OCR smíšeného PDF: Zkontrolujte čínštinu, angličtinu a čísla zvlášť

Chcete-li provést OCR smíšeného PDF, identifikujte písma na stránce, vyberte nástroj, který dokáže PDF zpracovat s příslušnými rozpoznávacími jazyky, a poté zkontrolujte extrahovaný text oproti obrázku. Zkontrolujte čínský text, anglický text, čísla a vztahy popisků zvlášť. Nalezení anglického názvu ve vyhledávání neříká nic o tom, zda byl rozpoznán čínský text.

Přidání dalšího jazyka stojí za vyzkoušení, není to však automaticky zlepšení. V našem malém čínsko-anglickém experimentu přidání angličtiny opravilo jeden anglický štítek, ale poškodilo čínskou větu, kterou konfigurace pouze pro čínštinu rozpoznala. Žádná z našich dvou konfigurací tabulek nevrátila text z jednoduché tabulky s mřížkou.

To není verdikt o vícejazyčném OCR obecně. Je to důvod k posouzení výstupu, který potřebujete, namísto počtu vybraných jazyků.

Nejprve odlište chybějící text od nesprávného textu

Původní soubor ponechte nezměněný. Na kopii vyberte větu z reprezentativní stránky a vložte ji do prostého textového editoru. Vyzkoušejte čínskou a anglickou pasáž, nejen název dokumentu.

Existující textová vrstva hraje roli. Například dokumentace k OCR v NAPS2 uvádí, že importované stránky PDF, které již text obsahují, jsou ponechány bez vlivu. Opětovný import špatně rozpoznané stránky tedy v tomto pracovním postupu není spolehlivou metodou opravy.

Pokud je skutečným problémem nízké rozlišení, zakřivení nebo zkosení skenu, vyřešte to před vyhodnocením srovnání nastavení jazyka. Naše širší příručka pro naskenovaná PDF pokrývá tuto přípravu a pozdější fáze překladu.

Zvolte rozpoznávané jazyky, nikoli cílový jazyk překladu

Rozpoznávání odpovídá na otázku „jaké znaky jsou na této stránce?“. Překlad odpovídá na otázku „jak by měl tento obsah znít v jiném jazyce?“. Nežádejte OCR, aby potichu zjednodušovalo tradiční čínštinu, překládalo anglickou citaci nebo přepisovalo neznámý identifikátor.

Vytvořte si stručný přehled:

• Čínské písmo: zjednodušená čínština, tradiční čínština nebo obojí, včetně nadpisů a poznámek.
• Latinský text: anglické věty, jména autorů, odkazy, zkratky a čísla modelů.
• Kontrolované hodnoty: data, desetinná místa, jednotky, záporná znaménka, identifikátory a kódy rozlišující velká a malá písmena.
• Oblastí: próza, tabulky, popisky, poznámky pod čarou nebo samostatná jazyková příloha.

Například tradiční čínská zpráva může obsahovat anglický abstrakt a odkazy. Kapitola ve zjednodušené čínštině může obsahovat tabulku s A-01, 23.5, a °C. Ani jedno by se nemělo posuzovat pouze kontroly nejdelšího čínského odstavce.

Tesseract poskytuje oddělené modely chi_sim, chi_tra, a eng ve svém oficiálním úložišti modelů. Jeho dokumentace příkazového řádku podporuje kombinovaný výběr jazyků a uvádí, že pořadí jazyků může ovlivnit výsledky. Jedná se o možnosti konfigurace, nikoli o záruku, že každý další model pomůže.

Pokud váš dokument naopak obsahuje svislé japonské sloupce a furiganu, použijte průvodce svislým OCR v japonštině. To je jiný problém s rozložením a poznámkami, nejde jen o další zaškrtávací políčko jazyka.

Použijte pracovní postup, který skutečně přijímá soubory PDF

Cesta přes desktop: NAPS2

NAPS2 nabízí zdokumentovanou cestu pro zajištění prohledávatelnosti naskenovaných souborů PDF:

1. Importujte kopii souboru a otevřete jeho nastavení OCR.
2. Stáhněte si rozpoznávací jazyky potřebné pro tento dokument.
3. Zvolte Více jazyků a vyberte příslušné jazyky.
4. Povolte OCR pro prohledávatelné PDF a uložte soubor jako nový.
5. Znovu tento soubor otevřete a porovnejte zkopírovaný čínský, anglický a číselný text s viditelnou stránkou.

Možnost více jazyků se zobrazí po stažení více než jednoho jazyka. Tyto kroky vycházejí z oficiální příručky NAPS2; pro tento článek jsme praktický test NAPS2 neprováděli.

Cesta přes příkazovou řádku: OCRmyPDF

Pro PDF obsahující pouze obrázky v zjednodušené čínštině/angličtině vypadá příklad založený na oficiální dokumentaci takto:

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

Nejprve nainstalujte požadované jazykové balíčky. Pro test v tradiční čínštině použijte chi_tra namísto předpokladu, že skripty jsou vzájemně zaměnitelné.

Kuchařka nástroje OCRmyPDF dokumentuje výstupy PDF a doprovodného textu. Doprovodný text nutně nezahrnuje celý dokument: text na stránkách, které již text obsahovaly, nebo na stránkách přeskočených během OCR, může chybět. Zkontrolujte samotné výstupní PDF. Stávající nesprávné OCR vyžaduje záměrný postup opakování; nevynucujte rasterizaci každé stránky, aniž byste rozuměli tomu, co to mění.

Toto je cesta založená na dokumentaci, nikoliv naše měřené testovací prostředí. Nástroji OCRmyPDF jsme zde nespustili.

Čistý Tesseract vyžaduje vykreslené stránky

Nepoužívejte tesseract input.pdf ... tak, jako by to byla čtečka PDF. Tesseract nepodává vstup ve formátu PDF, přestože dokáže výstup v PDF vytvořit. Tesseract.js má stejnou vlastnost ohledně vstupu PDF: nejprve vykreslete stránky pomocí knihovny PDF a teprve potom rozpoznávejte obrázky.

To je postup použitý pro náš níže uvedený experiment. Produkuje text a důkazy ve formátu TSV, nikoli testované prohledávatelné výstupní PDF.

Co se stalo při deseti místních voláních OCR

Vytvořili jsme třístránkové PDF obsahující pouze obrázky, které obsahuje:

1. zjednodušenou čínskou prózu s anglickými odkazy, identifikátory, desetinnými čísly a jednotkami;
2. odpovídající stránku v tradiční čínštině;
3. malou čínsko-anglickou tabulku se třemi datovými řádky.

Text a hodnoty jsou autorské výukové materiály, nikoli zákaznické soubory nebo skutečná měření. Každý cíl prózy obsahuje 124 kódových bodů bez mezer, včetně 41 znaků chan. Tabulka obsahuje 79 kódových bodů bez mezer.

Zdrojové stránky PDF neobsahovaly žádný extrahovatelný text. Vykreslili jsme je pomocí nástroje Poppler 26.08.0 při rozlišení 300 dpi, čímž vznikly obrázky o velikosti 1600×1000 pixelů. Velikost fontu byla 48 pixelů v řezu Noto Sans CJK SC/TC Regular. Veškerá interpunkce pocházela z běžných vodorovných glyfů fontů.

Dne 8. září 2026 jsme lokálně na systému macOS ARM64 spustili Tesseract.js 7.0.0 s knihovnou tesseract.js-core 7.0.0. Oficiální tessdata_fast modely byly zafixovány na commit 87416418657359cb625c412a48b6e1d6d41c29bd. Každé volání používalo OEM 1 a PSM 6, což je nastavení pro jednotný textový blok, se stejným obrázkem stránky pro každé porovnání jazyků.

Pro každou stránku prózy existovaly čtyři jazykové receptury a pro tabulku dvě. Všech deset volání bylo dokončeno; žádný výsledek nebyl vyřazen a žádný parametr nebyl laděn po zhlédnutí výstupu. Přesné vstupy, hashe modelů, verze a surové výsledky a pokyny k reprodukci jsou k dispozici.

Nastavení může jedno pole opravit a jiné poškodit

Na tradiční stránce chi_tra zachoval všech 41 znaků chan v sekvenci, ale přesto dělal nečínské chyby. Například změnil anglický štítek Document ID na Document 1ID a špatně přečetl symbol stupně.

Přidání eng obnovilo Document ID, ale část věty o teplotě a hmotnosti se změnila na fragmenty vypadající jako latinka:

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。

Čísla v tomto řádku zůstala zachována, zatímco okolní čínština nikoliv. Kontrola pouze 23.5 a 1.08 by toto poškození nezaznamenala.

Zjednodušená stránka ukázala jiný kompromis. Přidání angličtiny obnovilo BK-2026-A07, kterou běh obsahující pouze čínštinu vrátil jako BK-2026-AO7. Ale také to jinde změnilo 与 na 5. Vizuálně nejednoznačný identifikátor O0I1-l zůstal nesprávný.

Následující diagnostika ukazuje, proč jsme nevyhlásili vítěze:

„Úpravy sekvencí znaků Han“ porovnávají pouze čínské ideogramy. Nehodnotí angličtinu, interpunkci ani mezery. „Nalezené chráněné řetězce“ je pouze kontrola přítomnosti předdefinovaných identifikátorů, čísel, jednotek a referenčních tokenů; neověřuje jejich pozici ani vzájemný vztah. Výstupy pouze v angličtině ukazují past: většina chráněných řetězců byla přítomna, přesto nebyl vrácen žádný z čínských znaků.

Úplné srovnávací CSV uvádí také vzdálenosti úprav pro celý text. Srovnání používá normalizaci Unicode NFC a odstraňuje mezery; neopravuje interpunkci, nemění velká a malá písmena, nekonvertuje čínská písma ani nemění pořadí znaků. Změna pořadí jazyků v těchto textových výstupech změnila mezery, ale nikoli normalizovanou sekvenci znaků. Toto pozorování není obecným pravidlem pro pořadí jazyků.

Prázdná tabulka není úspěšnou extrakcí

Oba volání tabulky vrátila prázdný text, přestože byla dokončena bez chyby provádění OCR. Přidání čínštiny nezachránilo pevný předpis pro jednotné bloky.

Netestovali jsme jiné režimy segmentace, výřezy buněk ani stroj pro rozpoznávání tabulek. Výsledek proto nevyjadřuje ukazují, že Tesseract neumí číst tabulky. Ukazují, že pouhá změna rozpoznávaného jazyka tento vzorek v použitých nastaveních nevyřešila.

U skutečné tabulky vyžadujte úplný vztah Temperature → A-01 → 23.5 → °C, nikoliv čtyři tokeny nalezené někde na stránce. Pokud je výstup prázdný nebo nelze ověřit vztahy, přestaňte výsledek považovat za důvěryhodný přepis. Vyzkoušejte pracovní postup s ohledem na rozvržení nebo přepište potřebné buňky s odkazem na obrázek.

Co tento experiment nemůže prokázat

Jedná se o tři čisté syntetické stránky z jedné rodiny písem, zkontrolované jedním agentským editorem. Chyběla zaslepená lidská recenze, korpus produkčních dokumentů nebo test rozostřených skenů, rukopisu, složitých tabulek, svislého textu či historických znaků.

Výsledky jsou užitečnými protipříklady k nepodmíněnému pravidlu „přidejte více jazyků“. Nejsou žebříčkem motorů, obecnou mírou přesnosti ani prognózou pro vaše PDF. Nejednalo se o test aplikace BookTranslator a zdrojové PDF obsahující pouze obrázky není čtecí kopií po dokončení OCR.

Použijte čtyřdílnou kontrolu přijatelnosti na vlastním souboru

Stáhněte si prázdný kontrolní list. Vyberte stránku, která obsahuje skutečnou obtížnost, a před zpracováním celého souboru přidejte následující kontroly:

1. Čínský text: porovnejte celou větu včetně méně obvyklých znaků a zamýšlených zjednodušených/tradičních forem. Neslyšmo nenormalizujte chbný znak na ten, který jste očekávali.
2. Angličtina a identifikátory: zkontrolujte jména autorů, odkazy, zkratky, velká písmena a podobně vypadající znaky, jako jsou O/0 nebo I/l/1. Neznámý kód není slovo k automatickým opravám.
3. Čísla a jednotky: porovnejte každou hodnotu s jejím znaménkem, desetinnou čárkou, jednotkou a štítkem. 0.05 a 0.50 musí zůstat odlišné; rozpoznané 23.5 bez správné jednotky je neúplné.
4. Vztahy a úplnost: zkontrolujte, zda každý odstavec nebo řádek tabulky patří tam, kam se očekává. Ověřte přítomnost popisků, poznámek a malých pasáží ve vedlejším jazyce, nejen hlavního textu.

Zaznamenejte původní text, pozorovaný výsledek, stránku/oblast a požadovanou akci. Pokud nějaká konfigurace jednu kontrolu zlepší, ale jinou zhorší, ponechte si obě pozorování. Nepřijímejte soubor na základě jediného skóre spolehlivosti nebo průměrného počtu znaků.

Rozlište tři výsledky: použitelné v takovém stavu, v jakém jsou, pro váš zamýšlený účel; vyžadující konkrétní opravy; nebo ještě nedůvěryhodné. Úkol vyhledávání může vyžadovat pouze jednu ověřenou pasáž; kompletní čtecí kopie vyžaduje pokrytí celého dokumentu, nikoli čistou titulní stranu.

Překládejte až poté, co víte, co zdroj říká

Pokud váš problém vyřeší vyhledávání a zkopírovatelný původní text, končíte. OCR splnilo svůj úkol; překlad je samostatné rozhodnutí.

Pokud potřebujete přečíst kompletní dokument v jiném jazyce, uchovejte původní sken a opravený text jako reference a poté postupujte podle pracovního postupu pro překlad naskenovaných PDF. V případě vhodného souboru může být dalším krokem PDF překladač služby BookTranslator. Jeho režim OCR rekonstruuje přeložený obsah, namísto toho, aby sliboval přesnou shodu s původním rozvržením stránky; neodstraňuje nutnost kontrolovat obnovený text a vztahy tabulek.

Po překladu použijte kontrolní seznam QA pro překlad PDF k rozlišení chyby rozpoznávání zdroje od chyby překladu nebo rozvržení. Oprava nesprávné fáze je způsob, jakým čitelná chyba přežije v konečném souboru.