OCR d'un PDF multilingue : vérifiez séparément le chinois, l'anglais et les chiffres

Pour effectuer une ROC sur un PDF multilingue, identifiez les écritures présentes sur la page, choisissez un outil capable de traiter le PDF avec les langues de reconnaissance appropriées, puis comparez le texte extrait avec l'image. Vérifiez séparément le texte chinois, le texte anglais, les chiffres et les relations entre les étiquettes. Trouver un titre en anglais dans les résultats de recherche ne garantit pas que le corps du texte en chinois a été reconnu.

L'ajout d'une autre langue mérite d'être testé, mais ne constitue pas automatiquement une amélioration. Dans notre petite expérience bilingue chinois-anglais, l'ajout de l'anglais a corrigé une étiquette en anglais, mais a endommagé une phrase en chinois que la configuration unilingue chinoise avait correctement reconnue. Aucune de nos deux configurations de tableau n'a extrait le texte d'un tableau simple à lignes.

Il ne s'agit pas d'un verdict définitif sur la ROC multilingue en général, mais d'une incitation à juger le résultat dont vous avez réellement besoin plutôt qu'à vous fier au nombre de langues sélectionnées.

Distinguez d'abord le texte manquant du texte incorrect

Conservez le fichier d'origine intact. Sur une copie, sélectionnez une phrase d'une page représentative et collez-la dans un éditeur de texte brut. Essayez un passage en chinois et un passage en anglais, et pas seulement le titre du document.

Une couche de texte existante a son importance. Par exemple, la documentation de la ROC de NAPS2 indique que les pages PDF importées qui contiennent déjà du texte sont laissées telles quelles. Réimporter une page mal reconnue par ROC ne constitue donc pas une méthode de réparation fiable dans ce flux de travail.

Si le véritable problème provient d'un scan de faible résolution, incurvé ou incliné, corrigez-le avant d'interpréter une comparaison de paramètres linguistiques. Notre guide des PDF scannés couvre cette préparation et les étapes de traduction ultérieures.

Choisissez les langues de reconnaissance, pas une cible de traduction

La reconnaissance répond à « quels caractères sont sur cette page ? » La traduction répond à « comment ce contenu doit-il se lire dans une autre langue ? » Ne demandez pas à l'OCR de simplifier silencieusement le chinois traditionnel, de traduire une citation en anglais ou de réécrire un identifiant inconnu.

Faites un inventaire rapide :

• Écriture chinoise : simplifiée, traditionnelle ou les deux, y compris les titres et les notes.
• Texte latin : phrases en anglais, noms d'auteurs, références, abréviations et numéros de modèle.
• Valeurs contrôlées : dates, points décimaux, unités, signes négatifs, identifiants et codes sensibles à la casse.
• Régions : prose, tableaux, légendes, notes de bas de page ou annexe dans une autre langue.

Par exemple, un rapport en chinois traditionnel peut contenir un résumé et des références en anglais. Un chapitre en chinois simplifié peut inclure un tableau avec A-01, 23.5, et °C. Aucun d'eux ne doit être évalué en ne vérifiant que le paragraphe chinois le plus long.

Tesseract fournit des modèles chi_sim, chi_tra, et eng distincts dans son référentiel de modèles officiel. Sa documentation des commandes prend en charge les sélections de langues combinées et note que l'ordre des langues peut affecter les résultats. Ce sont des possibilités de configuration, et non la garantie que chaque modèle supplémentaire sera utile.

Si votre document contient plutôt des colonnes japonaises verticales et des furigana, utilisez le guide de l'OCR vertical japonais. Il s'agit d'un problème différent de mise en page et d'annotation, et pas seulement d'une case de langue supplémentaire.

Utilisez un flux de travail qui accepte réellement les PDF

Une option de bureau : NAPS2

NAPS2 propose une méthode documentée pour rendre les PDF numérisés interrogeables :

1. Importez une copie du fichier et ouvrez ses paramètres de ROC.
2. Téléchargez les langues de reconnaissance nécessaires pour le document.
3. Choisissez Langues multiples et sélectionnez les langues concernées.
4. Activez le ROC pour PDF interrogeable et enregistrez vers un nouveau fichier.
5. Rouvrez ce fichier et comparez le texte chinois, anglais et numérique copié avec la page visible.

L'option de langues multiples apparaît une fois que plusieurs langues ont été téléchargées. Ces étapes suivent le guide officiel de NAPS2 ; nous n'avons pas réalisé de test pratique de NAPS2 pour cet article.

Une option en ligne de commande : OCRmyPDF

Pour un PDF en chinois simplifié/anglais contenant uniquement des images, un exemple basé sur la documentation officielle est le suivant :

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

Installez d'abord les packs de langues requis. Utilisez chi_tra pour un test en chinois traditionnel au lieu de supposer que les scripts sont interchangeables.

Le livre de recettes d'OCRmyPDF documente les sorties PDF et les fichiers de texte associés. Son fichier associé ne correspond pas nécessairement à l'intégralité du document : le texte des pages qui contenaient déjà du texte, ou des pages ignorées lors du ROC, peut être absent. Vérifiez le fichier PDF de sortie lui-même. Un ROC incorrect existant nécessite un flux de travail de réitération délibéré ; ne forcez pas la rastérisation de chaque page sans comprendre ce que cela modifie.

Il s'agit d'un parcours basé sur la documentation, et non de notre environnement de test mesuré. Nous n'avons pas exécuté OCRmyPDF ici.

Le Tesseract brut a besoin de pages rendues

N'utilisez pas tesseract input.pdf ... comme s'il s'agissait d'un lecteur PDF. Tesseract n'accepte pas les entrées PDF, même s'il peut produire une sortie PDF. Tesseract.js présente la même distinction pour les entrées PDF : rendez d'abord les pages avec une bibliothèque PDF, puis reconnaissez les images.

C'est la voie suivie pour notre expérience ci-dessous. Elle produit du texte et des données probantes au format TSV, et non un PDF interrogeable testé.

Ce qui s'est passé lors de dix appels OCR locaux

Nous avons créé un PDF d'images de trois pages contenant :

1. de la prose en chinois simplifié avec des références en anglais, des identifiants, des décimales et des unités ;
2. une page correspondante en chinois traditionnel ;
3. un petit tableau chinois-anglais avec trois lignes de données.

Le texte et les valeurs sont du matériel pédagogique rédigé par nos soins, et non des fichiers clients ou des mesures réelles. Chaque cible de prose contient 124 caractères de code sans espace, dont 41 caractères Han. Le tableau contient 79 caractères de code sans espace.

Les pages source du PDF ne contenaient aucun texte extractible. Nous les avons rendues à l'aide de Poppler 26.08.0 à 300 dpi, produisant des images de 1600×1000 pixels. La taille de la police était de 48 pixels en Noto Sans CJK SC/TC Regular. Toute la ponctuation provenait des glyphes horizontaux ordinaires des polices.

Le 8 septembre 2026, nous avons exécuté Tesseract.js 7.0.0 avec tesseract.js-core 7.0.0 localement sur macOS ARM64. Les modèles tessdata_fast officiels ont été épinglés au commit 87416418657359cb625c412a48b6e1d6d41c29bd. Chaque appel a utilisé OEM 1 et PSM 6, le paramètre de bloc de texte uniforme, avec la même image de page pour chaque comparaison de langue.

Il y avait quatre recettes de langue pour chaque page de prose et deux pour le tableau. Les dix appels ont abouti ; aucun résultat n'a été rejeté et aucun paramètre n'a été ajusté après avoir vu le résultat. Les entrées exactes, les hachages de modèles, les versions et les résultats bruts et le instructions de reproduction sont disponibles.

Un paramètre peut réparer un champ et en endommager un autre

Sur la page traditionnelle, chi_tra a conservé les 41 caractères Han en séquence, mais a tout de même commis des erreurs non chinoises. Par exemple, il a changé l'étiquette anglaise Document ID en Document 1ID et a mal lu le symbole du degré.

L'ajout de eng a restauré Document ID, mais une partie de la phrase sur la température et la masse est devenue des fragments d'apparence latine :

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。

Les chiffres ont survécu dans cette ligne tandis que le chinois environnant n'a pas survécu. Ne vérifier que 23.5 et 1.08 aurait manqué les dégâts.

La page simplifiée a montré un compromis différent. L'ajout de l'anglais a restauré BK-2026-A07, que l'exécution en chinois seul avait renvoyé sous la forme BK-2026-AO7. Mais cela a également changé 与 en 5 ailleurs. L'identifiant visuellement ambigu O0I1-l est resté erroné.

Les diagnostics suivants montrent pourquoi nous n'avons pas déclaré de vainqueur :

« Modifications de séquences han » compare uniquement les idéogrammes chinois. Cet outil ne note pas l'anglais, la ponctuation ou l'espacement. « Chaînes protégées trouvées » est simplement une vérification de présence pour les identifiants, nombres, unités et jetons de référence prédéfinis ; cela ne vérifie pas leur position ni leur relation. Les résultats en anglais seul démontrent le piège : la plupart des chaînes protégées étaient présentes, et pourtant aucun des caractères chinois n'a été renvoyé.

Le CSV de comparaison complet signale également les distances d'édition de texte intégral. La comparaison applique la normalisation Unicode NFC et supprime les espaces ; elle ne corrige pas la ponctuation, ne modifie pas la casse, ne convertit pas les écritures chinoises et ne réordonne pas les caractères. Inverser l'ordre des langues a modifié l'espacement dans ces résultats de texte brut, mais pas la séquence de caractères normalisée. Cette observation ne constitue pas une règle générale concernant l'ordre des langues.

Un tableau vide ne constitue pas une extraction réussie

Les deux appels de tableaux ont renvoyé un texte vide, bien qu'ils se soient terminés sans erreur d'exécution OCR. L'ajout de chinois n'a pas sauvé la recette fixe en blocs uniformes.

Nous n'avons pas testé d'autres modes de segmentation, de recadrages de cellules ou de moteurs de reconnaissance de tableaux. Par conséquent, le résultat ne le fait pas montrent que Tesseract ne peut pas lire les tableaux. Ils montrent que le simple changement de langue de reconnaissance n'a pas résolu ce cas dans les paramètres que nous avons utilisés.

Pour un véritable tableau, il faut exiger la relation complète Temperature → A-01 → 23.5 → °C, et non quatre jetons trouvés quelque part sur la page. Si la sortie est vide ou si les relations ne peuvent pas être vérifiées, cessez de le traiter comme une transcription digne de confiance. Essayez un flux de travail tenant compte de la mise en page ou transcrivez les cellules nécessaires en vous référant à l'image.

Ce que cette expérience ne peut pas établir

Il s'agit de trois pages synthétiques propres provenant d'une seule famille de polices, examinées par un seul agent rédacteur. Il n'y a pas eu d'examen humain en aveugle, de corpus de documents de production, ni de test sur des scans flous, des écritures manuscrites, des tableaux complexes, du texte vertical ou des caractères historiques.

Les résultats constituent des contre-exemples utiles à une règle inconditionnelle « ajouter plus de langues ». Ils ne constituent pas un classement des moteurs, un taux de précision général ou une prévision pour votre PDF. Il ne s'agissait pas d'un test BookTranslator, et le PDF source composé uniquement d'images n'est pas une copie de lecture dont l'OCR est achevée.

Utilisez un contrôle d'acceptation en quatre parties sur votre propre fichier

Téléchargez la fiche de révision vierge. Choisissez une page qui contient la difficulté réelle, puis ajoutez les vérifications suivantes avant de traiter l'ensemble du fichier :

1. Texte chinois : comparez une phrase complète, y compris les caractères moins courants et les formes simplifiées/traditionnelles prévues. Ne normalisez pas silencieusement un caractère erroné en celui que vous attendiez.
2. Anglais et identifiants : inspectez les noms d'auteur, les références, les abréviations, la capitalisation et les caractères similaires tels que O/0 ou I/l/1. Un code inconnu n'est pas un mot à corriger automatiquement.
3. Nombres et unités : comparez chaque valeur avec son signe, son point décimal, son unité et son libellé. 0.05 et 0.50 doivent rester distincts ; un 23.5 reconnu sans l'unité correcte est incomplet.
4. Relations et exhaustivité : vérifiez que chaque paragraphe ou ligne de tableau appartient à l'emplacement prévu. Confirmez que les légendes, les notes et les petits passages dans une langue secondaire sont présents, et pas seulement le texte principal.

Enregistrez le texte d'origine, le résultat observé, la page/région et l'action requise. Lorsqu'une configuration améliore un contrôle mais en détériore un autre, conservez les deux observations. N'acceptez pas le fichier sur la base d'un seul score de confiance ou d'un nombre moyen de caractères.

Séparez trois résultats : utilisable tel quel pour l'objectif indiqué, nécessite des corrections spécifiques ou ne peut pas encore être jugé fiable. Une tâche de recherche peut ne nécessiter qu'un seul passage vérifié ; un exemplaire complet exige la couverture de l'ensemble du document, et non une simple page de titre.

Ne traduisez qu'après avoir compris ce que dit la source

Si la recherche et le texte original copiable résolvent votre problème, arrêtez-vous là. L'OCR a fait son travail ; la traduction est une décision distincte.

Si vous devez lire le document complet dans une autre langue, conservez le scan d'origine et le texte corrigé comme références, puis suivez leflux de travail de traduction de PDF scannés. Pour un fichier éligible,le traducteur de PDF de BookTranslatorpeut constituer la prochaine étape. Son mode OCR reconstitue le contenu traduit plutôt que de promettre une correspondance exacte avec la mise en page originale ; il ne supprime pas la nécessité de vérifier le texte récupéré et les relations entre les tableaux.

Après la traduction, utilisez laliste de contrôle d'assurance qualité pour la traduction de PDFpour distinguer une erreur de reconnaissance de source d'une erreur de traduction ou de mise en page. Corriger la mauvaise étape, c'est permettre à une erreur lisible de subsister dans le fichier final.