Taranmış Belgelerden Aranabilir PDF Arşivi Oluşturma Rehberi

Giriş

Dijital dönüşümün en kritik alanlarından biri, kağıt belgelerin arama yapılabilir hâle getirilmesidir. Özellikle hukuk, eğitim ve kamu kurumları, yılda 10.000'den fazla taranmış belgeyle çalışır ve bu belgelerin içeriğine ulaşmak saatler sürebilir. Bu rehberde, optik karakter tanıma (OCR) teknolojisini kullanarak taranmış belgelerden tam metinli PDF arşivi oluşturma sürecini adım adım inceleyeceğiz.

1. Hazırlık Aşaması

1.1. Belgelerin Toplanması ve Sıralanması

1. Belge Tipini Belirleyin – Faturalar, sözleşmeler, raporlar vb. farklı tiplerdeki belgeler ayrı klasörlerde tutulmalı.
2. Fiziksel Durumu Kontrol Edin – Yıpranmış, kırık sayfalar varsa, tarama öncesi onarım yapılmalı.
3. Dosya Adı Standartları Oluşturun – Örneğin `YYYYMMDD_DocumentType_Seq.pdf` formatı, ileride otomatik sınıflandırma için kritik.

1.2. Donanım ve Yazılım Seçimi

Yukarıdaki tablo, orta ölçekli bir ofis için yeterli bir başlangıç seti sunar. Daha düşük bütçeli çözümler için Tesseract OCR (açık kaynak) ve LibreOffice Draw kullanılabilir.

2. Tarama Süreci

2.1. Tarama Ayarları

• **Çözünürlük:** 300 DPI (optik karakter tanıma için minimum tavsiye). Yüksek kaliteli renkli belgeler için 400 DPI tercih edilebilir.
• **Renk Modu:** Metin ağırlıklı belgeler için **Grayscale**, fotoğraf içeren belgeler için **RGB**.
• **Dosya Formatı:** İlk tarama **TIFF** olarak yapılmalı; ardından OCR sonrası **PDF/A-2b** standartına dönüştürülür.

2.2. Otomatik Tarama ve Dosyalama

Taranacak belgeler ADF (Automatic Document Feeder) destekli tarayıcıya yerleştirildikten sonra, aşağıdaki komut satırı scripti ile toplu tarama yapılabilir (Windows PowerShell örneği):

```powershell

$scanner = "\\?\usb#vid_04c8&pid_2002&mi_00#6&1a2b3c4d&0&0000#{e5323777-f976-4f5b-9b55-b94699c46e44}"

$dest = "C:\Scans\"

for ($i=1; $i -le 500; $i++) {

$outfile = "${dest}scan_${i}.tif"

& "C:\Program Files\ScanSnap\ScanSnap.exe" /device $scanner /resolution 300 /mode Gray /output $outfile

}

```

Bu script, 500 sayfalık bir paket için otomatik olarak TIFF dosyaları oluşturur.

3. OCR İşlemi

3.1. ABBYY FineReader ile Toplu OCR

1. Yeni Proje Oluşturun – `File > New Project`.
2. Kaynak Dosyaları Ekleyin – `Add Files` ile oluşturulan TIFF klasörünü seçin.
3. Dil Seçimi – `Turkish` ve gerekiyorsa `English` dillerini ekleyin; çok dilli belgeler için bu adım kritik.
4. Çıktı Formatı – `PDF/A-2b` seçin ve `Searchable PDF` seçeneğini aktif edin.
5. Batch Processing – `Batch` sekmesinden `Start` butonuna basarak tüm dosyalar işlenir.

3.2. Tesseract ile Komut Satırı OCR

Açık kaynak tercih edenler için aşağıdaki bash scripti örnek olarak kullanılabilir:

```bash

#!/bin/bash

INPUT_DIR="/home/user/scans"

OUTPUT_DIR="/home/user/pdf"

mkdir -p $OUTPUT_DIR

for file in $INPUT_DIR/*.tif; do

base=$(basename "$file" .tif)

tesseract "$file" "$OUTPUT_DIR/${base}" -l tur+eng pdf

done

```

Bu script, her TIFF dosyasını PDF formatına dönüştürür ve hem Türkçe hem İngilizce karakter tanıma yapar.

4. PDF Dosyalarının Optimize Edilmesi

4.1. Boyut Azaltma

PDF dosyalarının ortalama boyutu 5 MB olabilir. Depolama ve ağ üzerinden erişim için PDFtk ile sıkıştırma yapılabilir:

```bash

pdfsizeopt input.pdf output_compressed.pdf

```

Bu komut, görselleri yeniden örnekleyerek dosya boyutunu %30‑%50 oranında düşürür.

4.2. Metaveri ve Etiketleme

Her PDF'e XMP metadata eklemek, ileride metadata tabanlı arama için faydalıdır. Örnek bir XMP bloğu:

```xml

xmlns:dc="http://purl.org/dc/elements/1.1/"

dc:title="Fatura 2024-03-15"

dc:creator="Şirket A"

dc:subject="Finans, Fatura"/>

```

Bu metadata, Adobe Bridge ve ExifTool gibi araçlarla PDF'e eklenebilir.

5. Arama ve İndeksleme

5.1. ElasticSearch + Apache Tika Entegrasyonu

1. Apache Tika ile PDF içeriğini çıkarın:

```bash

java -jar tika-app.jar -t document.pdf > document.txt

```

1. Elasticsearch'e gönderin (cURL örneği):

```bash

curl -X POST "localhost:9200/documents/_doc/1" -H 'Content-Type: application/json' -d'

{

"title": "Fatura 2024-03-15",

"content": "$(cat document.txt)",

"date": "2024-03-15",

"type": "Fatura"

}

'

```

Bu yapı, tam metin arama, filtreleme ve faceted navigation imkanı tanır.

5.2. Alternatif: Windows Search Indexer

Küçük ölçekli ofislerde, PDF'leri Windows Search Indexer ile indekslemek yeterli olabilir. Bunun için:

• **Denetim Masası > Indexing Options** → `Advanced` → `File Types` sekmesinde `pdf` seçeneğini işaretleyin.
• **PDF iFilter** (Adobe PDF iFilter) kurulumu yapılmalı.

6. Güvenlik ve Erişim Kontrolü

Bu adımlar, GDPR ve KVKK uyumluluğu için kritik.

7. Bakım ve Güncelleme

• **Aylık OCR Kalite Kontrolü:** %99,5 doğruluk hedefiyle rastgele 50 PDF kontrol edilmelidir.
• **Yedekleme:** Çift yönlü **3‑2‑1** stratejisi (lokal NAS, bulut (AWS S3), offline tape) önerilir.
• **Arşiv Yaşlandırma:** 5 yıldan eski PDF'ler **Glacier** gibi düşük maliyetli depolama katmanına taşınabilir.

8. Gerçek Dünya Örneği: Üniversite Kütüphanesi

İstanbul Teknik Üniversitesi Kütüphane Dairesi, 2023 yılında 12.000 taranmış tez belgesini ABBYY FineReader ile OCR'layıp, ElasticSearch üzerine indeksledi. Sonuçlar:

• **Arama Süresi:** Ortalama **0.3 saniye** (SQL tabanlı aramalara göre %85 daha hızlı).
• **Kullanıcı Memnuniyeti:** Anketlerde %92 oranında “belge bulma süresi azaldı” yanıtı alındı.
• **Depolama Tasarrufu:** PDF sıkıştırması sayesinde toplam depolama **1.8 TB**'dan **1.2 TB**'a düştü.

9. Sonuç ve Öneriler

Taranmış belgeleri aranabilir PDF arşivine dönüştürmek, sadece OCR ve PDF/A standartlarını uygulamakla kalmaz; aynı zamanda metaveri yönetimi, güvenlik, ve indeksleme süreçlerini de kapsar. Yukarıdaki adımları takip ederek, 6 ay içinde 10.000 belgeyi %99,5 doğrulukla arama yapılabilir hâle getirebilir ve yıllık 200 saat zaman tasarrufu sağlayabilirsiniz.

---

Kaynaklar

• ABBYY FineReader PDF 15 Kullanım Kılavuzu (2023)
• Apache Tika Documentation (v2.1)
• ElasticSearch Reference (7.17)
• KVKK Rehberi, Kişisel Verilerin Korunması Kanunu (2022)