Jak před překladem opravit konce řádků a dělení slov z OCR

Chcete-li opravit konce řádků z OCR, nejprve určete text, který patří do jednoho odstavce. Mezerami nahraďte pouze jeho nežádoucí konce řádků. U slova rozděleného přes dva řádky se samostatně rozhodněte, zda spojovník odstranit, nebo zachovat: trans- následované lation se změní na translation, ale well- následované known se změní na well-known. Veďte si záznam změn a nejistá spojení porovnávejte s původní stránkou.

Na celou knihu nikdy nepoužívejte hromadné příkazy typu „odstranit všechny konce řádků“ nebo „smazat všechny spojovníky“. Vyčištěný výňatek sice může působit plynuleji, ale zároveň může ztratit odstavec, sloučit dvě položky seznamu nebo změnit technický identifikátor. Cílem je spolehlivá kopie pro čtení či překlad – nikoli co nejmenší počet znaků nového řádku.

Tato příručka začíná až po rozpoznání textu. Pokud kopírování z PDF vrací špatná písmena nebo číslice, nejprve zanalyzujte jeho textovou vrstvu. Úprava konců řádků totiž nedokáže proměnit chybně rozpoznané B-2O4 na zamýšlené B-204.

Určete, co jednotlivé konce řádků představují

Původní sken a surový extrahovaný text ponechte beze změn. V pracovní kopii si zapněte zobrazení netisknutelných znaků nebo značek odstavců. Změňte šířku okna editoru: řádek, který se přizpůsobí bez uloženého znaku nového řádku, se pouze vizuálně zalamuje na obrazovce – zde není co mazat.

Uložené znaky nového řádku vyžadují jinou kontrolu. Porovnejte s předlohou jeden souvislý odstavec, nadpis, seznam i jakékoli výrazně odlišné rozvržení stránky. Neodvozujte strukturu celého dokumentu pouze z jeho titulní strany.

Prázdné řádky a odsazení mohou pomoci najít odstavce, ale slouží spíše jako vodítka než jako záruka. Za nadpisem nemusí být žádný prázdný řádek. Odsazený řádek může být pokračováním seznamu, nikoli novým odstavcem. Krátký řádek končící tečkou může být buď posledním řádkem odstavce, nebo větou uprostřed něj.

Pokud export z OCR poskytuje informace o rozvržení nebo blocích, při kontrole textu si je ponechte. Samotný export do prostého textu může zahodit důležité indicie potřebné k rekonstrukci těchto hranic.

Rozlišujte rozdělená slova od skutečných spojovníků

Tři vizuálně podobné případy vyžadují různé úpravy:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

Poslední řádek používá \u00AD , aby zviditelnil jinak špatně rozpoznatelný znak. Unicode rozlišuje U+00AD SOFT HYPHEN (měkké rozdělení), což je volitelná značka pro zalomení uvnitř slova, od viditelného spojovníku, jako je U+2010 HYPHEN. Nejedná se o zaměnitelné znaky. Specifikace zalamování řádků podle standardu Unicode popisuje také pravopisné změny v místě zalomení závislé na konkrétním jazyce; pouhé smazání viditelného spojovníku a spojení písmen proto ne vždy stačí.

U běžného textu může odstranění ověřeného volitelného rozdělovníku vytvořit dobře čitelnou kopii. U archivního přepisu si však originál ponechte odděleně: odstranění takové značky mění kódovaný text, i když slovo na pohled vypadá stejně.

K ověření zamýšleného pravopisu použijte slovník výchozího jazyka a poté se vraťte k dané pasáži. Slovníkové heslo slouží jako podpůrný důkaz, nikoli jako povolení přepsat vlastní jméno, identifikátor nebo historický pravopis. Pomoci může i opakovaný výskyt v dokumentu, ačkoli i chyba OCR se může opakovat zcela konzistentně.

Náš německý vzorový příklad vypadá takto:

Die Auf-
gabe ist klar.

Zamýšlené slovo v tomto vytvořeném příkladu je Aufgabe; Heslo ve slovníku Duden uvádí dělení slova jako Auf|ga|be. Spojení částí Auf- a gabe je zde zcela oprávněné. Tento jediný příklad však nepředstavuje obecné pravidlo pro odstraňování dělení slov v němčině a moderní slovníkový pravopis by neměl bez rozmyslu nahrazovat pravopis starších vydání.

K adresám URL, katalogovým kódům, chemickým názvům, záporným hodnotám a dalším technickým prvkům přistupujte jako k samostatným případům vyžadujícím kontrolu. Zda má pomlčka či spojovník zůstat zachován, se musí řídit předlohou a významem daného prvku, nikoli heuristikou odvozenou z běžných anglických slov.

Co ukazuje dvanáct kontrolovaných příkladů

Vytvořili jsme ukázku čištění textu ke stažení , která obsahuje dvanáct původních řetězců. Jejich zamýšlená slova i struktura byly pevně dány při jejich sepsání; poté jsme do nich vložili vybrané konce řádků a artefakty dělení slov. Jde o syntetické textové příklady, nikoli o přímý výstup z OCR enginu nebo ze skenů knihy.

Záměrně přímočaré, mechanické výchozí řešení provádí tři náhrady: odstraní spojovník následovaný koncem řádku, nahradí zbývající konce řádků mezerami a vymaže měkká rozdělovací znaménka. Druhý postup aplikuje pouze individuálně schválené změny na přesně určený text. Nijak se nepokouší automaticky rozpoznávat odstavce ani rozhodovat o pravopisu slov.

Dne 3. října 2026 přineslo spuštění testovací sady v prostředí Node.js 25.2.1 při použití naivního výchozího postupu text odpovídající referenčnímu vzoru u 4 z 12 příkladů. Schválený postup se shodoval se všemi dvanácti referencemi a pomocí funkce vrácení zpět obnovil všech dvanáct vstupů. Zároveň odmítl neaktuální vstupy, nejednoznačné shody i chybějící shody.

Tyto výsledky testují přesnou aplikaci záplat oproti známým autorským referencím. Neodhadují přesnost v reálném provozu: schválená rozhodnutí už odpovědi obsahují a korpus byl záměrně zvolen tak, aby odhalil problematické případy. Netestovali jsme žádný komerční čisticí nástroj, OCR engine, překladový model ani nahrávání do BookTranslator. Neproběhly žádné opakované pokusy ani vyřazení vzorků.

Stáhněte si skutečné vstupy/výstupy a protokol záplat a pokyny k reprodukci. JavaScript běží lokálně bez externích závislostí či síťových volání a vypisuje výsledky; nepřepisuje vaše soubory. Jeho kontroly chrání před aplikací schválené úpravy na jiný text. Nedokážou vám však říci, zda je úprava lingvisticky správná.

Čistěte text po jednotlivých ověřených blocích

Začněte krátkým blokem prózy, u kterého dokážete bezpečně určit pořadí čtení a hranice odstavců. Nezačínejte celou kapitolou, která obsahuje popisky, citace, seznamy a poznámky pod čarou.

1. Uložte si původní kopii a zaznamenejte umístění zdroje. U každé kontrolované pasáže si ponechte název souboru, číslo stránky, odstavec či blok a jazyk.
2. Nejprve označte strukturální hranice. Oddělte nadpisy, položky seznamu, verše, tabulky a kód od běžné prózy. Pokud později odstraníte značky stránek, uchovejte si odkazy na ně mimo text určený ke čtení.
3. Spojte běžné mezislovní zlomy uvnitř daného bloku. Každý potvrzený zlom nahraďte mezerou. Zkontrolujte, zda se slova nespojila do jednoho celku a zda ze stávající mezery nevznikla rušivá zdvojená mezera.
4. Rozdělená slova kontrolujte samostatně. Zobrazte si celý token i okolní větu. Zaznamenejte stav „odstranit typografický spojovník“, „ponechat skutečný spojovník“ nebo „nevyřešeno“. Nevyřešený případ nikdy nepovažujte za schválenou změnu.
5. Před schválením zkontrolujte rozdílový výstup (diff). Porovnejte každé odstraněné zalomení řádku nebo spojovník s originálem. Vyčištěnou verzi uložte pod novým názvem souboru spolu se záznamem provedených úprav.
6. Uložený výsledek znovu otevřete a kopírujte až z něj. Zkontrolujte skutečný soubor, který použijete, nikoli pouze náhled v editoru.

U krátkého úryvku mohou stačit ruční úpravy se sledováním změn nebo porovnání před a po. U delšího textu by měl seznam oprav zaznamenávat přesný původní podřetězec, náhradu, umístění, důvod a jméno kontrolora. Kontrolní součet zdrojového souboru pomáhá zabránit uplatnění starých schválení po změně vstupu.

Pokud váš editor nabízí režim čištění se zachováním odstavců, otestujte jej na problematických blocích – nikoli pouze na souvislém textu. Zachování dvojitých konců řádků neobnoví hranici odstavce, kterou OCR převedlo jako jediný konec řádku. Neodstraňujte odsazení ani neslučujte všechny mezery, dokud nezkontrolujete tabulky a kód.

Kdy se vrátit k naskenované stránce

Francouzská interpunkce názorně ukazuje, proč rozpoznání konce věty neznamená rozpoznání konce odstavce. V naší ukázce Il attend… a Le lendemain, il part. patří do samostatných odstavců. Samotná výpustka tuto hranici neurčuje. Doporučení úřadu Office québécois de la langue française k výpustkám (points de suspension) popisují použití zahrnující přerušení nebo nedokončenou myšlenku; při rozhodování, zda připojit následující řádek, se proto řiďte strukturou stránky.

U těchto případů zaveďte povinnou kontrolu podle zdrojového naskenovaného obrazu:

Pokud se stejný problém objevuje na několika stránkách, vyhledejte tento vzor v celém dokumentu a zkontrolujte nalezené shody. Jsou-li chybná zdrojová písmena, pořadí čtení nebo celé pasáže, zastavte normalizaci a vraťte se k rozpoznávání nebo extrakci. Pro rozpoznávání napříč více jazyky použijte samostatný postup OCR pro vícejazyčná PDF.

Před překladem ověřte vyčištěný zdrojový text

Porovnejte upravený blok s původní stránkou, poté zkontrolujte jiný blok a každý odlišný typ struktury přítomný v extrahovaném textu. Známé problematické případy ponechte v kontrolní sadě. Výběrová kontrola poskytuje důkazy pouze o ověřených pasážích; nezaručuje bezchybnost zbytku knihy.

• Ujistěte se, že jména, čísla, data a kódy stále odpovídají zdroji.
• Zkontrolujte každý odstraněný spojovník i veškerý pravopis rekonstruovaný přes zlom řádku.
• Porovnejte hranice odstavců, nadpisů, položek seznamů a veršů.
• Ověřte, že první a poslední řádky zůstaly při každém přechodu mezi stránkami zachovány.
• Vyhledejte nevyřešené problematické případy a ponechte je zaznamenané v protokolu revizí.
• Ujistěte se, že do další fáze postupu předáváte skutečně finální uloženou verzi.

Pokud jste potřebovali pouze prohledávatelný text nebo poznámky, může být tento ověřený výstup konečným cílem. K jeho opravě překlad nepotřebujete.

Pokud dokument potřebujete v jiném jazyce, připravte ověřený obsah v podporovaném formátu a použijte postup pro překlad celých dokumentů. Režim OCR v BookTranslatoru přetváří přeložené PDF z rozpoznaného obsahu, místo aby věrně kopíroval původní rozvržení stránky; neslouží jako externí editor pro čištění textu ani nezaručuje, že byl každý zlom ve zdroji interpretován správně. Další podrobnosti shrnuje průvodce skenovanými PDF vysvětluje, kdy je rozpoznávání potřeba.

Uchovejte si původní stránky i protokol o vyčištění pro závěrečnou kontrolu kvality překladu PDF. Plynulá cílová věta vám totiž neprozradí, zda měl zdrojový text obsahovat skutečný spojovník – nebo zda dvě zdánlivě souvislé věty původně netvořily samostatné odstavce.