OCR на смесено-езиков PDF: Проверявайте китайски, английски и числа поотделно

За да направите OCR на смесено-езиков PDF, идентифицирайте писмените знаци на страницата, изберете инструмент, който може да обработи PDF файла със съответните разпознавани езици, след което проверете извлечения текст спрямо изображението. Проверявайте китайския текст, английския текст, числата и връзките между етикетите поотделно. Намирането на английско заглавие в търсачката не ви казва дали китайският основен текст е бил разпознат.

Добавянето на друг език си струва да се тества, но не е автоматично подобрение. В нашия малък китайско-английски експеримент добавянето на английски коригира един английски етикет, но повреде китайско изречение, което конфигурацията само за китайски беше разпознала. Нито една от нашите две конфигурации на таблици не върна текст от обикновена таблица с черти.

Това не е присъда за многоезичния OCR като цяло. Това е причина да прецените резултата, от който се нуждаете, а не броя на избраните езици.

Първо разграничете липсващия текст от неправилния текст

Запазете оригиналния файл непроменен. На копие изберете изречение от представителна страница и го поставете в текстов редактор. Изпробвайте китайски и английски пасаж, а не само заглавието на документа.

Съществуващият текстов слой е от значение. Например, документацията за OCR на NAPS2 казва, че импортираните PDF страници, които вече съдържат текст, се оставят без промяна. Повторното импортиране на страница с лошо направен OCR следователно не е надежден метод за поправка в този работен процес.

Ако истинският проблем е ниска разделителна способност, извито или наклонено сканиране, коригирайте това, преди да тълкувате сравнението на езиковите настройки. Нашето по-обстойно ръководство за сканирани PDF файлове покрива тази подготовка и по-късните етапи на превод.

Изберете езици за разпознаване, а не целеви език за превод

Разпознаването отговаря на въпроса „какви знаци има на тази страница?“. Преводът отговаря на въпроса „как трябва да звучи това съдържание на друг език?“. Не изисквайте от OCR мълчаливо да опростява традиционен китайски, да превежда английски цитат или да пренаписва непознат идентификатор.

Направете кратък опис:

• Китайска писменост: опростена, традиционна или и двете, включително заглавия и бележки.
• Латински текст: английски изречения, имена на автори, препратки, съкращения и номера на модели.
• Контролирани стойности: дати, десетични запетаи, единици, отрицателни знаци, идентификатори и чувствителни към регистъра кодове.
• Региони: проза, таблици, надписи, бележки под линия или приложение на отделен език.

Например отчет на традиционен китайски може да съдържа английски резюме и препратки. Глава на опростен китайски може да включва таблица с A-01, 23.5, и °C. Нито едно от двете не трябва да се оценява чрез проверка само на най-дългия китайски параграф.

Tesseract предоставя отделни chi_sim, chi_tra, и eng модели в своето официално хранилище за модели. Неговата документация за команди поддържа комбинирани избори на езици и отбелязва, че редът на езиците може да повлияе на резултатите. Това са конфигурационни възможности, а не гаранции, че всеки допълнителен модел помага.

Ако вместо това вашият документ съдържа вертикални японски колони и фуригана, използвайте ръководството за японски вертикален OCR. Това е различен проблем с оформлението и анотацията, а не просто още едно квадратче за избор на език.

Използвайте работен процес, който действително приема PDF файлове

Десктоп вариант: NAPS2

NAPS2 предлага документиран начин за правене на сканирани PDF файлове търсима:

1. Импортирайте копие на файла и отворете неговите настройки за OCR.
2. Изтеглете езиците за разпознаване, необходими за документа.
3. Изберете Няколко езика и изберете съответните езици.
4. Активирайте OCR за търсене в PDF и запазете в нов файл.
5. Отворете отново този файл и сравнете копирания китайски, английски и цифров текст с видимата страница.

Изборът на множество езици се появява, след като бъдат изтеглени повече от един език. Тези стъпки следват официалното ръководство на NAPS2; не сме извършвали практически тест на NAPS2 за тази статия.

Път през командния ред: OCRmyPDF

За PDF само с изображения на опростен китайски/английски, пример, базиран на официалната документация, е:

ocrmypdf -l chi_sim+eng --output-type pdf \
  --sidecar recognized.txt input.pdf searchable.pdf

Инсталирайте необходимите езикови пакети първо. Използвайте chi_tra за тест с традиционен китайски, вместо да приемате, че скриптовете са взаимозаменяеми.

Ръководството на OCRmyPDF документира PDF файловете и изходите с придружаващ текст. Неговият придружаващ текст не е задължично целият документ: текстът на страници, които вече са имали текст, или страници, пропуснати по време на OCR, може да липсва. Проверете самия изходен PDF файл. Съществуващият неправилен OCR изисква целенасочен работен процес за повтаряне; не принуждавайте растеризирането на всяка страница, без да разбирате какво променя то.

Това е маршрут, базиран на документация, а не нашата измервана тестова среда. Тук не сме стартирали OCRmyPDF.

Обикновеният Tesseract се нуждае от рендирани страници

Не използвайте tesseract input.pdf ... така, сякаш е PDF четец. Tesseract не приема PDF входни данни, въпреки че може да генерира PDF изход. Tesseract.js има същото разграничение относно PDF входа: рендирайте страниците с PDF библиотека първо, след което разпознайте изображенията.

Това е пътят, използван за нашия експеримент по-долу. Той произвежда текст и TSV доказателства, а не тестван PDF с възможност за търсене.

Какво се случи в десет локални OCR извиквания

Създадохме тристраничен PDF файл само с изображения, съдържащ:

1. опростен китайски прозаичен текст с английски препратки, идентификатори, десетични дроби и единици;
2. съответстваща страница на традиционен китайски;
3. малка китайско-английска таблица с три реда с данни.

Текстът и стойностите са авторски учебни материали, а не клиентски файлове или реални измервания. Всяка целева проза съдържа 124 знака без интервали, включително 41 китайски символа. Таблицата съдържа 79 знака без интервали.

Изходните страници на PDF файла нямаха извличащ се текст. Рендирахме ги с помощта на Poppler 26.08.0 при 300 dpi, получавайки изображения с размери 1600×1000 пиксела. Размерът на шрифта беше 48 пиксела в Noto Sans CJK SC/TC Regular. Цялата пунктуация идваше от обикновените хоризонтални глифи на шрифтовете.

На 8 септември 2026 г. стартирахме Tesseract.js 7.0.0 с tesseract.js-core 7.0.0 локално на macOS ARM64. Официалните tessdata_fast модели бяха фиксирани към комит 87416418657359cb625c412a48b6e1d6d41c29bd. Всяко извикване използваше OEM 1 и PSM 6 – настройката за еднороден текстов блок, с едно и също изображение на страницата за всяко сравнение на езици.

Имаше четири езикови рецепти за всяка страница с проза и две за таблицата. И десетте извиквания завършиха; нито един резултат не беше отхвърлен и нито един параметър не беше настроен след виждане на изхода. Точните входни данни, хешове на моделите, версии и сурови резултати и инструкции за възпроизвеждане са налични.

Настройка може да коригира едно поле и да повреди друго

На традиционната страница, chi_traзапази всички 41 китайски знака подред, но все пак допусна грешки извън китайския. Например, промени английския етикет Document ID на Document 1ID и разчете погрешно символа за градус.

Добавянето на eng възстанови Document ID, но част от изречението за температура и маса се превърна в латиноподобни фрагменти:

Expected: 樣本溫度為 23.5 °C，質量為 1.08 kg。
Observed with chi_tra+eng: RA MEA 23.5°C > HBA 1.08 kg。

Числата оцеляха в този ред, докато заобикалящият ги китайски текст – не. Проверката само на 23.5 и 1.08 щеше да пропусне повредата.

Опростената страница показа различен компромис. Добавянето на английски възстанови BK-2026-A07, който изпълнението само на китайски беше върнало като BK-2026-AO7. Но също така промени 与 на 5 другаде. Визуално двусмисленият идентификатор O0I1-l остана грешен.

Следните диагностични данни показват защо не обявихме победител:

„Редакциите на китайска поредица“ сравняват само китайски идеограми. Тя не оценява английски език, пунктуация или интервали. „Намерените защитени низове“ е само проверка за наличие на предварително дефинираните идентификатори, числа, единици и референтни токени; тя не проверява тяхната позиция или взаимовръзка. Изходите само на английски език демонстрират капана: повечето защитени низове присъстваха, но нито един от китайските знаци не беше върнат.

Пълният CSV файл за сравнение също отчита разстояния на редактиране на целия текст. Сравнението прилага Unicode NFC и премахва интервалите; то не коригира пунктуацията, не променя малки/главни букви, не конвертира китайски скриптове и не пренарежда знаците. Обратното подреждане на езиците промени интервалите в тези прозаични изходи, но не и нормализираната последователност от знаци. Това наблюдение не е общо правило за езиковия ред.

Една празна таблица не е успешно извличане

И двете извиквания на таблици върнаха празен текст, въпреки че завършиха без грешка при изпълнението на OCR. Добавянето на китайски език не спаси фиксираната рецепта с еднакви блокове.

Не тествахме други режими на сегментиране, изрязвания на клетки или двигател за разпознаване на таблици. Следователно резултатът не показват, че Tesseract не може да чете таблици. Те показват, че промяната само на езика за разпознаване не реши този пример при използваните от нас настройки.

За истинска таблица се изисква пълната връзка Temperature → A-01 → 23.5 → °C, а не четири токена, намерени някъде на страницата. Ако изходът е празен или връзките не могат да бъдат проверени, спрете да го третирате като надежден транскрипт. Опитайте работен процес, съобразен с оформлението, или транскрибирайте необходимите клетки с справка към изображението.

Какво не може да установи този експеримент

Това са три чисти синтетични страници от едно семейство шрифтове, прегледани от един агент писател. Нямаше сляп преглед от човек, производствен документен корпус или тест на размазани сканирания, ръкопис, сложни таблици, вертикален текст или исторически знаци.

Резултатите са полезни контрапримери на безусловното правило „добавете още езици“. Те не представляват класиране на двигатели, обща степен на точност или прогноза за вашия PDF файл. Това не беше тест на BookTranslator и изходният PDF файл само с изображения не е готов за четене OCR вариант.

Използвайте проверка за приемане от четири части на собствения си файл

Изтеглете празния лист за преглед. Изберете страница, която съдържа реалната трудност, след което добавете следните проверки, преди да обработите целия файл:

1. Китайски текст: сравнете цяло изречение, включително по-рядко срещани знаци и предвидените опростени/традиционни форми. Не нормализирайте мълчаливо грешен знак в този, който сте очаквали.
2. Английски език и идентификатори: инспектирайте имена на автори, препратки, съкращения, главни букви и сходни знаци като O/0 или I/l/1. Един непознат код не е дума за автокорекция.
3. Числа и единици: сравнете всяка стойност с нейния знак, десетична запетая, единица и етикет. 0.05 и 0.50 трябва да останат различни; разпознат 23.5 без правилната единица е непълен.
4. Връзки и пълнота: проверете дали всеки параграф или ред от таблица принадлежи там, където се очаква. Потвърдете, че надписите, бележките и малките откъси на втори език присъстват, а не само основният текст.

Запишете оригиналния текст, наблюдавания резултат, страницата/региона и необходимото действие. Когато дадена конфигурация подобри една проверка, но влоши друга, запазете и двете наблюдения. Не приемайте файла въз основа на един единствен резултат за увереност или среден брой знаци.

Разделете трите резултата: годни за употреба в този вид за конкретната ви цел, нуждаещи се от конкретни корекции или все още ненадеждни. Задачата за справка може да изисква само един проверен пасаж; пълното копие за четене изисква покритие на целия документ, а не само чиста заглавна страница.

Превеждайте едва след като разберете какво казва източникът

Ако търсенето и копируемият оригинален текст решават проблема ви, спрете дотам. OCR е свършил работата си; преводът е отделно решение.

Ако трябва да прочетете целия документ на друг език, запазете оригиналния сканиран и коригирания текст като справка, след което следвайте работния процес за превод на сканирани PDF файлове. За отговарящ на условията файл, PDF преводачът на BookTranslator може да бъде следващата стъпка. Неговият OCR режим реконструира преведено съдържание, вместо да обещава точно съответствие с оригиналното оформление на страницата; той не премахва необходимостта да проверите възстановения текст и връзките в таблиците.

След превода използвайте списъка за проверка на качеството при превод на PDF за да разграничите грешка при разпознаването на източника от грешка в превода или оформлението. Коригирането на грешния етап е начинът, по който една четима грешка оцелява в крайния файл.