OCR de un PDF en idiomas mixtos: revise el chino, el inglés y los números por separado

Para hacer el OCR de un PDF en idiomas mixtos, identifique los alfabetos de la página, elija una herramienta que pueda procesar el PDF con los idiomas de reconocimiento pertinentes y luego compruebe el texto extraído con la imagen. Revise el texto en chino, el texto en inglés, los números y las relaciones de las etiquetas por separado. Encontrar un título en inglés en la búsqueda no indica si se reconoció el cuerpo en chino.

Agregar otro idioma vale la pena probarlo, no es una mejora automática. En nuestro pequeño experimento en chino e inglés, agregar el inglés corrigió una etiqueta en inglés pero dañó una oración en chino que la configuración exclusiva para chino había reconocido. Ninguna de nuestras dos configuraciones de tabla devolvió texto de una tabla simple con líneas.

Eso no es un veredicto sobre el OCR multilingüe en general. Es un motivo para evaluar el resultado que necesita, en lugar de la cantidad de idiomas seleccionados.

Primero distinga el texto faltante del texto incorrecto

Conserve el archivo original sin cambios. En una copia, seleccione una oración de una página representativa y péguela en un editor de texto plano. Pruebe un pasaje en chino y uno en inglés, no solo el título del documento.

Una capa de texto existente es importante. Por ejemplo, la documentación de OCR de NAPS2 indica que las páginas de PDF importadas que ya contienen texto se dejan tal como están. Por lo tanto, volver a importar una página con un mal OCR no es un método de reparación confiable en ese flujo de trabajo.

Si el problema real es un escaneo de baja resolución, curvo o inclinado, solucione eso antes de interpretar una comparación de configuración de idiomas. Nuestra guía más amplia sobre PDF escaneados cubre esa preparación y las posteriores etapas de traducción.

Elija los idiomas de reconocimiento, no un idioma de destino de traducción

El reconocimiento responde a «¿qué caracteres hay en esta página?». La traducción responde a «¿cómo debe leerse este contenido en otro idioma?». No le pida al OCR que simplifique silenciosamente el chino tradicional, traduzca una cita en inglés o reescriba un identificador desconocido.

Haga un inventario breve:

• Escritura china: simplificada, tradicional o ambas, incluidos encabezados y notas.
• Texto en alfabeto latino: oraciones en inglés, nombres de autores, referencias, abreviaturas y números de modelo.
• Valores controlados: fechas, puntos decimales, unidades, signos negativos, identificadores y códigos sensibles a mayúsculas y minúsculas.
• Regiones: prosa, tablas, pies de página, notas al pie o un apéndice en un idioma diferente.

Por ejemplo, un informe en chino tradicional podría contener un resumen y referencias en inglés. Un capítulo en chino simplificado podría incluir una tabla con A-01, 23.5, y °C. Ninguno de los dos debe evaluarse revisando únicamente el párrafo en chino más largo.

Tesseract ofrece modelos chi_sim, chi_tra, y eng separados en su repositorio oficial de modelos. Su documentación de comandos admite selecciones de idiomas combinados y señala que el orden de los idiomas puede afectar los resultados. Estas son posibilidades de configuración, no garantías de que cada modelo adicional ayude.

Si su documento contiene en su lugar columnas verticales en japonés y furigana, utilice la guía de OCR vertical en japonés. Se trata de un problema diferente de diseño y anotación, no solo de otra casilla de selección de idioma.

Utiliza un flujo de trabajo que realmente acepte archivos PDF

Una ruta de escritorio: NAPS2

NAPS2 ofrece una ruta documentada para hacer que los PDF escaneados sean reconocibles mediante OCR:

1. Importa una copia del archivo y abre su configuración de OCR.
2. Descarga los idiomas de reconocimiento necesarios para el documento.
3. Elige Varios idiomas y selecciona los idiomas pertinentes.
4. Habilita el OCR para PDF con capacidad de búsqueda y guarda en un archivo nuevo.
5. Vuelve a abrir ese archivo y compara el texto en chino, inglés y números copiado con la página visible.

La opción de varios idiomas aparece después de descargar más de un idioma. Estos pasos siguen la guía oficial de NAPS2; no realizamos una prueba práctica de NAPS2 para este artículo.

Una ruta de línea de comandos: OCRmyPDF

Para un PDF en chino simplificado e inglés que contenga solo imágenes, un ejemplo basado en la documentación oficial es:

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

Instala primero los paquetes de idiomas necesarios. Utiliza chi_tra para una prueba en chino tradicional en lugar de asumir que los sistemas de escritura son intercambiables.

El recetario de OCRmyPDF documenta los resultados del PDF y del texto complementario (sidecar). Su archivo complementario no es necesariamente todo el documento: el texto en páginas que ya tenían texto o en páginas omitidas durante el OCR puede estar ausente. Revisa el propio PDF resultante. El OCR incorrecto existente requiere un flujo de trabajo de repetición deliberado; no forces la rasterización de cada página sin entender lo que cambia.

Esta es una ruta basada en la documentación, no en nuestro entorno de prueba medido. No ejecutamos OCRmyPDF aquí.

El Tesseract nativo necesita páginas renderizadas

No utilice tesseract input.pdf ... como si fuera un lector de PDF. Tesseract no acepta entradas en PDF, a pesar de que puede producir salidas en PDF. Tesseract.js tiene la misma distinción con respecto a la entrada de PDF: renderice primero las páginas con una biblioteca de PDF y luego reconozca las imágenes.

Ese es el camino utilizado para nuestro experimento a continuación. Produce texto y evidencia en formato TSV, no un PDF con capacidad de búsqueda probado.

Qué sucedió en diez llamadas locales de OCR

Creamos un PDF de tres páginas compuesto solo por imágenes que contiene:

1. prosa en chino simplificado con referencias en inglés, identificadores, decimales y unidades;
2. una página correspondiente en chino tradicional;
3. una pequeña tabla en chino e inglés con tres filas de datos.

El texto y los valores son material didáctico de autoría propia, no archivos de clientes ni mediciones reales. Cada objetivo de prosa contiene 124 puntos de código sin espacios en blanco, incluidos 41 caracteres Han. La tabla contiene 79 puntos de código sin espacios en blanco.

Las páginas de origen del PDF no tenían texto extraíble. Las renderizamos usando Poppler 26.08.0 a 300 ppp, produciendo imágenes de 1600×1000 píxeles. El tamaño de fuente fue de 48 píxeles en Noto Sans CJK SC/TC Regular. Toda la puntuación provino de los glifos horizontales habituales de las fuentes.

El 8 de septiembre de 2026, ejecutamos Tesseract.js 7.0.0 con tesseract.js-core 7.0.0 localmente en macOS ARM64. Los modelos tessdata_fast oficiales se fijaron en la confirmación (commit) 87416418657359cb625c412a48b6e1d6d41c29bd. Cada llamada usó OEM 1 y PSM 6, la configuración de bloque de texto uniforme, con la misma imagen de página para cada comparación de idiomas.

Hubo cuatro recetas de idioma para cada página de prosa y dos para la tabla. Las diez llamadas se completaron; no se descartó ningún resultado y no se ajustó ningún parámetro después de ver la salida. Las entradas exactas, los hashes del modelo, las versiones y los resultados sin procesar y el instrucciones de reproducción están disponibles.

Un ajuste puede corregir un campo y dañar otro

En la página tradicional, chi_tra conservó los 41 caracteres Han en secuencia, pero aun así cometió errores no relacionados con el chino. Por ejemplo, cambió la etiqueta en inglés Document ID a Document 1ID y leyó mal el símbolo de grados.

Añadir eng restauró Document ID, pero parte de la oración sobre temperatura y masa se convirtió en fragmentos con aspecto latino:

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。

Los números sobrevivieron en esa línea, mientras que el chino circundante no. Comprobar solo 23.5 y 1.08 habría pasado por alto el daño.

La página simplificada mostró un compromiso diferente. Añadir inglés restauró BK-2026-A07, que la ejecución exclusiva en chino había devuelto como BK-2026-AO7. Pero también cambió 与 a 5 en otra parte. El identificador visualmente ambiguo O0I1-l siguió siendo incorrecto.

Los siguientes diagnósticos muestran por qué no declaramos un ganador:

“Ediciones de secuencias Han” compara solo ideogramas chinos. No califica inglés, puntuación o espacios. “Cadenas protegidas encontradas” es solo una comprobación de presencia para los identificadores predefinidos, números, unidades y tokens de referencia; no verifica su posición o relación. Los resultados exclusivos en inglés demuestran la trampa: la mayoría de las cadenas protegidas estaban presentes, pero no se devolvió ningún carácter chino.

El CSV de comparación completo también informa distancias de edición de texto completo. La comparación aplica NFC de Unicode y elimina los espacios en blanco; no corrige la puntuación, cambia las mayúsculas y minúsculas, convierte escrituras chinas ni reordena los caracteres. Invertir el orden de los idiomas cambió el espaciado en estas salidas de prosa, pero no la secuencia de caracteres normalizada. Esa observación no es una regla general sobre el orden de los idiomas.

Una tabla vacía no es una extracción exitosa

Ambas llamadas a la tabla devolvieron texto vacío, a pesar de completarse sin un error de ejecución de OCR. Agregar chino no rescató la receta fija de bloque uniforme.

No probamos otros modos de segmentación, recortes de celdas o un motor de reconocimiento de tablas. Por lo tanto, el resultado no muestran que Tesseract no puede leer tablas. Demuestran que cambiar el idioma de reconocimiento por sí solo no resolvió esta muestra bajo la configuración que utilizamos.

Para una tabla real, se requiere la relación completa Temperature → A-01 → 23.5 → °C, no cuatro tokens encontrados en algún lugar de la página. Si la salida está en blanco o no se pueden verificar las relaciones, deje de tratarla como una transcripción confiable. Pruebe un flujo de trabajo consciente de la disposición o transcriba las celdas necesarias haciendo referencia a la imagen.

Lo que este experimento no puede establecer

Estas son tres páginas sintéticas limpias de una sola familia tipográfica, revisadas por un agente redactor. No hubo una revisión humana a ciegas, un corpus de documentos de producción ni pruebas de escaneos borrosos, escritura a mano, tablas complejas, texto vertical o caracteres históricos.

Los resultados son contraejemplos útiles para una regla incondicional de “añadir más idiomas”. No constituyen una clasificación de motores, una tasa de precisión general ni un pronóstico para su PDF. Esta no fue una prueba de BookTranslator, y el PDF de origen que solo contiene imágenes no es una copia de lectura con OCR completado.

Utilice una verificación de aceptación de cuatro partes en su propio archivo

Descargue la hoja de revisión en blanco. Elija una página que contenga la dificultad real y luego agregue las siguientes comprobaciones antes de procesar todo el archivo:

1. Texto en chino: compare una oración completa, incluidos los caracteres menos comunes y las formas simplificadas o tradicionales deseadas. No normalice silenciosamente un carácter incorrecto convirtiéndolo en el que esperaba.
2. Inglés e identificadores: inspeccione los nombres de los autores, las referencias, las abreviaturas, las mayúsculas y los caracteres similares como O/0 o I/l/1. Un código desconocido no es una palabra para corregir automáticamente.
3. Números y unidades: compare cada valor con su signo, punto decimal, unidad y etiqueta. 0.05 y 0.50 deben seguir siendo distintos; un valor reconocido 23.5 sin la unidad correcta está incompleto.
4. Relaciones y completitud: compruebe que cada párrafo o fila de tabla pertenezca al lugar esperado. Confirme que los subtítulos, las notas y los pequeños pasajes en un idioma secundario estén presentes, no solo el texto principal.

Registre el texto original, el resultado observado, la página/región y la acción requerida. Cuando una configuración mejora una comprobación pero empeora otra, conserve ambas observaciones. No acepte el archivo basándose en una sola puntuación de confianza o un recuento promedio de caracteres.

Separa tres resultados: utilizable tal cual para el propósito indicado, necesita correcciones específicas o aún no se puede confiar en él. Una tarea de búsqueda puede requerir solo un pasaje verificado; una copia de lectura completa requiere la cobertura de todo el documento, no una portada limpia.

Traduce solo después de saber lo que dice el original

Si la búsqueda y el texto original copiable resuelven tu problema, detente ahí. El OCR ha cumplido su función; la traducción es una decisión independiente.

Si necesitas leer el documento completo en otro idioma, conserva el escaneo original y el texto corregido como referencias, luego sigue elflujo de trabajo de traducción de PDF escaneados. Para un archivo apto, eltraductor de PDF de BookTranslatorpuede ser el siguiente paso. Su modo OCR reconstruye el contenido traducido en lugar de prometer una coincidencia exacta con el diseño de la página original; no elimina la necesidad de revisar el texto recuperado y las relaciones de las tablas.

Después de la traducción, usa lalista de comprobación de control de calidad para la traducción de PDFpara distinguir un error de reconocimiento de la fuente de un error de traducción o de diseño. Corregir la etapa equivocada es la forma en que un error legible sobrevive en el archivo final.