חילוץ טקסט מ-PDF לעומת OCR: בחירת הנתיב הנכון לפני התרגום

השתמשו בחילוץ טקסט כאשר קובץ ה-PDF כבר מכיל טקסט מהימן וקריא למחשב. השתמשו ב-OCR כאשר עמוד מכיל רק תמונה של טקסט. אם בעמוד יש שכבת טקסט קיימת אך שגויה, אף אחד משני הכללים אינו מספיק: עליכם להשוות בין המילים שחולצו לבין העמוד הגלוי לפני שתחליטו אם לשמור, להחליף או לבצע מחדש את השכבה הזו.

ההחלטה הזו צריכה להתקבל לפני התרגום. כלי תרגום אינו יכול לשחזר כמות, שם או משפט שנכנסו לתהליך העבודה בצורה שגויה. הוא יכול לתרגם רק את מקור הטקסט שהוא מקבל.

טבלת ההחלטה המהירה

בדקו עמודים, לא רק קבצים. קובץ PDF בודד יכול לשלב עמוד שער דיגיטלי, פרקים סרוקים ותוספות עם שכבת OCR ישנה.

היכולת לסמן מילים היא רק הוכחה לכך שקיים אובייקט טקסט. היא אינה מוכיחה שהטקסט תואם לעמוד. לעומת זאת, כשל בבדיקת העתקה אינו מוכיח שכל ה-PDF מכיל תמונות בלבד.

מבחן ה-PDF המעורב בן ארבעת העמודים שלנו

יצרנו קובץ PDF בן ארבעה עמודים להורדה עם תוכן ידוע. הוא אינו מכיל מסמכים פרטיים או של צדדים שלישיים:

1. עמוד שנוצר דיגיטלית במקור;
2. עמוד של תמונה בלבד;
3. עמוד שנראה סרוק אך בעל שכבת טקסט מוסתרת נכונה;
4. עמוד שנראה סרוק עם שכבת טקסט מוסתרת ומטעה במכוון.

עבור כל עמוד, הרצנו את Poppler pdftotext מול נתוני ה-PDF הקיימים. בנפרד, רינדרנו את העמוד ברזולוציה של 300 dpi והרצנו את Tesseract על אותה תמונה. נקודת הייחוס החזותית נקבעה מראש לפני שתי הבדיקות.

הנקודה אינה ש-Tesseract תמיד מנצח. במקרה של דוגמת מבחן נקייה זו באנגלית הוא אכן ניצח, משום שבנינו את העמוד כדי לבודד את קבלת ההחלטה. בסריקות רועשות, בכתבים חריגים, בטבלאות, בכתב יד או במבנים מורכבים, OCR חדש יכול להיכשל בדרכים שונות.

התוצאות עמוד אחר עמוד, דף קבלת ההחלטות, הערות השחזורו המחולל זמינים יחד עם קובץ הבדיקה (fixture). ב-21 בספטמבר 2026, הגרסאות המתועדות היו Poppler pdftotext 26.08.0 ו-Tesseract 5.5.3.

מה המבחן מוכיח – ומה הוא אינו מוכיח

הוא מוכיח שארבעה עמודים קריאים לחלוטין למראית עין יכולים לדרוש שלושה נתיבי הכנה שונים לקראת תרגום. הוא גם מוכיח שטקסט בר-חיפוש יכול להיות שונה מהמוצג בעמוד, ועדיין להיראות הגיוני.

הוא אינו מודד דיוק OCR כללי, נגישות לקוראים, שחזור טבלאות, זיהוי רב-לשוני או את התנהגות ההעלאה של BookTranslator. העמודים פשוטים והשגיאות בעמוד הרביעי הוכנסו במכוון; Tesseract לא יצר אותן.

מדוע חילוץ ו-OCR הם פעולות שונות לחלוטין

חילוץ טקסט קורא אובייקטים של טקסט שכבר מאוחסנים ב-PDF. לעומת זאת, OCR מזהה תווים מתוך פיקסלים. ה מדריך לחילוץ טקסט של pypdf מציב את אותו הגבול בדיוק: pypdf מסוגל לקרוא שכבת טקסט קיימת, אך אינו יכול לזהות מילים בתוך תמונה.

להבחנה זו יש חשיבות רבה, מכיוון שקובץ PDF דיגיטלי יכול להכיל מידע שהמרה לתמונה (רסטריזציה) משמיטה או מקשה על שחזורו: קידודי תווים, נתוני גופנים, קישורים, גרפיקה וקטורית ואובייקטי מסמך נוספים. pypdf ממליץ במפורש שלא להתייחס ל-OCR כפתרון אוניברסלי לקבצים שנוצרו במקור באופן דיגיטלי. הוא מציג גם מגבלה נוספת: לרוב, קובץ PDF שומר טקסט לצורך מיקום חזותי בלבד, ולא כפסקאות, טבלאות או כותרות בעלות משמעות סמנטית.

לכן, יש להציב שתי שאלות בלתי תלויות בבדיקה המקדימה:

1. האם התווים נכונים? השוו את השמות, המספרים, סימני הפיסוק והמונחים הלא-מוכרים שחולצו אל מול העמוד עצמו.
2. האם המבנה שמיש? קראו פסקה שלמה, ולאחר מכן בדקו עמודות, הערות שוליים, טבלאות, כיתובי תמונות ומעברי עמודים.

תווים נכונים בסדר שגוי עדיין מהווים מקור פגום לתרגום.

בדיקה מקדימה ברמת העמוד לפני התרגום

1. שמרו על המקור

שמרו עותק מקור ללא שינוי ותעדו את ערך ה-hash שלו אם המסמך חשוב לכם. בצעו ניסויים על גבי עותקים בלבד. החלפה של שכבת טקסט לא מושלמת עלולה לשטח תוכן וקטורי או להשמיט מידע שתזדקקו לו בהמשך.

2. מפו את סוגי העמודים

אל תקבלו החלטה על סמך העמוד הראשון בלבד. דגמו את עמודי הפתיחה, עמודי גוף טקסט רגילים, נספחים, טבלאות, איורים, דפי מוסף וכל עמוד שנראה מצולם או סרוק.

במסמכים ארוכים, תעדו את טווחי העמודים:

קובץ ה-CSV להורדה משתמש באותו דפוס עבור ערכת הבדיקה שלנו.

3. השוו מזהים וקטעים מורכבים, לא רק טקסט פשוט

משפטים שנראים קולחים הם מדד חלש לבדיקה. ודאו שאתם בודקים:

• שם של אדם;
• תאריך וכמות;
• מזהה המשלב אותיות ומספרים;
• טקסט עם סימני ניקוד, טעמים או תווים שאינם לטיניים;
• משפט שנמשך מעבר למעבר שורה;
• קטע הסמוך להערת שוליים, איור או עמודה שנייה.

עמוד ארבע בדוגמת הבדיקה שלנו היה נראה שמיש אילו הבדיקה הייתה נעצרת במילים נפוצות. השגיאות מרוכזות ב- O/0, 58/53, וב- 7.5/7.8—בדיוק סוג הטוקנים שעלול לשבש מראי מקום ועובדות לאחר התרגום.

4. סווגו אי-ודאות ביושר

השתמשו בארבע תוצאות אפשריות: הדגימה עברה, הדגימה נכשלה, אין טקסט שניתן לחילוץ, או טרם נבדק. "ניתן לבחירה" אינו תוצאה תקינה. וגם לא "ה-OCR הסתיים".

לדגימה יש מגבלות. מעבר מוצלח של שלושה עמודים אינו מהווה אישור לספר בן 400 עמודים, במיוחד כאשר הקובץ כולל סריקות או פריסות שונות. הגדילו את היקף הבדיקה בכל מקום שבו מאפייני המקור משתנים.

בחרו מצב ב-OCRmyPDF רק לאחר אבחון

התיעוד הנוכחי של OCRmyPDF מתאר כמה דפוסי התנהגות עבור עמודים שכבר מכילים טקסט. אלו הן אפשרויות ניתוב, ולא ערובה לאיכות.

• התנהגות ברירת המחדל עוצרת כאשר עמוד כבר מכיל טקסט להדפסה או שכבת OCR נסתרת, מכיוון שאינה יכולה לדעת בוודאות איזה סוג נמצא.
• דילוג על טקסט (Skip text) מעתיק עמודים המכילים טקסט ללא שינוי ומפעיל OCR על שאר העמודים. מצב זה שימושי לקובץ מעורב רק כאשר הטקסט הקיים מהימן.
• ביצוע OCR מחדש (Redo OCR) מסיר טקסט OCR קיים שאינו מיועד להדפסה ומזהה את העמוד מחדש, תוך החרגת טקסט וקטורי להדפסה. מצב זה עשוי להתאים לשילוב של עמודים דיגיטליים ועמודים שעברו OCR בעבר, אך אינו יכול לזהות כל סידור היסטורי.
• אילוץ OCR (Force OCR) הופך תוכן וקטורי לתמונת מפת סיביות (רסטר) ומפעיל OCR על התמונה שנוצרת. מצב זה יכול להחליף שכבה פגומה, אך הוא גובה מחיר באובדן מידע ועלול לשטח תוכן אינטראקטיבי.

הגדרות אלו מבוססות על תיעוד שגיאות הטקסט הקייםשל OCRmyPDF בגרסה 17.12.1. קראו את התיעוד של הגרסה המותקנת אצלכם לפני הפעלת תהליך באצווה. שמו של דגל אינו מהווה הוכחה לכך שהפלט שמר על סימניות, תגיות, קישורים, טפסים או מבנה נגיש.

בדוגמת הבדיקה שלנו, דילוג על טקסט היה משמר את הטקסט הנסתר השגוי במכוון שבעמוד ארבע. זו הסיבה שבגללה שלב ההעתקה וההשוואה חייב להתבצע לפני בחירת מצב באצווה.

טעויות נפוצות בדרך

"אם הטקסט ניתן לבחירה, אפשר לוותר על OCR"

עמוד ארבע מפריך את הכלל הזה. סימון באמצעות העכבר מעיד על קיומו של טקסט, לא על נאמנותו למקור.

"עדיף להפעיל OCR על ה-PDF כולו ליתר ביטחון"

הדבר עלול לפגוע באיכותם של דפים דיגיטליים תקינים ולהשליך אובייקטים שימושיים מתוך ה-PDF. בנוסף, זה מרחיב את היקף הבדיקה הנדרש מבלי לתקן באופן אוטומטי את סדר הקריאה הסמנטי.

״השתמשו בפלט שנראה שוטף יותר״

שטף לשוני הוא מתעתע במקרה הזה. השוו תמיד מול הדף הגלוי לעין. אל תאפשרו למודל שפה לתקן בחשאי מזהה או כמות מסוימת, ואז להתייחס לתוצאה כאל מקור מהימן.

״דף תקין אחד מעיד על הקובץ כולו״

קובצי PDF מעורבים הם תופעה נפוצה: כריכה דיגיטלית יכולה להקדים פרקים סרוקים, או שספר שניתן לחיפוש עשוי לכלול תוספות של תמונות בלבד. תעדו החלטות לפי טווחי עמודים.

תנאי הסף לקובץ PDF שמוכן לתרגום

לפני שליחת הקובץ לתהליך עבודת התרגום, ודאו שכל התנאים הבאים מתקיימים:

1. כל טווח עמודים סווג כדיגיטלי, כתמונה בלבד או כבעל שכבת OCR קיימת.
2. לשכבות קיימות שנכשלו יש נתיב החלפה מתועד.
3. שמות, מספרים, מזהים ומונחים לא מוכרים עברו בהצלחה השוואה מול המקור בעמודים שנדגמו.
4. סדר הפסקאות והעמודות קריא והגיוני בטקסט המקור שחולץ.
5. טבלאות, איורים, הערות שוליים ומשוואות אומתו, או מנוהלים במפורש כנכסים נפרדים.
6. קובץ ה-PDF המקורי נשאר זמין לצורך השוואה שלאחר התרגום.

היעזרו בנפרד ב מדריך לאבחון העתק-הדבק כאשר קובץ PDF שמכיל טקסט כבר נכשל. היעזרו ב תהליך עבודה עם PDF סרוק כאשר העמודים הם תמונה בלבד, וב מדריך ל-OCR בשפות מעורבות כאשר בחירת השפה היא חלק מסיבת הכישלון.

תרגמו את המקור המאומת, ולאחר מכן בדקו את הפלט

אם היעד הסופי הוא קריאת מסמך שלם בשפה אחרת, העלו את קובץ ה-PDF המאומת אל PDF Translator. עבור דפים סרוקים או עמוסי תמונות, מצב ה-OCR של BookTranslator מחלץ תוכן שניתן לזיהוי ובונה מחדש קובץ PDF מתורגם ונקי; המצב אינו מתחייב לשמר במדויק את פריסת הדף, הגופנים או הגדלים המקוריים, או לתקן כל שכבת טקסט נסתרת קיימת.

שמרו את פירוט העמודים ואת הקובץ המקורי. לאחר התרגום, חזרו על בדיקות הסיכון הגבוה בקובץ היעד: שמות, כמויות, מזהים, כיסוי עמודים, סדר פסקאות וכל מבנה שאתם מסתמכים עליו. ה רשימת ביקורת לבקרת איכות של תרגום PDF מכסה את שלב האישור הסופי הזה.

כלל הברזל פשוט: חלצו את מה שכבר אמין, הפעילו OCR רק על מה שדורש זיהוי, והחליפו שכבת טקסט רק לאחר שהוכחתם שהיא שגויה.