כיצד לתקן מעברי שורה ומקפים ב-OCR לפני תרגום

כדי לתקן מעברי שורה שנוצרו ב-OCR, זהו תחילה את הטקסט השייך לאותה פסקה. החליפו רק את סופי השורות המיותרים ברווחים. עבור מילה שחולקה בין שורות, החליטו בנפרד אם להסיר את המקף או להשאירו: trans- ולאחריו lation הופך ל- translation, אך well- ולאחריו known הופך ל- well-known. נהלו יומן שינויים והשוו חיבורי מילים שבספק מול עמוד המקור.

אל תפעילו פעולות כמו "הסר את כל מעברי השורה" או "מחק את כל המקפים" על ספר שלם. קטע שעבר ניקוי גורף עשוי להיראות קריא ורציף יותר, אך בדרך עלול לאבד פסקה, לחבר בין שני פריטים ברשימה או לשבש מזהה טכני. המטרה היא לקבל עותק מהימן לקריאה או לתרגום – ולא להגיע למספר המינימלי של תווי שורה חדשה.

מדריך זה מתחיל לאחר שלב זיהוי הטקסט. אם העתקה מקובץ PDF מפיקה אותיות או מספרים שגויים, תחילה אבחנו את שכבת הטקסט שלו. שינוי מעברי שורה אינו יכול להפוך תו שזוהה בטעות כ- B-2O4 לתו המקורי שהתכוונו אליו: B-204.

הבינו מה מייצג כל מעבר שורה

השאירו את הסריקה המקורית ואת הטקסט הגולמי שחולץ ללא שינוי. בעותק העבודה, הפעילו בעורך את תצוגת הרווחים או סימני הפסקה. שנו את גודל חלון העורך: שורה שגולשת ומתעטפת מחדש ללא תו ירידת שורה שמור היא פשוט גלישת טקסט חזותית במסך; אין בה שום דבר שצריך למחוק.

תווי ירידת שורה שמורים דורשים בדיקה אחרת. השוו פסקה רציפה אחת, כותרת, רשימה וכל מבנה עמוד השונה באופן מובהק מול תמונת העמוד המקורית. אל תסיקו על מבנה המסמך כולו על סמך עמוד השער בלבד.

שורות ריקות והזחה יכולות לסייע בזיהוי פסקאות, אך הן בגדר רמזים בלבד ולא ערובה. ייתכן שלא תופיע שורה ריקה לאחר כותרת. שורה מוזחת עשויה להיות המשך של רשימה ולא פסקה חדשה. שורה קצרה המסתיימת בנקודה יכולה להיות השורה האחרונה בפסקה או פשוט משפט שמסתיים באמצע פסקה.

אם קובץ הייצוא מה-OCR מספק מידע על העימוד או המבנה (בלוקים), שמרו עליו בעת בדיקת הטקסט. ייצוא של טקסט רגיל בלבד עלול להשמיט את המידע הדרוש לכם לשחזור אותם גבולות.

הפרדה בין מילים מפוצלות לבין מקפים אמיתיים

שלושה מקרים הדומים מבחינה חזותית דורשים עריכות שונות:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

השורה האחרונה משתמשת ב- \u00AD כדי להציג באופן מפורש תו שקשה להבחין בו אחרת. תקן יוניקוד מבדיל בין U+00AD SOFT HYPHEN, שהוא סימון גמיש לשבירה בתוך מילה, לבין מקף גלוי כמו U+2010 HYPHEN. אלה אינם תווים הניתנים להחלפה זה בזה. מפרט שבירת השורות של Unicode מתאר גם שינויי איות התלויים בשפה בעת שבירת שורה; מחיקת מקף גלוי וחיבור האותיות יחד אינם מספיקים תמיד.

בפרוזה רגילה, הסרת סימון מקף רך (discretionary) מאומת יכולה להניב עותק קריאה שימושי. בתעתיק ארכיוני, יש לשמור את המקור בנפרד: הסרת הסימון משנה את הטקסט המקודד גם אם המילה נראית ללא שינוי.

השתמשו במילון ב שפת המקור כדי לבדוק אפשרות איות מסוימת, ולאחר מכן חזרו אל הקטע. ערך מילוני הוא ראיה תומכת, ולא אישור לדרוס שם, מזהה או כתיב היסטורי. מופעים חוזרים במסמך יכולים גם לעזור, אך שגיאת OCR עלולה לחזור על עצמה באופן עקבי.

לדוגמה, הדוגמה שלנו בגרמנית היא:

Die Auf-
gabe ist klar.

המילה המיועדת בדוגמה מחוברת זו היא Aufgabe; הערך במילון Duden מציג את החלוקה שלה כ- Auf|ga|be. החיבור בין Auf- לבין gabe מוצדק כאן. דוגמה בודדת זו אינה מהווה כלל גורף להסרת מיקוף בגרמנית, ואיות ממילון מודרני לא אמור להחליף בחשאי את האורתוגרפיה של מהדורה ישנה יותר.

התייחסו לכתובות URL, קודי קטלוג, שמות כימיים, ערכים שליליים ומונחים טכניים אחרים כמקרים הדורשים בדיקה נפרדת. השאלה אם קו מפריד או מקף יישארו חייבת להיקבע לפי המקור ומשמעות המונח, ולא לפי יוריסטיקה של מילים באנגלית.

מה מראות שתים-עשרה דוגמאות מבוקרות

בנינו הדגמת ניקוי הזמינה להורדה המכילה שתים-עשרה מחרוזות מקוריות. המילים והמבנה המיועדים שלהן הוגדרו כאשר חיברנו אותן; לאחר מכן הוספנו מעברי שורה וארטיפקטים של מיקוף באופן מבוקר. אלו דוגמאות טקסט סינתטיות, ולא פלט של מנוע OCR או סריקות של ספר.

נקודת הייחוס הבסיסית והפשטנית במכוון מבצעת שלוש החלפות: הסרת מקף ואחריו ירידת שורה, החלפת יתר ירידות השורה ברווחים, והסרת מקפים רכים. נתיב שני מחיל אך ורק שינויים שאושרו פרטנית עבור טקסט מדויק. הוא אינו מנסה לזהות פסקאות או לקבוע את איות המילים באופן אוטומטי.

ב-3 באוקטובר 2026, הרצת קובץ הבדיקה באמצעות Node.js 25.2.1 הפיקה טקסט התואם לרפרנס עבור 4 מתוך 12 דוגמאות בקו הבסיס הפשוט. הנתיב המאושר התאים לכל שנים-עשר הרפרנסים ושחזר את כל שנים-עשר הקלטים באמצעות ביטול פעולה (undo). הוא גם דחה קלטים לא עדכניים, התאמות לא ייחודיות והתאמות חסרות.

תוצאות אלו בוחנות החלת טלאי (patch) מדויקת מול רפרנסים ידועים שנכתבו מראש. הן אינן מעריכות דיוק בעולם האמיתי: ההחלטות המאושרות כבר מכילות את התשובות, והקורפוס נבחר במכוון כדי לחשוף מקרי כשל. לא בדקנו כלי ניקוי מסחרי, מנוע OCR, מודל תרגום או העלאה ל-BookTranslator. לא בוצעו ניסיונות חוזרים ולא הוחרגו דגימות.

הורידו את יומן הקלט/פלט והטלאים בפועל ואת הוראות השחזור. קוד ה-JavaScript רץ מקומית ללא תלויות או פניות לרשת ומדפיס את התוצאות; הוא אינו משכתב את הקבצים שלכם. הבדיקות שלו מונעות מעריכה מאושרת לחול על טקסט שונה. הן אינן יכולות לומר לכם אם עריכה היא נכונה מבחינה לשונית.

נקו בלוק מאומת אחד בכל פעם

התחילו עם בלוק טקסט רציף קצר שאת סדר הקריאה וגבולות הפסקאות שלו תוכלו לקבוע בוודאות. אל תתחילו מפרק שלם המכיל כתוביות תמונה, ציטוטים, רשימות והערות שוליים.

1. שמרו עותק גולמי ותעדו את מיקום המקור. שמרו את שם הקובץ, מספר העמוד, הפסקה או הבלוק, ואת השפה לצד כל קטע שנבדק.
2. סמנו תחילה גבולות מבניים. הפרידו כותרות, פריטי רשימה, שירה, טבלאות וקוד מטקסט רגיל. שמרו מראי מקום של עמודים מחוץ לטקסט הקריאה אם תסירו בהמשך את הסימונים שלהם.
3. חברו מעברי שורה רגילים בין מילים בתוך אותו בלוק. החליפו כל מעבר שורה מאומת ברווח. ודאו שמילים לא התחברו זו לזו ושרווח קיים לא הפך לרווח כפול שמסיח את הדעת.
4. בדקו מילים מפוצלות בנפרד. הציגו את המילה המלאה ואת המשפט שסביבה. תעדו "הסר מקף עימוד", "השאר מקף אמיתי" או "לא פתור". אל תתייחסו למקרה לא פתור כאל שינוי מאושר.
5. בדקו את השינויים (diff) לפני שתאשרו אותם. השוו כל מקף או מעבר שורה שהוסרו מול המקור. שמרו את הגרסה המנוקה תחת שם קובץ חדש, יחד עם תיעוד ההחלטות.
6. פתחו מחדש והעתיקו מתוך התוצאה השמורה. בדקו את הקובץ הממשי שבו תשתמשו, ולא רק את התצוגה המקדימה בעורך.

עבור קטע קצר, עריכה ידנית עם מעקב אחר שינויים או השוואה של לפני/אחרי עשויה להספיק. עבור קטעים ארוכים יותר, רשימת תיקונים (patch list) צריכה לתעד את מחרוזת המקור המדויקת, התחליף, המיקום, הסיבה והבודק. סיכום ביקורת (checksum) של המקור מסייע למנוע החלת אישורים ישנים לאחר שהקלט השתנה.

אם העורך שלכם מציע מצב ניקוי המשמר פסקאות, בדקו את המצב הזה על המקטעים המורכבים – ולא רק על פרוזה שוטפת. שימור ירידות שורה כפולות לא ישחזר גבול פסקה שה-OCR ייצג באמצעות ירידת שורה בודדת. אל תמחקו הזחות ואל תצמצמו רווחים לפני שתבדקו טבלאות וקטעי קוד.

דעו מתי יש לחזור לתמונת העמוד המקורית

הפיסוק בצרפתית ממחיש מדוע זיהוי סוף משפט אינו זהה לזיהוי פסקה. בדוגמה שכתבנו, Il attend… וגם Le lendemain, il part. שייכים לפסקאות נפרדות. שלוש הנקודות כשלעצמן אינן מגדירות את הגבול הזה. ה הנחיות של Office québécois de la langue française לגבי שלוש נקודות (points de suspension) מתארות שימושים הכוללים קטיעה או רעיון לא שלם; השתמשו במבנה העמוד כדי להחליט אם לחבר את השורה הבאה.

הפכו את הבדיקה מול תמונת המקור לחובה במקרים הבאים:

אם דפים אחדים מציגים את אותה בעיה, חפשו את הדפוס הזה לכל אורך המסמך ובדקו את התוצאות. אם אותיות המקור, סדר הקריאה או קטעים שלמים שגויים, עצרו את הנרמול וחזרו לשלב הזיהוי או החילוץ. עבור זיהוי במספר שפות, השתמשו בנפרד ב- תהליך ה-OCR עבור מסמכי PDF רב-לשוניים.

אימות טקסט המקור המנוקה לפני התרגום

השוו בלוק שנערך אל מול הדף המקורי, ולאחר מכן בדקו בלוק שונה וכל סוג מבני אחר הקיים בטקסט שחולץ. שמרו כשלים ידועים בערכת הבדיקה. דגימה מספקת עדות רק לגבי הקטעים שנבדקו; היא אינה מבטיחה את תקינות שאר הספר.

• ודאו ששמות, מספרים, תאריכים וקודים עדיין תואמים למקור.
• בדקו כל מקף שהוסר וכל איות ששוחזר לאורך מעבר שורה.
• השוו גבולות של פסקאות, כותרות, פריטי רשימה ושורות שיר.
• ודאו שהשורות הראשונות והאחרונות נשמרו בכל מעבר עמוד.
• חפשו מקרים שלא נפתרו ושמרו אותם גלויים ביומן הבדיקה.
• ודאו שהגרסה הסופית שנשמרה היא זו שתועבר לתהליך העבודה הבא שלכם.

אם כל מה שהייתם צריכים הוא טקסט לחיפוש או הערות, ייתכן שהטקסט המאומת הזה הוא נקודת הסיום. אין צורך בתרגום כדי לתקן אותו.

אם אתם צריכים את המסמך בשפה אחרת, הכינו את התוכן המאומת בפורמט מסמך נתמך והשתמשו ב- תהליך עבודה לתרגום מסמכים שלמים. מצב ה-OCR של BookTranslator בונה מחדש קובץ PDF מתורגם מתוך התוכן שזוהה במקום לשחזר את עיצוב הדף המקורי; הוא אינו עורך חיצוני לניקוי טקסט ואינו מהווה הוכחה לכך שכל מעבר שורה במקור פורש כהלכה. ה- מדריך לקובצי PDF סרוקים מסביר מתי נדרש זיהוי תווים.

שמרו את הדפים המקוריים ואת יומן הניקוי עבור שלב בקרת האיכות הסופי של תרגום ה-PDF. משפט יעד קולח לא יוכל לגלות לכם שבמקור היה אמור להופיע מקף אמיתי — או ששני משפטים שנראים רציפים היו במקור פסקאות נפרדות.