Taranmış PDF neden bu kadar büyük

Kelime işlemcide yazılıp PDF'e aktarılan beş sayfalık bir yazı genellikle 200 KB'ın altındadır. Aynı beş sayfa yazdırılıp imzalanıp geri tarandığında rahatlıkla 15 MB olur — tam olarak aynı kelimeleri içeren bir belge için yetmiş beş kat fazla. Ortada bir arıza yok; iki dosya aynı türden nesne değil, o kadar. Biri metin komutları ve bir yazı tipi içerir. Diğeri kâğıdın beş fotoğrafını içerir. Taramayı bir belge değil bir fotoğraf albümü olarak gördüğünüz anda davranışının her parçası öngörülebilir hale gelir: neden devasa olduğu, neden içinde arama yapamadığınız, Word'e çevirince neden hiçbir şey çıkmadığı ve neden sahip olduğunuz her dosyadan daha iyi sıkıştığı.

Megabaytlar nereden geliyor

Üç tarayıcı ayarı birbiriyle çarpılır. İlki çözünürlük: inç başına 300 nokta ile taranan bir A4 sayfası kabaca 2480'e 3508 piksel, yani yaklaşık 8,7 milyon pikseldir. 600 dpi'ye çıkın, sayı 35 milyona yaklaşır — hiçbir ekranın göstermeyeceği ve sıradan metin için hiçbir yazıcının ihtiyaç duymadığı ayrıntı için dört kat veri. İkincisi renk derinliği: tam renk piksel başına üç değer, gri tonlama bir değer, saf siyah-beyaz ise tek bit saklar. Beyaz kâğıt üstüne siyah mürekkeple yazılmış bir sayfayı renkli taramak, sıkıştırmadan önceki ham veriyi üçe katlar ve karşılığında size kâğıdın olduğu yerde soluk bir bej tondan başka bir şey vermez. Üçüncüsü tarayıcının seçtiği kodlamadır: sayfaları kayıpsız saklıyorsa her toz zerresi ve her kâğıt lifi bayt bayt korunur ve kâğıdın gürültüsü dosyanızın büyük bir bölümü haline gelir.

Kâğıt dokusunun bedeli

Bu son nokta insanları şaşırtır. Sıkıştırma tekrar bularak çalışır ve tertemiz bir beyaz alan neredeyse hiç yer kaplamaz. Ama taranmış beyaz bir sayfa beyaz değildir: kâğıt dokusu, lamba dalgalanması ve sensör gürültüsünün ürettiği, birbirinden azıcık farklı binlerce kırık beyaz tondur. Kayıpsız bir sıkıştırıcı için bu alan öngörülemez ayrıntıdır ve olduğu gibi korunmak zorundadır; yani bomboş bir sayfa gerçek megabaytlara mal olur. Renkli yerine gri tonlamada taramak yardım eder; çoğu sürücünün sunduğu metin ya da moiré giderme kipinde taramak daha çok yardım eder, çünkü bu kipler sayfa kodlanmadan önce beyaza yakın değerleri beyaza düzler. Boş bir sayfanın taramasının neden kırk sayfalık bir metin belgesinden büyük olduğunu merak ettiyseniz, cevabı budur.

İçinde neden arama yapamıyorsunuz

Taranmış sayfada metin katmanı hiç yoktur. Harf de yoktur, karakter kodu da — yalnızca harf biçiminde görünen pikseller vardır. Okuyucunuzun arama işlevi hiçbir şey bulmaz, kopyala düğmesi hiçbir şey seçmez ve bir PDF-Word çeviricisi dürüstçe boş bir belge üretir. Metin eklemenin tek yolu, pikselleri inceleyip karakter tahmin eden optik karakter tanımadır. Güncel OCR temiz, düz ve basılı sayfalarda iyidir; el yazısında, soluk kopyalarda, kaşelerde, tablolarda ve açıyla çekilmiş her şeyde güvenilmezdir. Üstelik sessizce hata yapar: kendinden emin yanlış bir karakter, doğrusuyla birebir aynı görünür. Bu yüzden önemli bir belgede OCR çıktısı, kurtarılmış metin değil, okunup düzeltilecek bir taslaktır.

Size gelmiş bir dosyayı kurtarmak

Başkasının belgesini genellikle yeniden tarayamazsınız; dolayısıyla pratik çözüm yeniden kodlamadır. Sıkıştırmanın parladığı durum tam da budur, çünkü tarama saf görsel veridir ve bir sıkıştırıcının işleyebileceği şey de tam olarak görsel veridir. Kendi ölçümümüzde on iki sayfalık taranmış bir belge 17,69 MB'tan 1,49 MB'a indi — yüzde 91,6 — ve ekranda kusursuz okunur kaldı. Bu tür bir sonuç taramalarda normaldir ve metin belgelerinde erişilemezdir, çünkü onların verecek benzer bir şeyi yoktur. Sonuca küçük resimden değil tam yakınlaştırmada bakın ve özellikle sayfadaki en küçük işaretlere odaklanın: bir imza, bir kaşe, bir dipnot, elle düşülmüş bir not. Onlar ayakta kaldıysa dosya iyidir.

Tarayıcıda doğru ayarlar

Tarama sizinse önemli ayarlar sadedir. Sonradan büyütmeniz ya da OCR'a sokmanız muhtemel belgeler için 300 dpi, gündelik evrak için 200 dpi kullanın; 600 dpi fotoğraflar ve ince çizimler içindir, imzalı bir fatura için değil. Renk bilgi taşımıyorsa — renkli bir kaşe, işaretlenmiş bir madde, bir grafik — gri tonlama seçin. Sürücü size seçenek sunuyorsa sayfaları kayıpsız yerine PDF içinde JPEG olarak kaydettirin ve varsa otomatik eğrilik düzeltme ile boş sayfa atlama özelliklerini açın. Telefon kamerası acil durumda meşru bir tarayıcıdır, ama sayfayı düz, dengeli ışıkta ve kareyi dolduracak biçimde çekin; düz kamera yerine perspektifi düzelten bir tarama uygulaması kullanın, çünkü açıyla çekilmiş bir sayfa hem OCR'ı yener hem özensiz durur.

Büyük olmanın doğru cevap olduğu durumlar

Her büyük tarama bir hata değildir. El yazmalarının, projelerin, tıbbi görüntülerin ve hukuki ağırlığı olan her şeyin arşivlenmesi bilerek yüksek çözünürlükte, renkli ve kayıpsız yapılır; çünkü bugün atılan bilgi yarın geri getirilemez. Yol gösterici soru şudur: bu dosyayı kim okuyacak ve ne kadar yaşaması gerekiyor? Bu öğleden sonra bir meslektaşa gönderilen tarama küçük ve okunur olmalıdır. Otuz yıl saklanacak bir tapu taraması büyük ve sadık olmalı, e-postayla göndereceğiniz kopya ise arşivin kendisi değil, ondan üretilmiş sıkıştırılmış bir türevi olmalıdır. Belge hak ediyorsa ikisini birden tutmak biraz disk alanına mal olur ve konuyu kalıcı olarak kapatır.

Herhangi bir dosyayı hızlıca teşhis etmek

Elinizdeki PDF'in hangi türden olduğundan emin değilseniz, beş saniyelik iki test cevabı verir. İmleçle bir cümle seçmeye çalışın: bütün sayfa tek blok halinde seçiliyorsa o bir görüntüdür ve elinizde tarama var. Sonra boyutu sayfa sayısıyla karşılaştırın — sayfa başına yaklaşık yarım megabaytın üstündeki her belge istisnasız denecek kadar görsel ağırlıklıdır. Bu iki kontrol size sıkıştırmanın çarpıcı bir fayda sağlayıp sağlamayacağını, metin çıkarmanın hiç işe yarayıp yaramayacağını ve aslında göndericiden özgün dijital dosyayı istemeniz gerekip gerekmediğini anında söyler; ki sonuncusu çoğu zaman hepsinden hızlı çözümdür.