העתקה והדבקה מ-PDF מניבות טקסט שגוי? אבחנו קודם את שכבת הטקסט

אם קובץ ה-PDF נראה תקין אך בהדבקה מתקבל טקסט שגוי, הפסיקו להשתמש בגרסה המודבקת כמקור שלכם. תחילה השוו קטע קצר מול העמוד הגלוי לעין: שם, משפט ומספר. הצעד הבא תלוי בשאלה האם לקובץ אין כלל טקסט הניתן לחילוץ, האם מיפוי התווים שלו שגוי, האם שכבת ה-OCR הנסתרת אינה מדויקת, או שיש בעיה בסדר הקריאה. הפעלת OCR על המסמך כולו אינה הצעד הראשון הנכון עבור כל ארבעת המקרים.

השגיאה המסוכנת ביותר אינה ג'יבריש. זוהי שגיאה של טקסט שנראה הגיוני: עמוד שבו כתוב 18 מחברות בעוד שהטקסט שחולץ מציג 13 מחברות. יצרנו ארבעה קובצי PDF להורדה כדי להמחיש את ההבדל הזה הלכה למעשה, מבלי להשתמש במסמכים פרטיים של איש.

התחילו בבדיקה קצרה של העתקה והשוואה

השאירו את הקובץ המקורי ללא שינוי ופתחו עותק עבודה. הדביקו קטע קצר אחד בתוך עורך טקסט פשוט, ולאחר מכן השוו אותו תו אחר תו מול העמוד. חזרו על הפעולה בעמוד אחר, ובמידת האפשר, בתוכנת קריאת PDF נוספת. זוהי בדיקת אבחון, ולא הוכחה לכך ששאר המסמך תקין.

אלו רמזים בלבד, ולא דרך לזהות את המבנה הפנימי של כל קובץ PDF על סמך תסמין יחיד. ההנחיות לשימוש חוזר בתוכן של Adobe מבחינות בין תוכן המבוסס על תמונות בלבד לבין הגבלות העתקה. אין להתייחס לאף אחד מהמקרים הללו באופן אוטומטי כשכבת טקסט פגומה. מדריך החילוץ של pypdf מתאר בנפרד תמונות, חילוץ טקסט ואת הקשיים הכרוכים בטבלאות ובריווחים.

עבור ספר או דוח ארוכים, תעדו את מספר עמוד ה-PDF שבו מופיעה כל בעיה. עמוד שער תקין אינו מעיד על כך שנספח, קטע סרוק או פרק בשתי עמודות יועתקו כהלכה.

ארבעה קובצי PDF: מה שמוצג בעמוד לעומת מה שמתקבל בחילוץ

עמוד הבדיקה שלנו כולל ארבע שורות מקוריות, ובהן:

The archive contains 18 notebooks.

Item B-204 arrived on 6 May.

יצרנו קובץ PDF דיגיטלי רגיל אחד, ויצרנו במכוון שלוש חלופות נוספות. לאחר מכן חילצנו מהם את הטקסט באמצעות Poppler ו-pypdf. שני כלי החילוץ החזירו את אותו הטקסט עבור כל קובץ בבדיקה זו.

עמוד דיגיטלי שנראה תקין לחלוטין עלול להעתיק טקסט שגוי

שני קובצי ה-PDF הראשונים רונדרו לפיקסלים זהים לחלוטין בהשוואה שערכנו, אך הטקסט שחולץ מהם היה שונה. בקובץ השני שינינו במכוון מיפוי של ToUnicode : המידע שמשמש למיפוי קודי התווים השמורים לטקסט Unicode. הספרה הגלויה לעין נותרה 8, בעוד שפעולת החילוץ החזירה את הערך 3. ה תיעוד של pypdf בנושא CMap ממחיש את מנגנון המיפוי הזה.

דבר זה מדגים מנגנון כשל אחד, ואינו טענה שלכל קובץ PDF משובש יש בדיוק את אותו הפגם. היעדרו של רכיב ToUnicode כשלעצמו אינו האבחון המלא שלנו, ועריכה ידנית של מיפויים אינה פתרון מעשי עבור קוראים מן השורה.

סריקה הניתנת לחיפוש עשויה להכיל מילים שגויות

קובצי ה-PDF השלישי והרביעי רונדרו אף הם בצורה זהה לחלוטין זה לזה. אחד מהם הכיל טקסט בלתי נראה שגוי; השני לא הכיל טקסט כלל. בקובץ השלישי, החילוץ שינה בשקט הן כמות והן תאריך. הקוד B-2O4 הכיל את האות O, ולא את הספרה 0 המוצגת בתמונה.

הכנסנו את השגיאות הללו בעצמנו כדי להמחיש את סוג אי-ההתאמה ששכבת טקסט מוסתרת עלולה להכיל. מנוע OCR לא יצר אותן. הקובץ הרביעי מציג את המצב ההפוך: תמונת עמוד קריאה לחלוטין, אך ללא שום תוכן שרכיבי חילוץ הטקסט הללו יכולים להחזיר. עובדה זו עולה בקנה אחד עם המגבלה המתועדת של pypdf: הכלי מחלץ טקסט קיים ב-PDF; הוא אינו מזהה מילים המופיעות בתוך תמונות.

מה המבחן הזה מוכיח – ומה לא

ב-10 בספטמבר 2026 בדקנו ארבעה קבצים בני עמוד אחד באמצעות Poppler 26.08.0 ו-pypdf 6.10.0. השוואות חזותיות בוצעו באמצעות Poppler ברזולוציה של 144 dpi. זהות פיקסלים נשמרה בתוך שני הזוגות, אך לא בין כל ארבעת הקבצים: הזוג המבוסס על תמונות עבר שלב רינדור נוסף.

זוהי הדגמה מבוקרת, ולא מבחן ביצועים (בנצ׳מרק) לדיוק OCR. היא אינה בודקת זיהוי רב-לשוני, פריסות מורכבות, תיקון באמצעות Acrobat, תיקון באמצעות OCRmyPDF או העלאות ל-BookTranslator. אלה היו דוגמאות שנבנו במכוון עם שגיאות ידועות, ולא הערכה עיוורת.

ה טקסט הגולמי ותוצאות הפיקסלים, הוראות השחזורוכן ה מחולל זמינים יחד עם הקבצים. הם משתמשים בגופן Noto Sans ללא שינויים, יחד עם רישיון הגופן הפתוח המצורף אליו.

בחרו בצעד הבא הכי פחות משבש

דרכי התיקון הבאות מבוססות על תיעוד רשמי ואבחון מעשי. אלו אינן תוצאות תיקון מניסוי ארבעת הקבצים שלנו. עבדו על גבי עותק וודאו את התוצאה לפני שאתם מחליפים קובץ שאתם מסתמכים עליו.

אם יש לכם את מסמך המקור, נסו קודם לייצא מחדש

PDF חדש שנוצר מקובץ המקור של עיבוד התמלילים, ההוצאה לאור או הסדר הוא מועמד מצוין לבדיקה ראשונה. השוו במדויק את הקטע שנכשל. אל תניחו ששם קובץ חדש או ייצוא שהסתיים בהצלחה מעידים על כך שהטקסט שלו כעת תקין.

עבור חומר שהתקבל מארכיון או מהוצאה לאור, בדקו האם קיימת גרסה חלופית שמכילה טקסט. שמרו על התאמה בין המהדורה והפניות העמודים: קובץ נקי יותר של מהדורה אחרת עשוי שלא לכלול את הקטע הדרוש לכם.

אם בסריקה יש שגיאות זיהוי בודדות, בדקו את המילים האלו

ב-Acrobat מתועד תהליך עבודה תחת סריקה ו-OCR ← תיקון טקסט שזוהה. האפשרות מאפשרת לבחון מילים שסומנו כחשודות מול התמונה הסרוקה ולתקן את הטקסט שזוהה. עקבו אחר הוראות התיקון העדכניות של Adobe עבור ממשק המשתמש בגרסה שברשותכם.

אל תסתמכו על רשימת חשודים ריקה כמדד לשלמות. השוו באופן עצמאי את השמות, התאריכים, המזהים והכמויות שבכוונתכם לצטט או לתרגם. הטקסט השגוי במכוון שלנו 13 notebooks מדגימה מדוע פלט קריא אינו מספיק.

אם הטקסט הנסתר שגוי ברובו, הבדילו בין redo לבין force

עבור קוראים המשתמשים בכלי שורת פקודה, OCRmyPDF מתעדת נתיבים שונים עבור עמודים שכבר מכילים טקסט:

• --redo-ocr מסירה טקסט OCR קיים שאינו מיועד להדפסה ומבצעת זיהוי מחדש, תוך החרגת טקסט הניתן להדפסה מה-OCR.
• --skip-text מדלגת על עמודים המכילים טקסט. פעולה זו אינה מתקנת שכבת טקסט שגויה קיימת.
• --force-ocr ממירה את תוכן העמוד למפת סיביות (רסטר) ומריצה OCR על התמונות שנוצרו.

התנהגויות אלו מתוארות ב תיעוד שגיאות טקסט קיים של OCRmyPDF. בגרסה 17, האפשרויות המקבילות זמינות גם דרך --mode; הדגלים הישנים נותרו ככינויים חלופיים (aliases).

יש לכך מחירים וחריגים. הפקודה redo אינה יכולה לזהות כל סידור OCR היסטורי; קבצים מסוימים מציבים תמונה אטומה מעל טקסט שמוגדר טכנית כטקסט להדפסה. הפקודה force הופכת טקסט להדפסה ותוכן וקטורי לפיקסלים ומשטחת תוכן אינטראקטיבי. בנוסף, redo ו-force משליכות את עץ המבנה הקיים במקום לבנות אותו מחדש. עיינו ב תיעוד המתקדם של OCRmyPDF לפני שתבחרו באחת מהן.

טקסט מחולץ שתוקן אינו מהווה תחליף לבדיקת נגישות. אם המסמך דורש כותרות, סדר קריאה או תרשימים נגישים, השתמשו ב בדיקות נגישות לקובצי PDF מתורגמים.

אם העמודים או השפות שונים, אל תניחו שהגדרה אחת מתאימה להכל

רשמו אילו עמודים כבר מכילים טקסט דיגיטלי מהימן ואילו זקוקים לזיהוי. בדקו את השפות בעמודים המושפעים לפני הגדרת ה-OCR. ה מדריך שלנו ל-OCR של קובצי PDF מרובי שפות מכסה את בחירת השפה; זוהי החלטה נפרדת מקביעת התקינות של שכבת טקסט ישנה.

אם אין שכבת טקסט כלל, עברו אל תהליך העבודה עבור PDF סרוק. ניסיונות חוזרים ונשנים לחלץ טקסט באמצעות כלי חילוץ טקסט פשוט אחר לא יגרמו ל-pypdf לזהות מילים בתוך תמונה.

אמתו את הטקסט החלופי לפני השימוש בו

השתמשו ב דף בדיקה להורדה עבור שכבת הטקסט כדי להציג זה לצד זה את מקור ההשוואה החזותי, את החילוץ הקודם ואת החילוץ החלופי. התחילו מהתקלה המוכרת, ולאחר מכן בדקו קטע אחר וכל פריסת עמוד שונה באופן מובהק.

1. מילים: השוו שמות ומונחים לא מוכרים אות אחר אות.
2. מספרים: בדקו כמויות, נקודות עשרוניות, תאריכים ומזהים כגון B-204.
3. סדר: קראו פסקה שלמה מעבר למעברי שורה; בדקו עמודות וכיתובים סמוכים בנפרד.
4. כיסוי: ודאו שעמודים וקטעים שנחוצים לכם לא הושמטו.
5. התנהגות הקובץ: פתחו מחדש את הקובץ החלופי שנשמר וחזרו על בדיקת ההעתקה. אם אתם מסתמכים על סימניות, קישורים או מבנה נגישות, בדקו גם אותם.

מעבר מוצלח של קטעים נבחרים מעיד רק על אותם קטעים. אין בכך אישור לתקינות הקובץ כולו. שמרו את תמונת העמוד המקורית כמקור להשוואה, במיוחד בעת תיקון ציטוט או שפה שאינה מוכרת לכם.

תרגמו רק לאחר שתוכלו לסמוך על המקור

אם מטרתכם הייתה לצטט פסקה או לרשום הערות, ייתכן שחילוץ מאומת הוא כל מה שנדרש. אינכם זקוקים לשירות תרגום כדי להשלים משימה זו.

אם עליכם לקרוא את המסמך כולו בשפה אחרת, השתמשו בקובץ המאומת כנקודת המוצא עבור תרגום PDF. מצב ה-OCR של BookTranslator בונה מחדש קובץ PDF מתורגם מתוך התוכן שזוהה; אין זו הבטחה לתקן שכבת טקסט קיימת כלשהי או לשחזר במדויק את פריסת העמוד המקורית.

שמרו את עמודי המקור להשוואה לאורך שלב התרגום. אותם מספרים ומזהים שנבדקו כאן צריכים להיכלל גם ב בקרת האיכות הסופית של תרגום ה-PDF. תרגום קולח אינו יכול, כשלעצמו, להעיד על כך שבמקור היה צריך להיכתב 18 במקום 13.