Извличане на текст от PDF срещу OCR: Изберете правилния подход преди превод

Използвайте извличане на текст, когато даден PDF вече съдържа надежден машиночетим текст. Използвайте OCR, когато страницата съдържа само изображение на текст. Ако страницата има съществуващ текстов слой, който е грешен, нито едно от двете правила не е достатъчно: трябва да сравните извлечените думи с видимата страница, преди да решите дали да запазите, замените или преработите този слой.

Това решение трябва да се вземе преди превода. Преводаческият инструмент не може да възстанови количество, име или изречение, което е постъпило неправилно в работния процес. Той може единствено да преведе изходния текст, който получава.

Таблица за бързо вземане на решение

Тествайте отделните страници, а не само файловете като цяло. Един-единствен PDF файл може да съчетава изцяло цифрова заглавна страница, сканирани глави и вмъкнати страници със стар OCR слой.

Възможността за селектиране на думи е само доказателство, че съществува текстов обект. Тя не доказва, че текстът съвпада със страницата. Обратно, неуспешният опит за копиране не означава непременно, че целият PDF файл съдържа единствено изображения.

Нашият тест със смесен PDF файл от четири страници

Създадохме PDF файл от четири страници за изтегляне с предварително дефинирано съдържание. Той не съдържа поверителни документи или материали на трети страни:

1. изцяло дигитално генерирана страница;
2. страница, съдържаща само изображение;
3. страница тип сканирано копие с правилен скрит текстов слой;
4. страница тип сканирано копие с умишлено подведен, неточен скрит текстов слой.

За всяка страница стартирахме Poppler pdftotext върху съществуващите PDF данни. Отделно рендирахме страницата при 300 dpi и приложихме Tesseract върху това изображение. Видимият референтен образец беше установен преди двата теста.

Въпросът не е, че Tesseract винаги побеждава. В този чист примерен файл на английски се справи отлично, защото изградихме страницата така, че да изолираме конкретното решение. При зашумени сканирания, редки писмени системи, таблици, ръкописен текст или сложни оформления новият OCR може да се провали по съвсем различни начини.

Пълните резултати по страници, таблицата за вземане на решения, бележките за възпроизвежданеи генераторът са налични с тестовия файл. На 21 септември 2026 г. записаните версии бяха Poppler pdftotext 26.08.0 и Tesseract 5.5.3.

Какво доказва тестът — и какво не доказва

Той доказва, че четири визуално четливи страници могат да изискват три различни подхода преди превод. Доказва също, че текстът с възможност за търсене може да се различава от страницата, макар и да изглежда правдоподобен.

Той не измерва общата точност на OCR, достъпността за читатели, възстановяването на таблици, многоезичното разпознаване или поведението при качване в BookTranslator. Страниците са прости, а грешките на четвърта страница бяха вмъкнати умишлено; Tesseract не ги е създал.

Защо извличането и OCR са различни операции

Извличането на текст чете текстови обекти, които вече са съхранени в PDF файла. OCR разпознава символи в пиксели. Актуалното ръководство за извличане на pypdf очертава същата граница: pypdf може да чете съществуващ текстов слой, но не може да разпознава думи вътре в изображение.

Тази разлика има значение, тъй като цифровият PDF може да съдържа информация, която растеризирането премахва или прави по-трудна за възстановяване: кодиране на символи, информация за шрифтове, връзки, векторна графика и други документни обекти. pypdf изрично препоръчва да не се подхожда към OCR като универсален път за файлове, създадени дигитално. В него се обяснява и друго ограничение: PDF обикновено съхранява текста с цел визуално разположение, а не като семантични абзаци, таблици или заглавия.

Затова в предварителната проверка влизат два независими въпроса:

1. Правилни ли са символите? Сравнете извлечените имена, числа, пунктуация и непознати термини със страницата.
2. Използваема ли е структурата? Прочетете цял абзац, след което проверете колоните, бележките под линия, таблиците, надписите и границите на страниците.

Правилните символи в грешен ред все пак представляват компрометиран източник за превод.

Предварителна проверка страница по страница преди превод

1. Запазете оригинала

Запазете непроменен изходния файл и запишете неговия хеш, ако документът е важен. Правете експерименти върху копия. Замяната на несъвършен текстов слой може да слее векторното съдържание или да отхвърли информация, която по-късно ще ви потрябва.

2. Опишете видовете страници

Не взимайте решение само въз основа на първата страница. Прегледайте заглавната част, обикновените страници от основния текст, приложенията, таблиците, илюстрациите, вложките и всяка страница, която изглежда снимана или фотокопирана.

При дълъг документ отбележете диапазоните от страници:

CSV файлът за изтегляне използва същия модел за нашия примерен тест.

3. Сравнявайте трудни елементи, а не само лесен за четене текст

Гладко звучащите изречения не са надеждна проверка. Включете:

• лично име;
• дата и количество;
• идентификатор със смесени букви и цифри;
• текст с диакритични знаци или на нелатинска азбука;
• изречение, разделено от нов ред;
• пасаж близо до бележка под линия, илюстрация или втора колона.

Четвърта страница в нашия тестов файл би изглеждала използваема, ако проверката се ограничаваше само до обичайните думи. Грешките са концентрирани в O/0, 58/53, и 7.5/7.8— точно онзи тип токени, които могат да изопачат препратки и факти след превод.

4. Класифицирайте несигурността честно

Използвайте четири резултата: успешна извадка, неуспешна извадка, липса на извлекаем текст или все още нетествано. „Може да се маркира“ не е резултат. Нито пък „OCR завърши“.

Вземането на извадки има своите граници. Успешното преминаване на три страници не гарантира качеството на книга от 400 страници, особено когато файлът съдържа различни сканирания или оформления. Увеличете обхвата на проверката на местата, където източникът се променя.

Изберете режим на OCRmyPDF едва след диагностика

Актуалната документация на OCRmyPDF описва няколко модела на поведение за страници, които вече съдържат текст. Това са решения за насочване на процеса, а не гаранции за качество.

• Поведение по подразбиране спира, когато дадена страница вече съдържа печатаем текст или скрит OCR слой, тъй като не може надеждно да определи кой от двата вида е открит.
• Пропускане на текст (Skip text) копира страниците, съдържащи текст, без модификация и прилага OCR върху останалите страници. Този режим е полезен за смесен файл само ако съществуващият текст е надежден.
• Повторен OCR (Redo OCR) премахва съществуващия непечатаем OCR текст и разпознава страницата отново, като същевременно изключва печатаемия векторен текст. Може да е подходящ за комбинация от цифрови и предварително обработени с OCR страници, но не може да идентифицира всяко историческо структуриране.
• Принудителен OCR (Force OCR) растеризира векторното съдържание и прилага OCR върху полученото изображение. Може да замени дефектен слой, но жертва информация и може да слее интерактивното съдържание.

Тези значения произлизат от документацията за грешки при съществуващ текстна OCRmyPDF 17.12.1. Прочетете документацията за инсталираната версия, преди да стартирате пакетна обработка. Името на даден флаг не е доказателство, че крайният резултат е запазил отметките, таговете, връзките, формулярите или достъпната структура.

В нашия тестов файл пропускането на текст би запазило умишлено сбъркания скрит текст на четвърта страница. Ето защо проверката чрез копиране и сравняване трябва да се извърши преди избора на пакетен режим.

Често срещани грешни стъпки

„Ако текстът може да се маркира, пропуснете OCR“

Четвърта страница опровергава това правило. Маркирането открива наличие, а не точност.

„Приложете OCR върху целия PDF за по-сигурно“

Това може да влоши качеството на чисти дигитални страници и да отхвърли полезни PDF обекти. Освен това създава по-голям обем за преглед, без автоматично да коригира семантичния ред на четене.

„Използвайте този резултат, който звучи по-гладко“

Гладкостта е опасна в този случай. Сравнявайте с видимата страница. Не позволявайте на езиков модел тихомълком да поправи някой идентификатор или числова стойност и след това да приемете този резултат за изходно доказателство.

„Една чиста страница е представителна за целия файл“

Смесените PDF файлове са често срещани: дигитална корица може да предшества сканирани глави или книга с възможност за търсене на текст може да съдържа вложки само с изображения. Записвайте решенията по диапазони от страници.

Критерии за готовност на PDF файла за превод

Преди да изпратите файла към работния процес за превод, изисквайте изпълнението на всичко изброено:

1. Всеки диапазон от страници е класифициран като дигитален, само с изображения или с вече наличен OCR.
2. Неуспешните съществуващи слоеве имат документиран план за замяна.
3. Имена, числа, идентификатори и непознати термини преминават успешно сравнението с оригинала на проверените примерни страници.
4. Редът на абзаците и колоните е четим в извлечения изходен текст.
5. Таблиците, фигурите, бележките под линия и формулите са или проверени, или изрично проследени като отделни елементи.
6. Оригиналният PDF остава наличен за сравнение след превода.

Използвайте отделното ръководство за диагностика при копиране и поставяне , когато PDF файл с наличен текст вече създава проблеми. Използвайте работния процес за сканирани PDF файлове , когато страниците съдържат само изображения, и ръководството за OCR на смесени езици , когато изборът на език е част от проблема.

Преведете проверения изходен текст, след което прегледайте резултата

Ако крайната цел е четене на цялостен документ на друг език, качете проверения PDF файл в PDF Translator. За сканирани страници или такива с много изображения режимът OCR на BookTranslator извлича разпознаваемото съдържание и изгражда наново чист преведен PDF файл; той не гарантира запазване на абсолютно същото първоначално оформление, шрифтове или размери на страниците, нито поправяне на всеки съществуващ скрит текстов слой.

Запазете описа на страниците и оригиналния файл. След превода повторете рисковите проверки върху целевия документ: имена, количества, идентификатори, обхват на страниците, ред на абзаците и всяка важна за вас структура. Контролният списък за проверка на качеството при превод на PDF обхваща тази финална фаза на приемане.

Основното правило е просто: извличайте това, което вече е надеждно, използвайте OCR само за онова, което изисква разпознаване, и заменяйте текстовия слой едва след като сте доказали, че е сгрешен.