Extrakce textu z PDF vs. OCR: Zvolte správný postup ještě před překladem

Extrakci textu použijte tehdy, když PDF již obsahuje spolehlivý strojově čitelný text. OCR použijte ve chvíli, kdy stránka obsahuje pouze obrázek textu. Pokud stránka obsahuje stávající textovou vrstvu, která je chybná, nestačí ani jedno z těchto pravidel: musíte porovnat extrahovaná slova s viditelnou stránkou a teprve poté se rozhodnout, zda tuto vrstvu ponechat, nahradit nebo vytvořit znovu.

Toto rozhodnutí je nutné udělat před samotným překladem. Překladač nedokáže opravit množství, jméno ani větu, které do procesu vstoupily chybně. Dokáže přeložit pouze ten zdrojový text, který obdrží.

Rychlá rozhodovací tabulka

Testujte jednotlivé stránky, nejen celé soubory. Jedno PDF může kombinovat digitálně vytvořenou titulní stranu, naskenované kapitoly a přílohy se starým OCR.

To, že můžete slova označit, dokazuje pouze existenci textového objektu. Nedokazuje to však, že text odpovídá stránce. A naopak neúspěšný pokus o zkopírování nedokazuje, že celé PDF obsahuje pouze obrázky.

Náš test na čtyřstránkovém smíšeném PDF

Vytvořili jsme čtyřstránkové PDF ke stažení se známým obsahem. Neobsahuje žádné soukromé dokumenty ani materiály třetích stran:

1. nativně digitální stránku;
2. stránku obsahující pouze obrázek;
3. stránku vypadající jako sken se správnou skrytou textovou vrstvou;
4. stránku vypadající jako sken se záměrně zavádějící skrytou textovou vrstvou.

Pro každou stránku jsme spustili Poppler pdftotext vůči stávajícím datům PDF. Zvlášť jsme stránku vyrenderovali v rozlišení 300 dpi a na tomto obrázku spustili Tesseract. Vizuální předloha byla před oběma testy pevně daná.

Pointou není, že Tesseract vždy zvítězí. V tomto čistém anglickém testovacím vzorku uspěl, protože jsme stránku vytvořili tak, aby toto rozhodování jasně demonstrovala. U zašuměných skenů, neobvyklých písem, tabulek, rukopisu nebo složitých rozvržení může nové OCR selhat jinými způsoby.

Jednotlivé výsledky po stránkách, přehled rozhodování, poznámky k reprodukcia generátor jsou k dispozici přímo v testovacím balíčku. K 21. září 2026 byly zaznamenané verze Poppler pdftotext 26.08.0 a Tesseract 5.5.3.

Co test dokazuje – a co ne

Dokazuje, že čtyři vizuálně čitelné stránky mohou vyžadovat tři různé postupy před samotným překladem. Dokazuje také, že prohledávatelný text se může lišit od obsahu stránky, a přesto působit věrohodně.

Neměří však obecnou přesnost OCR, přístupnost pro čtečky, rekonstrukci tabulek, vícejazyčné rozpoznávání ani chování při nahrávání do BookTranslator. Stránky jsou jednoduché a chyby na čtvrté straně byly vloženy záměrně; Tesseract je sám nevytvořil.

Proč jsou extrakce a OCR dvě odlišné operace

Extrakce textu čte textové objekty, které jsou v PDF již uloženy. OCR rozpoznává znaky z pixelů. Aktuální příručka k extrakci v pypdf vymezuje stejnou hranici: pypdf dokáže přečíst existující textovou vrstvu, ale neumí rozpoznat slova uvnitř obrázku.

Na tomto rozdílu záleží, protože digitální PDF může obsahovat informace, které rasterizace zahodí nebo zkomplikuje jejich obnovu: kódování znaků, informace o písmech, odkazy, vektorovou grafiku a další objekty dokumentu. Knihovna pypdf výslovně varuje před tím, aby se OCR bralo jako univerzální řešení pro soubory vytvořené digitálně. Upozorňuje také na další omezení: PDF obvykle ukládá text kvůli jeho vizuálnímu umístění, nikoli jako sémantické odstavce, tabulky nebo nadpisy.

Předběžná kontrola by se proto měla zaměřit na dvě nezávislé otázky:

1. Jsou znaky správné? Porovnejte extrahovaná jména, čísla, interpunkci a neznámé termíny přímo se stránkou.
2. Je struktura použitelná? Přečtěte si celý odstavec a poté zkontrolujte sloupce, poznámky pod čarou, tabulky, popisky a přechody mezi stránkami.

Správné znaky ve špatném pořadí jsou pro překlad stále nepoužitelným podkladem.

Předběžná kontrola na úrovni stránek před překladem

1. Zachovejte originál

Uchovejte nezměněný zdrojový soubor a u důležitých dokumentů si zaznamenejte jeho kontrolní součet. Pokusy provádějte na kopiích. Nahrazení nedokonalé textové vrstvy může sloučit vektorový obsah do rastru nebo odstranit informace, které budete později potřebovat.

2. Zmapujte typy stránek

Nerozhodujte se pouze podle první strany. Projděte úvodní strany, běžný text, přílohy, tabulky, ilustrace, vsuvky a jakoukoli stránku, která vypadá jako vyfotografovaná nebo naskenovaná.

U dlouhých dokumentů si zaznamenejte rozsahy stránek:

Stažitelný soubor CSV používá pro náš testovací vzor stejné schéma.

3. Porovnávejte problematické tokeny, nejen jednoduchý text

Plynule vyhlížející věty nejsou spolehlivou kontrolou. Zahrňte také:

• jméno osoby;
• datum a množství;
• identifikátor kombinující písmena a číslice;
• text s diakritikou nebo jiným než latinkovým písmem;
• větu přesahující přes zalomení řádku;
• pasáž poblíž poznámky pod čarou, obrázku nebo druhého sloupce.

Čtvrtá strana v našem testovacím souboru by vypadala použitelně, pokud by kontrola skončila u běžných slov. Chyby se soustředí v O/0, 58/53a 7.5/7.8—přesně v takových tokenech, které mohou po překladu zkomolit reference a fakta.

4. Klasifikujte nejistotu poctivě

Používejte čtyři výsledky: vzorek prošel, vzorek selhal, žádný extrahovatelný text nebo zatím netestováno. „Lze označit myší“ není výsledek. Stejně tak ani „OCR doběhlo“.

Vzorkování má své limity. Úspěšné ověření tří stran nepotvrzuje bezchybnost 400stránkové knihy, zvláště když soubor obsahuje různé skeny nebo rozvržení. Zvyšte pokrytí tam, kde se zdrojový materiál mění.

Režim OCRmyPDF volte až po diagnostice

Aktuální dokumentace k OCRmyPDF popisuje několik způsobů chování pro stránky, které již text obsahují. Jde o volby směrování zpracování, nikoli o záruky kvality.

• Výchozí chování se zastaví, jakmile stránka již obsahuje tisknutelný text nebo skrytou vrstvu OCR, protože nedokáže spolehlivě určit, o který typ se jedná.
• Přeskočit text (Skip text) zkopíruje stránky obsahující text beze změn a u ostatních stránek provede OCR. Pro smíšený soubor je to užitečné pouze tehdy, pokud je stávající text důvěryhodný.
• Znovu provést OCR (Redo OCR) odstraní stávající netisknutelný text z OCR a rozpozná stránku znovu, přičemž vynechá tisknutelný vektorový text. Může se hodit pro směs digitálních a dříve rozpoznaných stránek, ale nedokáže identifikovat každé historické uspořádání.
• Vynutit OCR (Force OCR) rasterizuje vektorový obsah a na výsledný obrázek aplikuje OCR. Dokáže nahradit vadnou vrstvu, ale obětuje tím informace a může sloučit interaktivní obsah do plochého obrazu.

Tato sémantika vychází z dokumentace k chybám stávajícího textuv OCRmyPDF 17.12.1. Před spuštěním dávkového zpracování si přečtěte dokumentaci k nainstalované verzi. Samotný název parametru není důkazem, že výstup zachoval záložky, tagy, odkazy, formuláře nebo strukturu přístupnosti.

V našem testovacím souboru by přeskočení textu zachovalo záměrně chybný skrytý text na čtvrté straně. Proto musí kontrola kopírováním a porovnáním proběhnout ještě před volbou dávkového režimu.

Časté slepé uličky

„Pokud lze text označit myší, přeskočte OCR“

Strana čtyři toto pravidlo vyvrací. Možnost označení detekuje pouze existenci, nikoli věrnost.

„Pro jistotu proveďte OCR na celém PDF“

To může zhoršit kvalitu čistých digitálních stránek a zahodit užitečné objekty PDF. Vytváří to také větší prostor pro kontrolu, aniž by se automaticky opravilo sémantické pořadí čtení.

„Použijte ten výstup, který působí plynuleji“

Plynulost je v tomto případě nebezpečná. Vždy text porovnávejte s viditelnou stránkou. Nenechte jazykový model bez povšimnutí opravit identifikátor nebo množství a nepovažujte pak výsledek za spolehlivý zdrojový podklad.

„Jedna čistá stránka reprezentuje celý soubor“

Kombinovaná PDF jsou běžná: za digitální obálkou mohou následovat naskenované kapitoly nebo prohledávatelná kniha může obsahovat čistě obrazové přílohy. Zaznamenávejte svá rozhodnutí podle rozsahů stránek.

Kritéria pro schválení PDF připraveného k překladu

Před odesláním souboru do procesu překladu vyžadujte splnění všech následujících bodů:

1. Každý rozsah stránek je klasifikován jako digitální, pouze obrazový nebo s existujícím OCR.
2. Pro poškozené existující vrstvy je zdokumentován postup jejich nahrazení.
3. Jména, čísla, identifikátory a neznámé termíny úspěšně prošly porovnáním se zdrojem na vzorku stránek.
4. Pořadí odstavců a sloupců je v extrahovaném zdrojovém textu logické a čitelné.
5. Tabulky, obrázky, poznámky pod čarou a rovnice jsou buď ověřeny, nebo výslovně evidovány jako samostatné prvky.
6. Původní PDF zůstává k dispozici pro porovnání po dokončení překladu.

Pokud PDF obsahující text selhává už při základní práci, použijte samostatného průvodce diagnostikou kopírování a vkládání . Pokud jsou stránky pouze obrazové, využijte postup pro naskenovaná PDF , a pokud je příčinou problémů volba jazyka, sáhněte po průvodci pro OCR vícejazyčných dokumentů .

Přeložte ověřený zdroj a poté výstup zkontrolujte

Pokud je vaším konečným cílem přečíst si celý dokument v jiném jazyce, nahrajte ověřené PDF do Překladače PDF. U naskenovaných stránek nebo stránek s velkým množstvím obrázků režim OCR v aplikaci BookTranslator extrahuje rozpoznatelný obsah a znovu vytvoří čisté přeložené PDF; neslibuje však zachování přesného původního rozvržení stránek, písem či velikostí, ani opravu každé existující skryté textové vrstvy.

Ponechte si soupis stránek i původní soubor. Po překladu zopakujte vysoce rizikové kontroly i na cílovém dokumentu: jména, množství, identifikátory, pokrytí stránek, pořadí odstavců a jakoukoli strukturu, na kterou spoléháte. Tento finální schvalovací proces pokrývá náš kontrolní seznam pro kontrolu kvality překladu PDF .

Hlavní pravidlo je prosté: extrahujte to, co je již spolehlivé, OCR používejte pouze na to, co vyžaduje rozpoznání, a textovou vrstvu nahrazujte až poté, co prokážete, že je chybná.