!#$%&"Glif dizinlerinin standart ASCII/Unicode'dan kaydırıldığı özel Type 1 / Type 3 kodlaması veya yayıncının kasıtlı yazı tipi gizleme (obfuscation) uygulaması.Hayır. Standart araçlar panonuzla aynı kaydırılmış tabloyu okur.
Kelimelerde eksik harf çiftleri veya garip semboller"efficient" → "ef cient" veya "ef?cient"Çok karakterli bir /ToUnicode kaydı olmadan standart dışı yuvalara eşlenmiş tipografik birleşik harfler (ligatürler) (fi, fl, ffi) veya TeX matematik sembolleri.Kısmen (yalnızca manuel bul ve değiştir ile).
Yanlış yazılmış harf çorbası (1lI0O ve rastgele noktalama işaretleri)"The result" → "Thc rcsult ~!"Taranmış bir PDF üzerindeki bozuk gizli OCR katmanı: Yıllar önce bir tarayıcı yetersiz bir OCR çalıştırmış ve net bir sayfa görüntüsünün arkasına görünmez bozuk metin yerleştirmiştir.Hayır. Eski katmanı temizleyip OCR'ı yeniden çalıştırmalısınız (--force-ocr).

1. Alt Kümeli (Subset) Fontlarda Eksik veya Bozuk /ToUnicode CMap Tabloları

Dosya boyutunu küçük tutmak için PDF oluşturan programlar neredeyse her zaman fontları alt küme (subset) olarak ekler (ABCDEF+TimesNewRoman), yani yalnızca sayfada kullanılan karakterleri dosyaya gömer. Eski LaTeX araç zincirleri (dvips / ps2pdf), CAD dışa aktarma yazılımları, eski sanal yazıcı sürücüleri ve içerik koruma amacıyla yayınlanan bazı akademik sistemler gliflere sırayla dahili kimlikler atar (0x0001, 0x0002...), kodlamayı Identity-H olarak ayarlar ve /ToUnicode sözlüğünü tamamen atlar.

Ham PDF nesne akışında sağlıklı bir font nesnesi ile bozuk bir font nesnesi arasındaki fark şudur:

% SAĞLIKLI FONT NESNESİ (Kopyala-yapıştır sorunsuz çalışır)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- Glif kimliklerini Unicode'a eşleyen geçerli bir CMap akışına işaret eder
>>
endobj

% BOZUK FONT NESNESİ (Kopyalama anlamsız karakterler üretir)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- Yalnızca ham dahili kimlikler, /ToUnicode kaydı YOK!
>>
endobj

2. Tipografik Birleşik Harfler (Ligatürler) ve Özel Matematik Sembol Kodlamaları

Özenli dizgilerde (özellikle LaTeX belgelerindeki Computer Modern fontunda) yan yana gelen f ve i harfleri tek bir tipografik glif (fi) olarak birleştirilir. Font, bu tekil glifi standart dışı bir yuvaya (örneğin 0x0C) eşlemişse ve çok karakterli bir /ToUnicode eşlemesi (<000C> <00660069>) tanımlamamışsa, "first" kelimesi kopyalandığında " rst" veya "?rst" olarak yapıştırılır. Aynı sorun, özel Type 1 matematik fontlarında saklanan Yunan harfleri, eksi işaretleri ve toplam sembollerinde de meydana gelir.

3. Net Bir Taramalı Sayfanın Arkasındaki Bozuk Görünmez OCR Katmanı

Arşiv belgelerinde veya taranmış kitaplarda ekranda gördüğünüz sayfa aslında yüksek çözünürlüklü bir bitmap görüntüsüdür (JPEG veya JBIG2). Belgeyi "aranabilir" hale getirmek için 10-15 yıl önceki tarayıcı yazılımları ilkel bir OCR işlemi uygulayarak görüntünün üzerine görünmez bir metin katmanı (oluşturma modu 3 Tr) yerleştirmiştir. O dönemin düşük tanıma başarısı nedeniyle bu görünmez katman yazım hatalarıyla ve anlamsız karakterlerle doludur; fareyle metni seçtiğinizde temiz bir tarama görüntüsü görürsünüz ancak kopyalanan veri arkadaki bozuk OCR katmanıdır.

10 Saniyede Teşhis: PDF'inizin Font Tablosunu Kontrol Edin

Farklı PDF okuyucuları veya çevrim içi dönüştürücüleri tek tek denemekle zaman kaybetmeden önce, /ToUnicode tablosunun gerçekten eksik olup olmadığını 10 saniyede tespit edebilirsiniz.

Yöntem A: Terminalde pdffonts Komutunu Çalıştırın (En Hızlısı)

Sisteminizde açık kaynaklı Poppler PDF işleme kütüphanesi kuruluysa (macOS'ta brew install poppler, Ubuntu/Debian'da sudo apt install poppler-utils), terminalde şu komutu çalıştırın:

pdffonts document.pdf

Çıktıdaki sub (alt kümeleme var mı) ve uni (/ToUnicode tablosu mevcut mu) sütunlarını inceleyin:

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes: Font bir /ToUnicode tablosu içeriyordur. Buna rağmen kopyalama bozuk çıkıyorsa tablo yanlış kod noktalarına yönlendirilmiştir (kasıtlı koruma) veya bozuk bir gizli OCR katmanından seçim yapıyorsunuzdur.
  • sub = yes VE uni = no: Kesin kanıt. Font özel kodlamalı bir alt kümedir ve dosya içinde hiçbir Unicode eşleme verisi yoktur. Dünyadaki hiçbir standart PDF okuyucu veya OCR içermeyen dönüştürücü bu akıştan düzgün metin kopyalayamaz.

Yöntem B: Adobe Acrobat Reader'da Dosya > Özellikler > Yazı Tipleri Menüsünü İnceleyin

Grafik arayüz üzerinden kontrol etmek isterseniz:

  1. PDF'i Adobe Acrobat Reader ile açın.
  2. Ctrl+D (macOS'ta Cmd+D) tuşlarına basın veya Dosya > Özellikler menüsüne gidip Yazı Tipleri sekmesine tıklayın.
  3. Sorunlu sayfada kullanılan fontları genişletin. (Gömülü Alt Küme) olarak belirtilen bir fontta Kodlama: Özel (veya Encoding: Custom) ya da Identity-H görüyorsanız — özellikle Type 1, Type 3 veya CID fontlarının yanındaysa — panonuzdaki bozulmanın kaynağı neredeyse kesinlikle bu fonttur.

Bozuk Metin Nasıl Kurtarılır ve Temiz Şekilde Çıkarılır?

/ToUnicode tablosunun eksik olduğunu (uni = no) veya eski OCR katmanının bozuk olduğunu doğruladıktan sonra, klasik kopyala-yapıştır yöntemleriyle veya basit "PDF'ten Word'e" araçlarıyla uğraşmayı bırakın. Bu araçlar da panonuzla aynı hatalı font tablosunu okur. Düzgün metin elde etmek için PDF'in dahili karakter kodlarını atlayıp ekrandaki görsel şekilleri Optik Karakter Tanıma (OCR) ile okumanız gerekir.

1. Çözüm: Ekran OCR ile Kısa Bölümleri Anında Kopyalayın

Bozuk PDF'ten yalnızca birkaç paragrafa, bir tablo satırına veya bir alıntıya ihtiyacınız varsa:

  • macOS (Önizleme veya Canlı Metin / Live Text): İlgili bölümün ekran görüntüsünü alın (Cmd+Shift+4) ve Önizleme (Preview) uygulamasında açın. macOS Canlı Metin özelliği PDF'in font sözlüğünü tamamen göz ardı ederek doğrudan görsel pikseller üzerinden metin seçmenizi ve kopyalamanızı sağlar.
  • Windows (PowerToys Metin Ayıklayıcı): Win+Shift+T tuşlarına basarak PDF penceresindeki ilgili paragrafın üzerine bir seçim kutusu çizin; tanınan metin doğrudan panonuza kopyalanır.

2. Çözüm: Tüm PDF Metin Katmanını ocrmypdf --force-ocr ile Yeniden Oluşturun

Tüm sayfalarda Ctrl+C kısayolunun kusursuz çalıştığı, kalıcı ve aranabilir bir PDF elde etmek istiyorsanız ocrmypdf aracını --force-ocr parametresiyle kullanın. Standart OCR araçları zaten bir font akışı içeren sayfaları doğrudan atlar; --force-ocr ise vektör sayfayı 300 DPI çözünürlükte rasterleştirir, bozuk /ToUnicode eşlemesini (veya eski bozuk OCR katmanını) siler ve sıfırdan doğru bir Unicode metin katmanı gömer:

# ocrmypdf kurulumu (macOS / Ubuntu)
brew install ocrmypdf
# veya: sudo apt install ocrmypdf

# Bozuk font eşlemesini temiz bir Unicode katmanıyla zorla yenileyin
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

Belge birden fazla dil içeriyorsa (örneğin İngilizce ve Türkçe teknik bir kılavuz), ilgili Tesseract dil paketlerini açıkça belirtin (-l eng+tur).

3. Çözüm: Yabancı Akademik veya Teknik PDF'leri Kopyala-Yapıştır Yapmadan Çevirin

PDF'ten kopyalama yaparken karakterlerin bozulduğunu çoğu zaman iki sütunlu yabancı bir makaleden veya teknik kılavuzdan bir paragrafı kopyalayıp çeviri kutusuna yapıştırmaya çalışırken fark edersiniz.

Bozuk karakterlerle uğraşmak, kopuk ligatürleri elle düzeltmek veya sütunlara bölünmüş cümleleri birleştirmeye çalışmak yerine, PDF dosyasını doğrudan sayfa düzenini koruyan bir belge çevirisi iş akışına yükleyebilirsiniz. Örneğin Equalang Belge Çevirisi (ayrıntılar için PDF belgelerini yan yana çevirme ve okuma rehberini inceleyebilirsiniz). Sayfanın görsel düzenini analiz etmek eksik /ToUnicode tablolarını atlar, çok sütunlu sayfa yapılarını, tabloları ve formülleri korur ve çeviri panelinde orijinal sayfa ile çevrilmiş sayfayı yan yana okumanıza olanak tanır.

Bozuk PDF metinlerini tek tek kopyalamak yerine Equalang üzerinde çevrilmiş düzeniyle yan yana görüntülenen iki sütunlu İngilizce akademik PDF
Bir PDF'teki eksik /ToUnicode tablosu kopyalanan metni bozduğunda, tüm PDF düzenini doğrudan çevirmek manuel metin çıkarma zahmetini ortadan kaldırır

Sıkça Sorulan Sorular

PDF'i %400 yakınlaştırdığımda bile metinler son derece net görünürken neden kopyalandığında anlamsız karakterlere dönüşüyor?

Görsel netlik gömülü fonttaki vektörel glif sınır çizgilerinden (matematiksel eğriler) kaynaklanırken, kopyala-yapıştır işlemi karakter kodlarını Unicode'a dönüştüren ayrı bir karakter eşleme tablosuna (/ToUnicode CMap) dayanır. PDF görüntüleyici, şeklin hangi harfi temsil ettiğine dair hiçbir veriye sahip olmasa bile o şekli her ölçekte kusursuz çizebilir.

PDF şifresini veya izin kısıtlamalarını kaldırmak kopyalama bozulmasını çözer mi?

Hayır. PDF izin kısıtlamaları yalnızca menüdeki Kopyala seçeneğinin tıklanabilir olup olmadığını belirler. Metni fareyle seçebiliyor, Ctrl+C yapabiliyor ve panoya (kutucuk veya karışık harf dahi olsa) bir şeyler yapıştırabiliyorsanız izinlerde bir sorun yoktur. Sorun font nesnesindeki eksik veya bozuk /ToUnicode tablosudur.

PDF'i Microsoft Word ile açmak veya ücretsiz bir PDF-Word dönüştürücü kullanmak neden tamamen aynı anlamsız sembolleri üretir?

Hızlı çalışan PDF-Word dönüştürücülerinin çoğu optik karakter tanıma (OCR) çalıştırmaz; metin akışlarını doğrudan PDF'in dahili font sözlüklerinden çeker. pdffonts aracı uni = no bildiriyorsa karakter kimlikleri dosya içinde zaten kayıtlı değildir. Bu nedenle görsel OCR yapmayan her yazılım aynı bozuk sembolleri üretir.

Kaynaklar