Cómo corregir saltos de línea y guiones de OCR antes de traducir
Repare el texto con saltos de línea de OCR sin eliminar guiones reales, párrafos, listas o versos. Utilice un flujo de trabajo reversible y doce ejemplos descargables.
Para corregir los saltos de línea de un OCR, identifique primero el texto que pertenece a un mismo párrafo. Sustituya por espacios únicamente los saltos de línea no deseados. En el caso de una palabra dividida entre dos líneas, decida por separado si debe quitar el guion o conservarlo: trans- seguido de lation pasa a ser translation, pero well- seguido de known se convierte en well-known. Mantenga un registro de cambios y compare las uniones dudosas con la página original.
No ejecute comandos como «eliminar todos los saltos de línea» o «borrar todos los guiones» en todo un libro. Un fragmento limpio puede parecer más fluido a costa de perder un párrafo, unir dos elementos de una lista o alterar un identificador técnico. El objetivo es obtener una copia fiable para la lectura o la traducción, no reducir al mínimo los caracteres de salto de línea.
Esta guía comienza después del reconocimiento de texto. Si al copiar de un PDF obtiene letras o números incorrectos, primero diagnostique su capa de texto. Modificar los saltos de línea no convertirá un B-2O4 mal reconocido en el B-204.
Decida qué representa cada salto de línea
Mantenga intactos el escaneo original y el texto sin procesar. En una copia de trabajo, active en el editor la visualización de espacios en blanco o marcas de párrafo. Cambie el tamaño de la ventana del editor: una línea que se reajusta sin un salto de línea guardado simplemente se ajusta en pantalla; no hay nada que borrar.
Los saltos de línea reales requieren otra comprobación. Compare con la imagen de la página un párrafo continuo, un encabezado, una lista y cualquier diseño de página claramente distinto. No deduzca la estructura de todo el documento a partir de su portada.
| Qué representa el salto | Acción adecuada | Evidencia necesaria |
|---|---|---|
| Un salto de línea visual entre palabras dentro de un mismo párrafo | Reemplazar el salto guardado por un espacio | Ambas líneas pertenecen al mismo párrafo en el original |
| Una división dentro de una misma palabra | Unir los fragmentos, eliminando habitualmente el guion de maquetación | Ortografía prevista, contexto original y cualquier norma específica del idioma |
| Un salto tras un guion de palabra compuesta auténtico | Eliminar el salto y conservar el guion | La palabra conserva ese guion al margen del formato de fin de línea |
| El límite de un párrafo, encabezado, elemento de lista o verso | Conservar el límite | Estructura original, no solo la puntuación de la frase |
| Una transición de columna o página con un orden incierto | Dejar sin resolver e inspeccionar la página | Continuidad, orden de columnas, pies de foto y notas al pie |
Las líneas en blanco y la sangría pueden ayudar a identificar párrafos, pero son pistas más que garantías. Un encabezado puede no tener una línea en blanco debajo. Una línea con sangría puede ser la continuación de una lista y no un nuevo párrafo. Una línea corta que termina en punto puede ser tanto la última línea de un párrafo como una frase a mitad de este.
Si las exportaciones de OCR ofrecen información sobre la maquetación o los bloques, consérvela mientras revisa el texto. Una exportación solo en texto plano puede descartar los indicios que necesita para reconstruir esos límites.
Distinguir entre palabras divididas y guiones auténticos
Tres casos visualmente similares requieren ediciones distintas:
trans- → translation
lation
well- → well-known
known
trans\u00ADlation → translation in a verified reading copy
La última línea utiliza \u00AD para hacer explícito un carácter que, de otro modo, resultaría difícil de ver. Unicode distingue el U+00AD SOFT HYPHEN(un marcador discrecional de división interna de palabras) de un guion visible como U+2010 HYPHEN. No son caracteres intercambiables. La especificación de salto de línea de Unicode también describe cambios ortográficos dependientes del idioma en un salto de línea; eliminar un guion visible y concatenar las letras no siempre basta.
En textos en prosa comunes, eliminar un marcador condicional verificado puede generar una copia de lectura útil. Para una transcripción de archivo, conserve el original por separado: eliminar un marcador altera el texto codificado incluso si la palabra parece idéntica a simple vista.
Utilice un diccionario en el idioma de origen para comprobar una posible grafía y luego vuelva al fragmento. La entrada de un diccionario es una prueba que respalda la decisión, no una autorización para sobrescribir un nombre, un identificador o una ortografía histórica. Las repeticiones a lo largo del documento también ayudan, pero un error de OCR puede repetirse de manera constante.
Por ejemplo, nuestra muestra en alemán es:
Die Auf-
gabe ist klar.
La palabra prevista en este ejemplo redactado es Aufgabe; La entrada de Duden indica que su división silábica es Auf|ga|be. Unir Auf- y gabe está justificado en este caso. Este ejemplo aislado no constituye una regla general de desguionado para el alemán, y la ortografía de un diccionario moderno no debería reemplazar de forma silenciosa la ortografía de una edición más antigua.
Trate las URL, códigos de catálogo, nombres químicos, valores negativos y otros elementos técnicos como casos de revisión independientes. El hecho de que un guion o raya se conserve debe depender de la fuente original y del significado de ese elemento, no de una regla heurística pensada para palabras en inglés.
Qué revelan doce ejemplos controlados
Hemos creado una demostración de limpieza descargable que contiene doce cadenas originales. Sus palabras y estructura previstas se definieron al redactarlas; después, insertamos de forma deliberada saltos de línea e irregularidades en la separación silábica. Se trata de ejemplos de texto sintéticos, no de resultados generados por un motor de OCR ni de escaneos de un libro.
El método de referencia deliberadamente tosco realiza tres sustituciones: elimina la combinación de guion y salto de línea, reemplaza los saltos de línea restantes por espacios y quita los guiones discrecionales. Una segunda vía aplica únicamente cambios aprobados uno a uno sobre el texto exacto, sin intentar reconocer párrafos ni decidir la ortografía de las palabras de manera automática.
| Muestra | Método de referencia tosco | Decisión aprobada |
|---|---|---|
| Ajuste de línea en prosa inglesa | Une correctamente las dos líneas | Reemplaza el salto verificado por un espacio |
trans- / lation | Produce correctamente translation | Elimina el guion insertado y el salto |
well- / known | Produce wellknown | Conserva el guion original |
Alemán Auf- / gabe | Produce correctamente Aufgabe | Une únicamente esta grafía verificada |
| U+00AD incrustado | Elimina el marcador discrecional | Elimínalo en esta copia de lectura editada |
| Puntos suspensivos en francés, luego un nuevo párrafo | Fusiona los párrafos | Conserva el límite definido por el autor |
| Lista numerada, verso, código y encabezado | Aplana estructuras diferenciadas | Conserva sus saltos de línea |
| Dos párrafos sin una línea en blanco | Los une en uno solo | Conserva los párrafos definidos por el autor |
| Marcador de página no revisado | Aplana la transición de página | Déjalo intacto hasta comprobar el orden |
El 3 de octubre de 2026, al ejecutar la prueba con Node.js 25.2.1 , se generó texto que coincidía con las referencias en 4 de 12 ejemplos bajo el método de referencia básico. La ruta aprobada coincidió con las doce referencias y restauró las doce entradas mediante la función de deshacer. También rechazó entradas obsoletas, coincidencias no unívocas y coincidencias inexistentes.
Estos resultados evalúan la aplicación exacta de parches frente a referencias de autor conocidas. No estiman la precisión en el mundo real: las decisiones aprobadas ya contienen las respuestas, y el corpus se seleccionó deliberadamente para evidenciar casos de error. No evaluamos ningún limpiador comercial, motor de OCR, modelo de traducción ni subida a BookTranslator. No hubo reintentos ni muestras excluidas.
Descarga el registro real de entradas/salidas y parches y las instrucciones de reproducción. El código JavaScript se ejecuta localmente sin dependencias ni llamadas de red e imprime los resultados; no sobreescribe tus archivos. Sus comprobaciones evitan que una edición aprobada se aplique a un texto diferente, pero no pueden determinar si una edición es lingüísticamente correcta.
Limpia un bloque verificado a la vez
Comienza con un bloque breve de prosa cuyo orden de lectura y límites de párrafo puedas determinar con claridad. No empieces con un capítulo entero que contenga pies de foto, citas, listas y notas al pie.
- Guarda una copia sin procesar y registra la ubicación de origen. Conserva el nombre del archivo, el número de página, el párrafo o bloque y el idioma junto a cada pasaje revisado.
- Marca primero los límites estructurales. Separa los encabezados, los elementos de listas, los versos, las tablas y el código de la prosa normal. Conserva las referencias de página fuera del texto principal si más adelante vas a eliminar sus marcadores.
- Une los saltos de línea habituales entre palabras dentro de ese bloque. Reemplaza cada salto confirmado por un espacio. Comprueba que las palabras no hayan quedado unidas y que un espacio existente no se haya duplicado por error.
- Revisa las palabras divididas por separado. Muestra el término completo y la frase que lo rodea. Registra «eliminar guion tipográfico», «mantener guion léxico» o «sin resolver». No trates un caso sin resolver como un cambio aprobado.
- Examina las diferencias (diff) antes de aceptarlas. Compare cada salto o guion eliminado con su original. Guarde la versión limpia con un nuevo nombre de archivo, junto con el registro de decisiones.
- Vuelva a abrir y copie desde el resultado guardado. Revise el archivo real que va a utilizar, no solo la vista previa del editor.
Para un fragmento breve, puede bastar con ediciones manuales con control de cambios o una comparación de antes y después. Para un texto más extenso, conviene registrar en una lista de modificaciones la subcadena original exacta, el reemplazo, la ubicación, el motivo y quién lo revisó. Una suma de comprobación del original ayuda a evitar que se apliquen aprobaciones obsoletas tras modificar el texto de entrada.
Si su editor ofrece un modo de limpieza que conserva párrafos, pruébelo en los bloques difíciles, no solo en la prosa fluida. Mantener los saltos de línea dobles no recuperará el límite de un párrafo que el OCR haya representado con un solo salto. No elimine sangrías ni reduzca todos los espacios antes de examinar tablas y código.
Sepa cuándo volver a la imagen de la página
La puntuación en francés ilustra por qué detectar el final de una frase no equivale a detectar un párrafo. En nuestro ejemplo de muestra, Il attend… y Le lendemain, il part. pertenecen a párrafos distintos. Los puntos suspensivos por sí solos no marcan ese límite. La guía sobre los puntos suspensivos de la Office québécois de la langue française describe usos como la interrupción o una idea incompleta; guíese por la estructura de la página para decidir si debe unir la línea siguiente.
Haga obligatoria la revisión de la imagen original en estos casos:
| Caso | Por qué no basta solo con el texto | Qué comparar |
|---|---|---|
| Encabezado seguido inmediatamente de prosa | Es posible que ninguna línea en blanco sobreviva a la extracción | Tipografía, alineación, espaciado y función en la sección |
| Un fragmento que salta de página o columna | Un encabezado, pie de foto o nota al pie puede interrumpirlo | Última línea original, continuación y orden de lectura |
| Un nombre, código, cantidad o término desconocido | Una unión verosímil puede alterar el valor | Cada carácter, incluido el tipo de guion y los dígitos |
| Una división en una lengua histórica | La ortografía en un salto impreso puede diferir de la palabra completa | La edición, la ortografía de origen y una referencia lingüística adecuada |
| Versos, listas, tablas o código | Los finales de línea pueden codificar significado o estructura | La disposición de las líneas, los límites de elementos, las celdas y la sangría |
| Puntos suspensivos, abreviaturas o una línea final corta | La puntuación no determina por sí sola la posición del párrafo | El párrafo completo y sus bloques circundantes |
Si varias páginas presentan el mismo problema, busque ese patrón en todo el documento y revise las coincidencias. Si los caracteres de origen, el orden de lectura o pasajes enteros son incorrectos, detenga la normalización y revise el reconocimiento o la extracción. Para el reconocimiento en varios idiomas, utilice el flujo de trabajo de OCR para PDF en varios idiomas.
Verifique el texto de origen limpio antes de traducirlo
Compare un bloque editado con la página original, luego revise un bloque diferente y cada tipo de estructura presente en el extracto. Mantenga los errores conocidos en el conjunto de revisión. El muestreo aporta información sobre los pasajes comprobados; no certifica el resto del libro.
- Confirme que los nombres, números, fechas y códigos sigan coincidiendo con el original.
- Revise cada guion eliminado y cualquier ortografía reconstruida a través de un salto.
- Compare los límites de párrafos, encabezados, elementos de listas y líneas de versos.
- Confirme que las primeras y últimas líneas se hayan conservado en cada cambio de página.
- Busque los casos no resueltos y manténgalos visibles en el registro de revisión.
- Asegúrese de que la versión final guardada sea la que reciba su siguiente flujo de trabajo.
Si solo necesitaba texto en el que se puedan hacer búsquedas o notas, este extracto verificado puede ser el paso final. No necesita traducirlo para corregirlo.
Si necesita el documento en otro idioma, prepare el contenido verificado en un formato de documento compatible y utilice el flujo de trabajo de traducción de documentos completos. El modo OCR de BookTranslator reconstruye un PDF traducido a partir del contenido reconocido en lugar de reproducir la maquetación de la página original; no es un editor externo de limpieza de texto ni garantiza que cada salto del original se haya interpretado correctamente. La guía para PDF escaneados explica cuándo es necesario el reconocimiento.
Conserva las páginas originales y el registro de limpieza para la revisión final de control de calidad de la traducción del PDF. Una frase fluida en el idioma de destino no puede indicarte si el texto original debió haber incluido un guion auténtico, o si dos oraciones aparentemente continuas eran en realidad párrafos distintos.
Publicaciones relacionadas
