OCR-Zeilenumbrüche und Trennstriche vor der Übersetzung korrigieren

Um OCR-Zeilenumbrüche zu korrigieren, bestimmen Sie zuerst den Text, der zu einem Absatz gehört. Ersetzen Sie nur dessen unerwünschte Zeilenenden durch Leerzeichen. Bei einem über Zeilen getrennten Wort entscheiden Sie gesondert, ob der Trennstrich entfernt oder beibehalten werden soll: trans- gefolgt von lation wird zu translation, aber well- gefolgt von known wird zu well-known. Führen Sie ein Änderungsprotokoll und vergleichen Sie unsichere Zusammenführungen mit der Originalseite.

Wenden Sie niemals Befehle wie „Alle Zeilenumbrüche entfernen“ oder „Alle Bindestriche löschen“ auf ein ganzes Buch an. Ein bereinigter Textauszug mag zwar flüssiger wirken, verliert dabei aber möglicherweise einen Absatz, verbindet zwei Listeneinträge oder verändert eine technische Kennung. Das Ziel ist eine verlässliche Lese- oder Übersetzungsvorlage – nicht die geringste Anzahl an Umbruchzeichen.

Dieser Leitfaden setzt nach der Texterkennungan. Wenn beim Kopieren aus einer PDF-Datei falsche Buchstaben oder Ziffern entstehen, sollten Sie zuerst die Textebene analysieren. Das Anpassen von Zeilenumbrüchen kann ein falsch erkanntes B-2O4 nicht in das beabsichtigte B-204.

Bestimmen, was jeder Zeilenumbruch darstellt

Belassen Sie den Originalscan und den Rohauszug unverändert. Aktivieren Sie in einer Arbeitskopie die Anzeige von Leerzeichen oder Absatzmarken Ihres Editors. Ändern Sie die Fenstergröße des Editors: Eine Zeile, die ohne gespeicherten Zeilenumbruch neu umbricht, wird lediglich auf dem Bildschirm umbrochen; hier gibt es nichts zu löschen.

Tatsächlich gespeicherte Zeilenumbrüche erfordern eine andere Prüfung. Vergleichen Sie einen fortlaufenden Absatz, eine Überschrift, eine Liste sowie abweichende Seitenlayouts mit dem Seitenbild. Schließen Sie nicht von der Titelseite auf die Struktur des gesamten Dokuments.

Leerzeilen und Einrückungen können beim Erkennen von Absätzen helfen, sind jedoch eher Anhaltspunkte als Garantien. Nach einer Überschrift folgt möglicherweise keine Leerzeile. Eine eingerückte Zeile kann die Fortsetzung einer Liste sein und kein neuer Absatz. Eine kurze Zeile, die mit einem Punkt endet, kann entweder die letzte Zeile eines Absatzes oder ein Satz mitten im Absatz sein.

Wenn OCR-Exporte Layout- oder Blockinformationen bereitstellen, behalten Sie diese bei der Textprüfung bei. Ein reiner Text-Export allein verwirft möglicherweise genau die Hinweise, die Sie zur Rekonstruktion dieser Grenzen benötigen.

Getrennte Wörter von echten Bindestrichen unterscheiden

Drei optisch ähnliche Fälle erfordern unterschiedliche Bearbeitungen:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

In der letzten Zeile wird \u00AD verwendet, um ein sonst schwer erkennbares Zeichen sichtbar zu machen. Unicode unterscheidet das U+00AD BEDINGTE TRENNZEICHEN (SOFT HYPHEN), das als Markierung für einen optionalen Umbruch innerhalb eines Wortes dient, von einem sichtbaren Bindestrich wie U+2010 BINDESTRICH (HYPHEN). Diese Zeichen sind nicht austauschbar. Unicodes Zeilenumbruch-Spezifikation beschreibt zudem sprachabhängige Schreibweisungsänderungen an einer Trennstelle; das Löschen eines sichtbaren Bindestrichs und das Zusammenfügen der Buchstaben reicht nicht immer aus.

Bei gewöhnlicher Prosa kann das Entfernen einer verifizierten weichen Trennmarkierung eine gut lesbare Arbeitskopie erzeugen. Bei einer archivischen Transkription sollte das Original separat aufbewahrt werden: Das Entfernen einer Markierung verändert den codierten Text, selbst wenn das Wort optisch unverändert wirkt.

Verwenden Sie ein Wörterbuch in der Ausgangssprache , um eine potenzielle Schreibweise zu prüfen, und kehren Sie dann zur Textstelle zurück. Ein Wörterbucheintrag ist ein Anhaltspunkt, aber kein Freibrief, um Eigennamen, Kennungen oder historische Schreibweisen zu überschreiben. Wiederholte Vorkommnisse im Dokument helfen ebenfalls, doch auch ein OCR-Fehler kann sich konsequent wiederholen.

Unser deutsches Beispiel lautet etwa:

Die Auf-
gabe ist klar.

Das beabsichtigte Wort in diesem selbst erstellten Beispiel lautet Aufgabe; Der Duden-Eintrag führt als Silbentrennung Auf|ga|bean. Das Zusammenfügen von Auf- und gabe ist hier gerechtfertigt. Dieses einzelne Beispiel stellt jedoch keine allgemeine deutsche Entkopplungsregel dar, und die moderne Duden-Schreibweise sollte die Orthografie einer älteren Ausgabe nicht stillschweigend ersetzen.

Behandeln Sie URLs, Katalognummern, chemische Bezeichnungen, negative Werte und andere technische Tokens als gesonderte Prüffälle. Ob ein Gedanken- oder Bindestrich erhalten bleibt, muss sich nach der Quelle und der Bedeutung des Tokens richten – nicht nach einer Heuristik für englische Wörter.

Was zwölf kontrollierte Beispiele zeigen

Wir haben eine herunterladbare Bereinigungsdemonstration mit zwölf Original-Strings erstellt. Ihre beabsichtigten Wörter und Strukturen wurden beim Verfassen festgelegt; anschließend haben wir gezielt Zeilenumbrüche und Trennungsartefakte eingefügt. Hierbei handelt es sich um synthetische Textbeispiele, nicht um die Ausgabe einer OCR-Engine oder Buchscans.

Die bewusst rudimentäre Baseline-Variante nimmt drei Ersetzungen vor: Bindestrich plus Zeilenumbruch entfernen, verbleibende Zeilenumbrüche durch Leerzeichen ersetzen und weiche Trennstriche entfernen. Ein zweiter Ansatz wendet ausschließlich individuell geprüfte Änderungen auf den exakten Text an. Er unternimmt keinen Versuch, Absätze automatisch zu erkennen oder über Schreibweisen zu entscheiden.

Am 3. Oktober 2026 lieferte die Ausführung des Test-Fixtures mit Node.js 25.2.1 bei der einfachen Baseline für 4 von 12 Beispielen Text, der mit der Referenz übereinstimmte. Der freigegebene Pfad stimmte mit allen zwölf Referenzen überein und stellte alle zwölf Eingaben durch Rückgängigmachen wieder her. Zudem wies er veraltete Eingaben, uneindeutige Treffer und fehlende Übereinstimmungen zurück.

Diese Ergebnisse testen die exakte Patch-Anwendung gegen bekannte, manuell erstellte Referenzen. Sie stellen keine Schätzung der Genauigkeit unter realen Bedingungen dar: Die freigegebenen Entscheidungen enthalten die Antworten bereits, und das Korpus wurde bewusst so gewählt, dass es Problemfälle aufdeckt. Wir haben weder ein kommerzielles Bereinigungstool, eine OCR-Engine, ein Übersetzungsmodell noch einen BookTranslator-Upload getestet. Es gab keine Wiederholungsversuche oder ausgeschlossenen Stichproben.

Laden Sie die tatsächlichen Ein-/Ausgaben und das Patch-Protokoll sowie die Reproduktionsanweisungenherunter. Das JavaScript läuft lokal ohne Abhängigkeiten oder Netzwerkaufrufe und gibt die Ergebnisse aus; es überschreibt keine Dateien. Seine Prüfungen verhindern, dass eine freigegebene Änderung auf einen anderen Text angewendet wird. Sie können Ihnen jedoch nicht sagen, ob eine Bearbeitung sprachlich korrekt ist.

Bereinigen Sie immer nur einen überprüften Block auf einmal

Beginnen Sie mit einem kurzen Fließtextblock, dessen Lesereihenfolge und Absatzgrenzen Sie klar bestimmen können. Fangen Sie nicht direkt mit einem ganzen Kapitel an, das Bildunterschriften, Zitate, Listen und Fußnoten enthält.

1. Speichern Sie eine Rohkopie und notieren Sie die Quellposition. Halten Sie Dateiname, Seitenzahl, Absatz oder Block sowie die Sprache zu jeder überprüften Textstelle fest.
2. Markieren Sie zuerst die strukturellen Grenzen. Trennen Sie Überschriften, Listenelemente, Verse, Tabellen und Code vom normalen Fließtext. Bewahren Sie Seitenverweise außerhalb des Lesetextes auf, falls Sie deren Markierungen später entfernen.
3. Fügen Sie normale Zeilenumbrüche zwischen Wörtern innerhalb dieses Blocks zusammen. Ersetzen Sie jeden bestätigten Umbruch durch ein Leerzeichen. Vergewissern Sie sich, dass keine Wörter aneinanderstoßen und aus einem vorhandenen Leerzeichen kein störendes doppeltes Leerzeichen geworden ist.
4. Überprüfen Sie getrennte Wörter separat. Lassen Sie sich das gesamte Token und den umgebenden Satz anzeigen. Erfassen Sie „Layout-Bindestrich entfernen“, „echten Bindestrich beibehalten“ oder „ungelöst“. Behandeln Sie einen ungelösten Kandidaten niemals als freigegebene Änderung.
5. Prüfen Sie das Diff, bevor Sie es akzeptieren. Vergleichen Sie jede entfernte Grenze oder Trennung mit dem Original. Speichern Sie die bereinigte Version unter einem neuen Dateinamen zusammen mit den getroffenen Entscheidungen ab.
6. Öffnen und kopieren Sie aus dem gespeicherten Ergebnis. Prüfen Sie die tatsächliche Datei, die Sie verwenden werden, nicht nur die Vorschau des Editors.

Bei einem kurzen Auszug können manuelle Änderungen mit Änderungsverfolgung oder ein Vorher-Nachher-Vergleich genügen. Bei einem längeren Auszug sollte eine Patch-Liste die exakte Original-Teilzeichenkette, die Ersetzung, die Position, die Begründung und die prüfende Person festhalten. Eine Quell-Prüfsumme verhindert, dass alte Freigaben nach Änderungen an den Eingangsdaten versehentlich übernommen werden.

Falls Ihr Editor einen Bereinigungsmodus bietet, der Absätze beibehält, testen Sie diesen an den schwierigen Blöcken – nicht nur an fließendem Fließtext. Das Beibehalten doppelter Zeilenumbrüche stellt keine Absatzgrenze wieder her, die die OCR als einfachen Zeilenumbruch erfasst hat. Löschen Sie keine Einrückungen und reduzieren Sie nicht alle Leerzeichen, bevor Sie Tabellen und Code überprüft haben.

Wann Sie zum Seitenbild zurückkehren sollten

Die französische Zeichensetzung verdeutlicht, warum Satzende-Erkennung keine Absatzerkennung ist. In unserem erstellten Beispiel gehören Il attend… und Le lendemain, il part. zu separaten Absätzen. Die Auslassungspunkte allein begründen diese Grenze nicht. Die Empfehlungen des Office québécois de la langue française zu Auslassungspunkten beschreiben Verwendungszwecke wie Unterbrechungen oder unvollständige Gedanken; nutzen Sie die Struktur der Seite, um zu entscheiden, ob die folgende Zeile angeschlossen werden soll.

Machen Sie den Abgleich mit dem Originalbild bei folgenden Fällen zwingend erforderlich:

Wenn mehrere Seiten dasselbe Problem aufweisen, suchen Sie im gesamten Dokument nach diesem Muster und prüfen Sie die Treffer. Falls Ausgangsbuchstaben, Leserichtung oder ganze Textpassagen fehlerhaft sind, stoppen Sie die Normalisierung und überprüfen Sie die Erkennung oder Textextraktion erneut. Für die Texterkennung über mehrere Sprachen hinweg nutzen Sie den separaten OCR-Workflow für mehrsprachige PDFs.

Überprüfen Sie den bereinigten Ausgangstext vor der Übersetzung

Vergleichen Sie einen bearbeiteten Textblock mit der Originalseite und prüfen Sie anschließend einen anderen Block sowie jeden im Auszug vorhandenen Strukturtyp. Behalten Sie bekannte Fehlerstellen in der Prüfauswahl. Stichproben liefern nur Erkenntnisse über die tatsächlich geprüften Passagen – sie garantieren keine Fehlerfreiheit für den Rest des Buches.

• Stellen Sie sicher, dass Namen, Zahlen, Daten und Codes weiterhin mit der Quelle übereinstimmen.
• Prüfen Sie jeden entfernten Trennstrich sowie alle Schreibweisen, die über einen Umbruch hinweg rekonstruiert wurden.
• Gleichen Sie die Grenzen von Absätzen, Überschriften, Listenelementen und Verszeilen ab.
• Überprüfen Sie, ob die ersten und letzten Zeilen bei jedem Seitenübergang erhalten geblieben sind.
• Suchen Sie nach ungelösten Problemstellen und dokumentieren Sie diese gut sichtbar im Prüfprotokoll.
• Stellen Sie sicher, dass die finale, gespeicherte Version exakt diejenige ist, die in Ihren nächsten Arbeitsschritt einfließt.

Wenn Sie lediglich durchsuchbaren Text oder Notizen benötigen, kann dieser geprüfte Auszug bereits das Endergebnis sein. Eine Übersetzung ist zur Bereinigung nicht erforderlich.

Wenn Sie das Dokument in einer anderen Sprache benötigen, bereiten Sie die geprüften Inhalte in einem unterstützten Dokumentformat vor und nutzen Sie den Workflow zur Übersetzung vollständiger Dokumente. Der OCR-Modus von BookTranslator erstellt ein übersetztes PDF auf Basis der erkannten Inhalte völlig neu, anstatt das ursprüngliche Seitenlayout exakt nachzubilden; er ersetzt keinen externen Textbereinigungs-Editor und liefert keinen Nachweis dafür, dass jeder Quellumbruch korrekt interpretiert wurde. Der Leitfaden für gescannte PDFs erklärt, wann eine Texterkennung erforderlich ist.

Bewahren Sie die Originalseiten und das Bereinigungsprotokoll für die abschließende QA-Prüfung der PDF-Übersetzungauf. Ein flüssig formulierter Zielsatz verrät Ihnen nicht, ob im Ausgangstext eigentlich ein echter Bindestrich stehen müsste – oder ob zwei scheinbar zusammenhängende Sätze in Wirklichkeit getrennte Absätze waren.