Kopírování z PDF vkládá špatný text? Nejprve diagnostikujte textovou vrstvu

Pokud PDF vypadá správně, ale vkládá nesprávný text, přestaňte vloženou verzi používat jako zdroj. Nejprve porovnejte krátký úsek s viditelnou stránkou: jméno, větu a číslo. Další krok závisí na tom, zda soubor neobsahuje žádný extrahovatelný text, má nesprávné mapování znaků, nepřesnou skrytou vrstvu OCR nebo problém s pořadím čtení. Spuštění OCR na celý dokument není správným prvním krokem pro všechny čtyři případy.

Nejnebezpečnější chybou není nesmyslná změť znaků. Je to text, který dává smysl: stránka, na které je uvedeno 18 sešitů , zatímco extrahovaný text říká 13 sešitů. Vytvořili jsme čtyři soubory PDF ke stažení, na kterých je tento rozdíl jasně patrný, aniž by bylo nutné používat něčí soukromé dokumenty.

Začněte krátkou kontrolou pomocí zkopírování a porovnání

Ponechte původní soubor beze změn a otevřete si pracovní kopii. Vložte jeden krátký výběr do editoru prostého textu a poté jej znak po znaku porovnejte se stránkou. Totéž zopakujte na jiné stránce a pokud je to možné, i v jiné čtečce PDF. Jedná se o diagnostickou kontrolu, nikoli o důkaz, že zbytek dokumentu je v pořádku.

Jde o vodítka, nikoli o způsob, jak z jediného příznaku určit vnitřní strukturu každého PDF. Pokyny společnosti Adobe pro opětovné použití obsahu rozlišují mezi čistě obrazovým obsahem a omezeními kopírování. Ani jedno by se nemělo automaticky považovat za poškozenou textovou vrstvu. Průvodce extrakcí v pypdf samostatně popisuje obrázky, extrakci textu i potíže s tabulkami a mezerami.

U dlouhé knihy nebo zprávy si poznamenejte číslo stránky v PDF, kde se jednotlivé problémy vyskytují. Bezproblémová titulní strana vám neřekne, zda se správně zkopíruje i příloha, naskenovaná vsadka nebo dvousloupcová kapitola.

Čtyři PDF: co stránka zobrazuje versus co extrakce vrátí

Naše testovací stránka obsahuje čtyři původní řádky, včetně:

Archiv obsahuje 18 sešitů.

Položka B-204 dorazila 6. května.

Vytvořili jsme jedno běžné digitální PDF a záměrně sestavili tři alternativy. Poté jsme z nich extrahovali text pomocí nástrojů Poppler a pypdf. Oba extraktory vrátily pro každý soubor v tomto testu stejný text.

Normálně vypadající digitální stránka se může zkopírovat chybně

První dva PDF soubory se v našem porovnání vykreslily pixel po pixelu identicky, přesto se jejich extrahovaný text lišil. Ve druhém souboru jsme záměrně změnili mapování ToUnicode : informaci sloužící k přiřazení uložených kódů znaků k textu v Unicode. Viditelná číslice zůstala 8, zatímco při extrakci se vrátilo 3. Tento mechanismus mapování popisuje dokumentace pypdf k CMap .

To ukazuje jeden možný mechanismus selhání, nikoli tvrzení, že každé poškozené PDF trpí stejnou vadou. Chybějící položka ToUnicode sama o sobě není naší diagnózou a ruční úprava mapování nepředstavuje univerzální řešení pro běžné čtenáře.

Prohledávatelný sken může obsahovat špatná slova

Třetí a čtvrté PDF se také vykreslily zcela totožně. Jedno obsahovalo chybný neviditelný text, druhé žádný. Ve třetím souboru extrakce bez varování změnila množství i datum. Kód B-2O4 obsahoval písmeno O, nikoli číslici 0 zobrazenou na obrázku.

Tyto chyby jsme vložili sami, abychom nasimulovali typ neshody, jaký může skrytá textová vrstva obsahovat. Nevytvořil je žádný OCR nástroj. Čtvrtý soubor ukazuje opačný stav: čitelný obrázek stránky, ze kterého tyto textové extraktory nemají co získat. To odpovídá zdokumentovanému omezení knihovny pypdf: extrahuje pouze existující text v PDF, nerozeznává slova uvnitř obrázků.

Co tento test dokazuje – a co ne

Dne 10. září 2026 jsme otestovali čtyři jednostránkové soubory pomocí knihoven Poppler 26.08.0 a pypdf 6.10.0. Vizuální porovnání proběhlo v Poppleru při 144 dpi. Shoda pixelů platila v rámci obou dvojic, nikoli napříč všemi čtyřmi soubory: obrazová dvojice totiž prošla dodatečným krokem vykreslování.

Jde o kontrolovanou ukázku, nikoli o srovnávací test přesnosti OCR. Netestuje vícejazyčné rozpoznávání, složitá rozvržení, opravy v Acrobatu, opravy přes OCRmyPDF ani nahrávání do BookTranslatoru. Jednalo se o uměle vytvořené příklady se známými chybami, nikoli o zaslepené hodnocení.

K souborům jsou k dispozici nezpracované textové a pixelové výsledky, pokyny k reprodukcii generátor . Používají neupravené písmo Noto Sans s přiloženou otevřenou licencí (OFL).

Zvolte nejméně invazivní další krok

Následující postupy nápravy vycházejí z oficiální dokumentace a praktické diagnostiky. Nejde o výsledky oprav z našeho experimentu se čtyřmi soubory. Pracujte vždy na kopii a před nahrazením jakéhokoli důležitého souboru výsledek zkontrolujte.

Máte-li zdrojový dokument, zkuste nejprve nový export

Vytvoření nového PDF z původního souboru v textovém procesoru, sazebacím programu či DTP softwaru je ideálním prvním krokem. Porovnejte přesně tu pasáž, ve které došlo k chybě. Nepředpokládejte, že nový název souboru nebo úspěšně dokončený export automaticky znamenají, že je text v pořádku.

U materiálů získaných z archivu nebo od vydavatele ověřte, zda neexistuje jiná verze obsahující text. Dbejte na shodu vydání a číslování stran: čistší soubor jiného vydání nemusí obsahovat přesně tu pasáž, kterou potřebujete.

Pokud sken obsahuje jen několik chyb rozpoznávání, zkontrolujte tato slova

Acrobat nabízí postup v nabídce Skenování a OCR → Opravit rozpoznaný text. Umožňuje zkontrolovat označená podezřelá slova přímo oproti naskenovanému obrazu a rozpoznaný text opravit. Pro konkrétní rozhraní vaší verze postupujte podle aktuálního návodu k opravám od Adobe .

Prázdný seznam podezřelých slov nepovažujte za důkaz úplnosti. Samostatně porovnejte jména, data, identifikátory a číselné údaje, které budete citovat nebo překládat. Naše záměrně chybné 13 notebooks ukazuje, proč čitelný výstup sám o sobě nestačí.

Pokud je skrytý text celkově špatný, rozlišujte mezi redo a force

Pro čtenáře, kteří používají nástroje příkazového řádku, dokumentuje OCRmyPDF různé postupy pro stránky, které již text obsahují:

• --redo-ocr odstraní stávající netisknutelný text z OCR a provede rozpoznání znovu, přičemž tisknutelný text z OCR vynechá.
• --skip-text přeskočí stránky obsahující text. To nepředstavuje opravu již existující chybné textové vrstvy.
• --force-ocr rastruje obsah stránky a na výsledných obrázcích spustí OCR.

Toto chování je popsáno v dokumentaci chyb s existujícím textem v OCRmyPDF. Ve verzi 17 jsou odpovídající volby dostupné také přes --mode; starší přepínače zůstávají jako aliasy.

Jsou zde však úskalí a výjimky. Volba redo nedokáže rozpoznat každé historické uspořádání OCR; některé soubory umísťují neprůhledný obrázek přes text, který je technicky vzato tisknutelný. Volba force převádí tisknutelný text i vektorový obsah na pixely a sloučí veškerý interaktivní obsah. Redo i force navíc stávající strom struktury zahodí, místo aby jej zrekonstruovaly. Než zvolíte jedno z těchto řešení, projděte si pokročilou dokumentaci OCRmyPDF .

Opravený extrahovaný text proto automaticky neznamená zajištění přístupnosti. Pokud dokument vyžaduje nadpisy, správné pořadí čtení nebo přístupné obrázky, použijte samostatné kontroly přístupnosti přeloženého PDF.

Pokud se stránky nebo jazyky liší, nepředpokládejte, že postačí jedno nastavení

Sepište si, které stránky již obsahují spolehlivý digitální text a které vyžadují rozpoznání. Před nastavením OCR zkontrolujte jazyky na dotčených stránkách. Náš průvodce OCR pro vícejazyčná PDF se věnuje výběru jazyků – jde o jiné rozhodnutí než určení, zda je stará textová vrstva chybná.

Pokud v dokumentu není vůbec žádná textová vrstva, přejděte na pracovní postup pro skenovaná PDF. Opakované zkoušení jiného nástroje pro extrakci prostého textu nepřiměje pypdf k tomu, aby rozpoznal slova v obrázku.

Před použitím nový text zkontrolujte

Použijte kontrolní list textové vrstvy ke stažení , abyste měli vizuální předlohu, předchozí extrakci i novou extrakci vedle sebe. Začněte známým problematickým místem a poté otestujte jinou pasáž i jakékoli výrazně odlišné rozvržení stránky.

1. Slova: porovnejte jména a neznámé výrazy písmeno po písmenu.
2. Čísla: zkontrolujte množství, desetinné čárky a tečky, data i identifikátory jako B-204.
3. Pořadí: přečtěte si celý odstavec přes konce řádků; sloupce a přilehlé popisky zkontrolujte zvlášť.
4. Pokrytí: ujistěte se, že potřebné stránky a pasáže nebyly vynechány.
5. Chování souboru: znovu otevřete uložený náhradní soubor a zopakujte test kopírování. Pokud závisíte na záložkách, odkazech nebo struktuře přístupnosti, prověřte i je.

Úspěšné ověření vybraných pasáží dokládá správnost pouze pro tyto konkrétní pasáže. Nezaručuje bezchybnost celého souboru. Původní obraz stránky si ponechte jako referenci, zejména při opravě citací nebo textu v neznámém jazyce.

Překládejte až ve chvíli, kdy můžete zdroji důvěřovat

Pokud bylo vaším cílem pouze ocitovat odstavec nebo si udělat poznámky, ověřený výňatek může být konečným krokem. K vyřešení tohoto úkolu překladatelskou službu nepotřebujete.

Pokud si potřebujete přečíst celý dokument v jiném jazyce, použijte ověřený soubor jako výchozí bod pro překlad PDF. Režim OCR v aplikaci BookTranslator sestavuje přeložené PDF z rozpoznaného obsahu; neslibuje však opravu stávající textové vrstvy ani přesné zachování původního rozvržení stránky.

Referenční stránky si ponechte i během fáze překladu. Stejná množství a identifikátory prověřené zde patří i do závěrečné kontroly kvality překladu PDF. Plynulý překlad sám o sobě neodhalí, že ve zdrojovém textu mělo stát 18 namísto 13.