Gemischtsprachige PDFs per OCR verarbeiten: Chinesisch, Englisch und Zahlen getrennt prüfen

Um eine gemischtsprachige PDF-Datei per OCR zu verarbeiten, identifizieren Sie die Skripte auf der Seite, wählen Sie ein Tool aus, das die PDF mit den relevanten Erkennungssprachen verarbeiten kann, und gleichen Sie den extrahierten Text anschließend mit dem Bild ab. Prüfen Sie chinesischen Text, englischen Text, Zahlen und Beschriftungsbeziehungen separat. Dass ein englischer Titel in der Suche gefunden wird, sagt noch nichts darüber aus, ob der chinesische Fließtext erkannt wurde.

Das Hinzufügen einer weiteren Sprache muss getestet werden und führt nicht automatisch zu einer Verbesserung. In unserem kleinen Chinesisch-Englisch-Experiment korrigierte das Hinzufügen von Englisch ein englisches Label, beschädigte jedoch einen chinesischen Satz, den die Konfiguration nur für Chinesisch korrekt erkannt hatte. Keine unserer beiden Tabellenkonfigurationen lieferte Text aus einer einfachen linierten Tabelle zurück.

Dies ist kein generelles Urteil über mehrsprachige OCR. Es ist vielmehr ein Grund, die Ausgabe danach zu beurteilen, was Sie benötigen, anstatt nach der Anzahl der ausgewählten Sprachen.

Unterscheiden Sie zunächst zwischen fehlendem und falschem Text

Belassen Sie die Originaldatei unverändert. Wählen Sie auf einer Kopie einen Satz von einer repräsentativen Seite aus und fügen Sie ihn in einen Texteditor ein. Testen Sie dabei sowohl eine chinesische als auch eine englische Passage und nicht nur den Dokumenttitel.

Eine vorhandene Textebene ist wichtig. Zum Beispiel besagt die OCR-Dokumentation von NAPS2, dass importierte PDF-Seiten, die bereits Text enthalten, unverändert gelassen werden. Das erneute Importieren einer mangelhaft per OCR verarbeiteten Seite ist in diesem Workflow daher keine zuverlässige Reparaturmethode.

Wenn das eigentliche Problem ein schlecht aufgelöster, gekrümmter oder verzerrter Scan ist, beheben Sie dies, bevor Sie einen Vergleich der Spracheinstellungen auswerten. Unser umfassenderterer Leitfaden für gescannte PDFs behandelt diese Vorbereitung und die späteren Übersetzungsstufen.

Erkennungsprachen auswählen, kein Übersetzungsziel

Die Erkennung beantwortet die Frage: „Welche Zeichen befinden sich auf dieser Seite?“ Die Übersetzung beantwortet die Frage: „Wie soll dieser Inhalt in einer anderen Sprache lauten?“ Verlangen Sie von der OCR nicht, dass sie stillschweigend Kurzzeichen vereinfacht, ein englisches Zitat übersetzt oder eine unbekannte Kennung umschreibt.

Erstellen Sie eine kurze Bestandsaufnahme:

• Chinesische Schrift: Kurzzeichen, Langzeichen oder beides, einschließlich Überschriften und Notizen.
• Lateinischer Text: englische Sätze, Autorennamen, Literaturangaben, Abkürzungen und Modellnummern.
• Kontrollierte Werte: Daten, Dezimalpunkte, Einheiten, Minuszeichen, Kennungen und groß-/kleinschreibungsabhängige Codes.
• Bereiche: Prosa, Tabellen, Beschriftungen, Fußnoten oder ein fremdsprachiger Anhang.

Beispielsweise kann ein traditioneller chinesischer Bericht eine englische Zusammenfassung und Literaturangaben enthalten. Ein Kapitel in vereinfachtem Chinesisch könnte eine Tabelle mit A-01, 23.5, und °C beinhalten. Keines davon sollte dadurch bewertet werden, dass man nur den längsten chinesischen Absatz überprüft.

Tesseract bietet separate chi_sim, chi_tra, und eng Modelle in seinem offiziellen Modell-Repository an. Dessen Befehlsdokumentation unterstützt kombinierte Sprachauswahlen und weist darauf hin, dass die Sprachreihenfolge die Ergebnisse beeinflussen kann. Dies sind Konfigurationsmöglichkeiten, keine Garantien dafür, dass jedes zusätzliche Modell hilft.

Wenn Ihr Dokument stattdessen vertikale japanische Spalten und Furigana enthält, verwenden Sie den Leitfaden zur japanischen vertikalen OCR. Das ist ein anderes Layout- und Annotationsproblem und nicht nur ein weiteres Sprachkontrollkästchen.

Verwenden Sie einen Workflow, der PDFs tatsächlich akzeptiert

Ein Desktop-Weg: NAPS2

NAPS2 bietet einen dokumentierten Pfad, um gescannte PDFs durchsuchbar zu machen:

1. Importieren Sie eine Kopie der Datei und öffnen Sie deren OCR-Einstellungen.
2. Laden Sie die für das Dokument benötigten Erkennungssprachen herunter.
3. Wählen Sie Mehrere Sprachen und wählen Sie die relevanten Sprachen aus.
4. Aktivieren Sie die durchsuchbare PDF-OCR und speichern Sie die Datei als neue Datei ab.
5. Öffnen Sie diese Datei erneut und vergleichen Sie kopierten chinesischen, englischen und numerischen Text mit der sichtbaren Seite.

Die Auswahl für mehrere Sprachen erscheint, nachdem mehr als eine Sprache heruntergeladen wurde. Diese Schritte folgen dem offiziellen NAPS2-Leitfaden; wir haben für diesen Artikel keinen Praxistest mit NAPS2 durchgeführt.

Ein Befehlszeilen-Weg: OCRmyPDF

Für ein reines Bild-PDF auf vereinfachtem Chinesisch/Englisch lautet ein Beispiel basierend auf der offiziellen Dokumentation:

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

Installieren Sie zuerst die erforderlichen Sprachpakete. Verwenden Sie chi_tra für einen Test mit traditionellem Chinesisch, anstatt anzunehmen, dass die Skripte austauschbar sind.

Das OCRmyPDF-Kochbuch dokumentiert die Ausgaben für PDF und Begleittext (Sidecar). Das Begleittext-Ergebnis entspricht nicht unbedingt dem gesamten Dokument: Text auf Seiten, die bereits Text enthielten, oder auf während der OCR übersprungenen Seiten, fehlt möglicherweise. Überprüfen Sie das ausgegebene PDF selbst. Bestehende fehlerhafte OCR erfordert einen bewussten Wiederholungsworkflow; erzwingen Sie nicht die Rasterung jeder Seite, ohne zu verstehen, was dadurch verändert wird.

Dies ist ein dokumentationsbasierter Weg und keine von uns gemessene Testumgebung. Wir haben OCRmyPDF hier nicht ausgeführt.

Einfaches Tesseract benötigt gerenderte Seiten

Verwenden Sie tesseract input.pdf ... nicht so, als ob es ein PDF-Reader wäre. Tesseract akzeptiert keine PDF-Eingaben, auch wenn es PDF-Ausgaben erzeugen kann. Tesseract.js weist dieselbe Unterscheidung bei PDF-Eingaben auf: Rendern Sie die Seiten zuerst mit einer PDF-Bibliothek und erkennen Sie dann die Bilder.

Dies ist der Weg, der für unser Experiment unten verwendet wird. Es liefert Text- und TSV-Belege, aber kein getestetes PDF mit durchsuchbarem Text.

Was bei zehn lokalen OCR-Aufrufen geschah

Wir haben ein dreiseitiges, reines Bild-PDF erstellt, das Folgendes enthält:

1. vereinfachte chinesische Prosa mit englischen Referenzen, Kennungen, Dezimalzahlen und Einheiten;
2. eine entsprechende Seite in traditionellem Chinesisch;
3. eine kleine chinesisch-englische Tabelle mit drei Datenzeilen.

Der Text und die Werte sind selbst verfasstes Lehrmaterial, keine Kundendateien oder echten Messungen. Jedes Prosaziel enthält 124 Nicht-Leerzeichen-Codepunkte, darunter 41 Han-Zeichen. Die Tabelle enthält 79 Nicht-Leerzeichen-Codepunkte.

Die Quelldateien des PDFs enthielten keinen extrahierbaren Text. Wir haben sie mit Poppler 26.08.0 bei 300 dpi gerendert, wodurch 1600×1000-Pixel-Bilder entstanden. Die Schriftgröße betrug 48 Pixel in Noto Sans CJK SC/TC Regular. Alle Satzzeichen stammten von den gewöhnlichen horizontalen Glyphen der Schriftarten.

Am 8. September 2026 führten wir Tesseract.js 7.0.0 mit tesseract.js-core 7.0.0 lokal unter macOS ARM64 aus. Die offiziellen tessdata_fast Modelle waren auf den Commit festgelegt 87416418657359cb625c412a48b6e1d6d41c29bd. Jeder Aufruf verwendete OEM 1 und PSM 6, die Einstellung für einheitliche Textblöcke, mit demselben Seitenbild für jeden Sprachvergleich.

Es gab vier Sprachrezepte für jede Prosaseite und zwei für die Tabelle. Alle zehn Aufrufe wurden abgeschlossen; kein Ergebnis wurde verworfen und kein Parameter wurde nach Ansicht der Ausgabe angepasst. Genaue Eingaben, Modell-Hashes, Versionen und Rohergebnisse und die Reproduktionsanweisungen sind verfügbar.

Eine Einstellung kann ein Feld korrigieren und ein anderes beschädigen

Auf der traditionellen Seite hat chi_tra alle 41 Han-Zeichen in der richtigen Reihenfolge beibehalten, aber es traten dennoch nicht-chinesische Fehler auf. Zum Beispiel änderte es das englische Label Document ID in Document 1ID und las das Gradzeichen falsch ab.

Das Hinzufügen von eng stellte Document ID wieder her, aber ein Teil des Satzes zu Temperatur und Masse wurde zu lateinartig aussehenden Fragmenten:

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。

Die Zahlen überlebten in dieser Zeile, während das umgebende Chinesisch dies nicht tat. Eine Überprüfung nur von 23.5 und 1.08 hätte den Schaden übersehen.

Die vereinfachte Seite zeigte einen anderen Kompromiss. Das Hinzufügen von Englisch stellte BK-2026-A07 wieder her, was der Durchlauf nur für Chinesisch als BK-2026-AO7 zurückgegeben hatte. Es änderte jedoch auch 与 an anderer Stelle in 5. Der visuell zweideutige Bezeichner O0I1-l blieb falsch.

Die folgenden Diagnosen zeigen, warum wir keinen Gewinner ausgerufen haben:

„Han-Sequenz-Bearbeitungen“ vergleicht nur chinesische Ideogramme. Es bewertet weder Englisch, Interpunktion noch Abstände. „Geschützte Zeichenketten gefunden“ ist nur eine Vorhandenheitsprüfung für die vordefinierten Bezeichner, Zahlen, Einheiten und Referenz-Token; es überprüft weder deren Position noch deren Beziehung. Die Ausgaben nur auf Englisch verdeutlichen die Falle: Die meisten geschützten Zeichenketten waren vorhanden, aber keines der chinesischen Zeichen wurde zurückgegeben.

Die vollständige Vergleichs-CSV berichtet zudem über Bearbeitungsabstände für den gesamten Text. Der Vergleich wendet Unicode NFC an und entfernt Leerzeichen; er korrigiert keine Interpunktion, ändert keine Groß- und Kleinschreibung, konvertiert keine chinesischen Skripte und ordnet keine Zeichen neu an. Das Umkehren der Sprachreihenfolge veränderte die Abstände in diesen Prosatexten, jedoch nicht die normalisierte Zeichensequenz. Diese Beobachtung ist keine allgemeine Regel bezüglich der Sprachreihenfolge.

Eine leere Tabelle ist keine erfolgreiche Extraktion

Beide Tabellenaufrufe gaben leeren Text zurück, obwohl sie ohne einen OCR-Ausführungsfehler abgeschlossen wurden. Das Hinzufügen von Chinesisch rettete das feste Rezept für einheitliche Blöcke nicht.

Wir haben keine anderen Segmentierungsmodi, Zellenzuschnitte oder eine Tabellenerkennungs-Engine getestet. Das Ergebnis tut daher nicht zeigen, dass Tesseract Tabellen nicht lesen kann. Es zeigt, dass das Ändern der Erkennungssprache allein dieses Beispiel unter den von uns verwendeten Einstellungen nicht gelöst hat.

Für eine echte Tabelle ist die vollständige Beziehung erforderlichTemperature → A-01 → 23.5 → °C, nicht vier irgendwo auf der Seite gefundene Token. Wenn die Ausgabe leer ist oder Beziehungen nicht überprüft werden können, hören Sie auf, sie als vertrauenswürdige Transkription zu behandeln. Probieren Sie einen layoutbewussten Workflow aus oder transkribieren Sie die erforderlichen Zellen unter Bezugnahme auf das Bild.

Was dieses Experiment nicht belegen kann

Dies sind drei saubere synthetische Seiten aus einer Schriftfamilie, die von einem Autorenagenten überprüft wurden. Es gab keine verblindete menschliche Überprüfung, kein Produktionsdokumenten-Korpus und keinen Test von verschwommenen Scans, Handschriften, komplexen Tabellen, vertikalem Text oder historischen Schriftzeichen.

Die Ergebnisse sind nützliche Gegenbeispiele zu einer bedingungslosen Regel „Mehr Sprachen hinzufügen“. Sie sind weder ein Engine-Ranking, eine allgemeine Genauigkeitsrate noch eine Prognose für Ihr PDF. Dies war kein BookTranslator-Test, und das reine Bild-Quell-PDF ist keine fertig gelesene OCR-Kopie.

Führen Sie eine vierteilige Abnahmeprüfung für Ihre eigene Datei durch

Laden Sie das leere Prüfblatt herunter. Wählen Sie eine Seite aus, die die tatsächliche Schwierigkeit enthält, und fügen Sie vor der Verarbeitung der gesamten Datei die folgenden Prüfungen hinzu:

1. Chinesischer Text: vergleichen Sie einen vollständigen Satz, einschließlich weniger gebräuchlicher Zeichen und der gewünschten vereinfachten/traditionellen Formen. Normalisieren Sie ein falsches Zeichen nicht stillschweigend in das von Ihnen erwartete.
2. Englisch und Bezeichner: überprüfen Sie Autorennamen, Referenzen, Abkürzungen, Groß-/Kleinschreibung und ähnlich aussehende Zeichen wie O/0 oder I/l/1. Ein unbekannter Code ist kein Wort, das automatisch korrigiert werden muss.
3. Zahlen und Einheiten: vergleichen Sie jeden Wert mit seinem Vorzeichen, Dezimalpunkt, seiner Einheit und Beschriftung. 0.05 und 0.50 müssen verschieden bleiben; ein erkanntes 23.5 ohne die korrekte Einheit ist unvollständig.
4. Beziehungen und Vollständigkeit: prüfen Sie, ob jeder Absatz oder Tabellenzeile dorthin gehört, wo es erwartet wird. Bestätigen Sie, dass Beschriftungen, Notizen und kleine Passagen in einer Zweitsprache vorhanden sind, nicht nur der Haupttext.

Notieren Sie den Originaltext, das beobachtete Ergebnis, die Seite/Region und die erforderliche Maßnahme. Wenn eine Konfiguration eine Prüfung verbessert, aber eine andere verschlechtert, behalten Sie beide Beobachtungen bei. Akzeptieren Sie die Datei nicht aufgrund eines einzelnen Konfidenzwerts oder einer durchschnittlichen Zeichenanzahl.

Unterscheiden Sie drei Ergebnisse: sofort verwendbar für Ihren angegebenen Zweck, erfordert spezifische Korrekturen oder kann noch nicht als zuverlässig eingestuft werden. Eine Suchaufgabe benötigt möglicherweise nur eine verifizierte Passage; ein vollständiges Leseexemplar erfordert die Abdeckung des gesamten Dokuments und nicht nur eine saubere Titelseite.

Übersetzen Sie erst, nachdem Sie wissen, was die Quelle besagt

Wenn Suche und kopierbarer Originaltext Ihr Problem lösen, hören Sie dort auf. Die Texterkennung hat ihre Arbeit getan; die Übersetzung ist eine separate Entscheidung.

Wenn Sie das vollständige Dokument in einer anderen Sprache lesen müssen, bewahren Sie den originalen Scan und den korrigierten Text als Referenzen auf und folgen Sie dann demWorkflow für die Übersetzung gescannter PDFs. Für eine geeignete Datei kannder PDF-Übersetzer von BookTranslatorder nächste Schritt sein. Dessen OCR-Modus rekonstruiert übersetzte Inhalte, anstatt eine exakte Übereinstimmung mit dem originalen Seitenlayout zu versprechen; er entbindet nicht von der Notwendigkeit, den wiederhergestellten Text und die Tabellenbeziehungen zu überprüfen.

Verwenden Sie nach der Übersetzung diePDF-Übersetzungs-QA-Checkliste, um einen Quellenerkennungsfehler von einem Übersetzungs- oder Layoutfehler zu unterscheiden. Das Korrigieren der falschen Stufe führt dazu, dass ein lesbarer Fehler in die Enddatei gelangt.