כיצד לתרגם PDF רב-טורי בלי לשבש את סדר הקריאה

תשובה מהירה: בדקו את סדר הקריאה לפני התרגום

PDF דו-טורי יכול להיראות מסודר ובכל זאת להעביר לכלי תרגום את הפסקאות בסדר שגוי. כשזה קורה, התרגום יכול להיות רהוט, משפט אחר משפט, בעוד העמוד כולו מפסיק להיות הגיוני. שום כלי לא יכול לתרגם את דרכו החוצה ממקור שהוא קרא בסדר שגוי.

לכן סדר העבודה הוא:

1. בדקו כיצד העמוד נקרא. העתיקו עמוד מייצג אחד וודאו שכל פסקה יוצאת בסדר שבו אדם היה קורא אותה.
2. בחרו את זרימת העבודה לפי הבדיקה הזו. השתמשו בתרגום PDF שומר פריסה כשהסדר תקין, במצב OCR כשהטקסט אינו שמיש, ובמסלול המרה ותיקון כשאתם צריכים קובץ ניתן לעריכה.
3. בדקו את הטורים המתורגמים. הביטו בשבירת הטור, בכיתובי איורים, בהערות ברוחב מלא, בהערות שוליים ובשורות ארוכות מדי.

המשך המדריך מראה מדוע אי אפשר לדלג על שלב 1, באמצעות מבחן קטן שתוכלו להוריד ולהריץ בעצמכם. הוא מכסה קובצי PDF עם שכבת טקסט אמיתית, כגון דוחות מיוצאים, מאמרים ועלונים. אם העמודים שלכם סרוקים, התחילו עם כיצד לתרגם PDF סרוק.

מה בדקנו

ב-2026-10-20 יצרנו שלושה קובצי PDF בני עמוד אחד מאותו טקסט: כותרת, תיבת איור בראש הטור השמאלי, שלוש פסקאות בכל טור, הערה מודגשת החוצה את שני הטורים, והערת שוליים. כל פסקה מתחילה בסמן מ-P1 עד P8, כך שסדר הקריאה הנכון הוא P1 עד P8.

שלושת הקבצים נבדלים בדרכים שאינכם יכולים לראות על המסך:

• two-column-stream-logical.pdf שומר את הטקסט קודם כל בטור השמאלי, ואחר כך בטור הימני.
• two-column-stream-rowwise.pdf נראה זהה אך שומר את השורות שורה אחר שורה, לסירוגין בין הטורים.
• two-column-no-figure-rowwise.pdf שומר את הטקסט שורה אחר שורה ואין בו תיבת איור. זהו קובץ הבקרה.

לאחר מכן חילצנו את הטקסט בשבע שיטות קוד פתוח נפוצות ותעדנו את סדר הפסקאות שכל אחת החזירה:

אף אחת משבע השיטות לא קיבלה את כל שלושת הקבצים נכון. כל שיטה שקיבלה קובץ אחד נכון טעתה באחר. בקובץ הבקרה, pdftotext -raw, pdftotext -layout ו-PyMuPDF עם sort=True הדפיסו גם שלוש שורות שכל אחת מהן ערבבה טקסט משתי העמודות, וזה בדיוק מה שקורא רואה כשטקסט מועתק חוצה את השוליים. PyMuPDF עם sort=True יצר שורה כזו בכל אחד משני הקבצים האחרים גם כן.

הבדיקה קטנה במכוון: עמוד אנגלי סינתטי אחד, ללא תגיות, שנוצר עם ReportLab. היא לא מדרגת את הספריות האלה, והיא לא בדקה שום מוצר תרגום, כולל BookTranslator. מה שהיא מראה הוא צר יותר ושימושי יותר: עמוד שנראה זהה יכול להפיק סדר מקור שונה, כך שהבדיקה האמינה היחידה היא הקובץ שלך.

אפשר לשחזר את הבדיקה עם מחולל קובצי הבדיקה, שלושת קובצי ה-PDF (לוגי, שורה-שורה, ללא איור), בודק סדר הקריאה, מריץ החילוץ שקורא לכל שבע השיטות, וקובץ ה-CSV של התוצאות.

למה אותו עמוד נקרא בסדרים שונים

החולצים משתמשים באחת משתי אסטרטגיות, וכל אחת נכשלת בקובץ אחר.

אסטרטגיה 1: לעקוב אחרי הסדר השמור בקובץ. PDF מצייר טקסט בכל סדר שבו היוצר שלו כתב אותו. מדריך poppler מתאר את pdftotext -raw כשומר על "הטקסט בסדר זרם התוכן" (וכבר לא ממליץ על מצב זה), והתיעוד של PyMuPDF אומר שפלט ברירת המחדל שלו הוא טקסט רגיל "כפי שהוא מקודד במסמך" (מדריך pdftotext של poppler, מתכוני טקסט של PyMuPDF). זה עובד כשהקובץ שומר את הטקסט בסדר קריאה. זה נכשל כשהסדר השמור הוא שורה-שורה, כמו בקובץ השני שלנו, למרות שהעמוד נראה זהה.

אסטרטגיה 2: לבנות מחדש את הסדר לפי היכן שהטקסט נמצא בעמוד. מצב ברירת המחדל של pdftotext מנסה להוציא טקסט "בסדר קריאה", pdfminer.six מקבץ שורות קרובות לתיבות ומאפשר לך לתת משקל ל"מיקום אופקי ואנכי" בעת סידורן, ו-sort=True של PyMuPDF ממיין "משמאל למעלה לימין למטה" (pdfminer.six LAParams). שיטות אלה מתעלמות מהסדר השמור, כך שהקבצים הלוגי והשורה-שורה נותנים תוצאות זהות.

קובץ הבקרה מסביר את הכשל. ללא האיור, מצב ברירת המחדל של pdftotext ו-pdfminer.six קוראים את P1 עד P8 נכון. הוסף תיבת איור בראש העמודה השמאלית, והפסקה הראשונה מימין (P4) הופכת לטקסט הגבוה ביותר בעמוד. שיטה שנותנת משקל למיקום אנכי מתחילה את העמוד שם.

זהו עיצוב עמוד נפוץ, לא מקרה קצה: מאמרים פותחים את העמודה השמאלית עם איור או תיבת תקציר, מגזינים מתחילים עמודה מתחת לתמונה, ומדריכים שמים תיבת אזהרה מעל השלב הראשון. ההערה ברוחב מלא (P7) וההערת השוליים (P8) נשארו במקומן בכל ריצה, כך שבדיקה שמסתכלת רק על תחתית העמוד תפספס את הבעיה.

שלב 1: בדוק את ה-PDF שלך בחמש דקות

הסמנים בקובץ הבדיקה שלנו לא קיימים במסמך שלך, אבל אותה בדיקה עובדת עם כמה משפטים שתבחר בעצמך.

1. בחר את העמוד הקשה ביותר, לא את העמוד הראשון. בחר עמוד דו-טורי עם איור, טבלה או תיבת הערה ליד ראש העמודה, plus כותרת או הערה ברוחב מלא באמצע העמוד.
2. רשום חמישה ביטויי עוגן, לפי סדר קריאה: המילים הראשונות של העמודה השמאלית, המילים האחרונות של העמודה השמאלית, המילים הראשונות של העמודה הימנית, האלמנט ברוחב מלא, והכיתוב.
3. העתק את כל העמוד מציג ה-PDF שלך והדבק אותו בעורך טקסט רגיל. אם אתה משתמש בכלי עם תצוגה מקדימה של המקור, השתמש בתצוגה המקדימה הזו במקום, כי היא מראה את הסדר שהכלי קיבל בפועל.
4. מצא את העוגנים בטקסט שהודבק. הם אמורים להופיע בסדר שרשמת, ואף שורה בודדת לא אמורה להכיל מילים משתי העמודות.
5. חזור על הבדיקה בעמוד מסוג אחר, כגון עמוד מקורות, עמוד עם סרגל צד, או העמוד הראשון של פרק.

פרש את התוצאה כך:

העתקה והדבקה היא בדיקה מהירה, לא הוכחה למה שכלי אחר יעשה. הטבלה שלנו מראה ששני כלים יכולים לקרוא את אותו קובץ אחרת. התוצאה של הצופה שלכם מספרת לכם עד כמה הקובץ מסוכן. התצוגה המקדימה של הכלי עצמו, או תרגום בדיקה של עמוד אחד, מספרת לכם מה הכלי הזה באמת קורא.

אם הטקסט מודבק עם האותיות הנכונות אבל עם ריווח או שבירות שורה שבורים, תקנו את בעיות הטקסט בהעתקה-הדבקה לפני שאתם שופטים את סדר העמודות.

שלב 2: בחרו את התהליך לפי מה שראיתם

בחרו את התהליך לפי הבדיקה, לא לפי הטענה של כלי שהוא שומר על הפריסה שלכם.

הסדר נכון והטקסט ניתן לבחירה. תרגמו את ה-PDF כקובץ, לא על ידי הדבקת קטעים. תהליך שומר פריסה מחזיר את הטקסט המתורגם אל תוך העמוד, כך שהעמודות, האיורים וכותרות הרץ נשארים במקום שבו הקוראים מצפים להם. ב-BookTranslator, זהו המסלול הסטנדרטי של תרגום PDF. התייחסו לכל הבטחה לשמור על פריסה, כולל שלנו, כאל משהו שצריך לאמת בעמוד הקשה ביותר שמצאתם בשלב 1, לא כאל ערובה.

הסדר נשבר רק ליד איורים או אלמנטים ממוסגרים. לפני תרגום כל המסמך, הריצו עמוד בעייתי אחד בכלי שבחרתם. אם העמוד הזה יוצא בסדר הנכון, הכלי לא משתמש באותה אסטרטגיה כמו בדיקת ההעתקה שלכם. אם הוא יוצא מבולבל, שנו את התהליך במקום לקוות ששאר הקובץ יתנהג אחרת.

העמוד סרוק, או שכבת הטקסט אינה שמישה. השתמשו ב-OCR. מצב OCR של BookTranslator קורא את תמונת העמוד ובונה מחדש PDF מתורגם נקי. העמוד ההוא ממליץ עליו לספרי לימוד, מאמרים אקדמיים, טבלאות ועמודים עתירי תמונות שבהם שימור התוכן חשוב יותר מהפריסה המדויקת. לא בדקנו אותו על קבצי הבדיקה במדריך הזה. הפשרה מפורשת: מצב OCR אינו מנסה לשמר את הפריסה, הגופנים או גדלי הגופנים המקוריים. לסריקות בפרט, ראו כיצד לתרגם PDF סרוק.

אתם צריכים בכל מקרה מסמך שניתן לעריכה. המירו את ה-PDF ל-Word, תקנו שם את סדר הקריאה ותרגמו את ה-DOCX. זה דורש את המאמץ הרב ביותר, אבל זהו המסלול היחיד שבו תוכלו לתקן ישירות את סדר הפסקאות לפני התרגום. הוא גם משנה את הפריסה, אז השתמשו בו כשהפלט ייערך עוד, לא כשעליו להיראות כמו העמוד המקורי.

הימנעו מהדבקת עמודות לתוך צ'אטבוט או תיבת טקסט. אתם הופכים לאחראים לשחזור הסדר, הכיתובים וההערות שוליים ביד, בכל עמוד. הטבלה שלנו מראה כמה בקלות הסדר הזה משתבש לפני שאתם מתחילים.

למאמרים אקדמיים, שבהם אותה בעיה משתלבת עם משוואות, ציטוטים ומראי מקום, עקבו אחר תהליך תרגום מאמרי מחקר. לתהליך הכללי של שימור פריסה בכל סוגי ה-PDF, ראו כיצד לתרגם PDF תוך שמירה על הפורמט.

שלב 3: בדקו את העמודות המתורגמות

תרגום מרובה עמודות נכשל במקומות שסריקה מהירה מפספסת. בדקו את חמשת המקומות האלה בכל סוג עמוד שבדקתם בשלב 1:

1. שבירת הטור. קראו את המשפט האחרון בטור השמאלי ואת המשפט הראשון בימני. הטיעון אמור להמשיך, לא לקפוץ לפסקה אחרת.
2. כיתובים ואיורים. כל כיתוב צריך עדיין להימצא מתחת לאיור שלו, מתורגם, ולא לנדוד לתוך גוף הטקסט.
3. אלמנטים ברוחב מלא. כותרות, הערות וציטוטים מובלטים שמשתרעים על שני הטורים צריכים עדיין להשתרע עליהם, ולא להתפצל לשני חצאי משפטים.
4. הערות שוליים וכותרות עליונות. סימני הערות שוליים בגוף צריכים להתאים להערות בתחתית העמוד, וכותרות עמוד לא אמורות להופיע באמצע פסקה.
5. גלישה בטורים צרים. טקסט מתורגם לרוב ארוך יותר מהמקור. ההנחיה של W3C בנושא גודל טקסט בתרגום מצטטת נתונים של IBM שלפיהם טקסט מקור באנגלית באורך של יותר מ-70 תווים מתארך בכ-130% כשהוא מתורגם לשפות אירופיות, עם עליות גדולות יותר במחרוזות קצרות. בטור צר יש מעט מקום לטקסט הנוסף הזה, לכן חפשו שורות חתוכות, גופן מוקטן או טקסט החופף לאיורים. כותרות ותאי טבלה הם המועדים ביותר לגלישה.

לצורך סקירה, קובץ דו-לשוני עוזר, אבל הפריסה שלו חשובה. הצבת המקור והתרגום באותו עמוד דוחסת שתי שפות לטורים שכבר היו צרים. בתרגום ה-PDF הסטנדרטי של BookTranslator (כשמצב OCR כבוי), ה-PDF הדו-לשוני מציע שתי פריסות, אותו עמוד ועמודים נפרדים. עבור מסמכים מרובי טורים, בחרו בעמודים נפרדים: כל עמוד מקור מלווה בעמוד המתורגם שלו, כך שכל טור שומר על רוחבו המקורי. עדיין ניתן להוריד גם את הגרסה המתורגמת בלבד. רשימת הבדיקה לתרגום PDF שלנו מכסה את שאר הבדיקות ברמת הקובץ.

אם ה-PDF המתורגם צריך לעבוד גם עם קוראי מסך, הסדר החזותי אינו מספיק. יש לבדוק בנפרד את סדר הקריאה המתויג. W3C מציין שסדר הקריאה ב-PDF מתויג "נקבע בעיקר לפי סדר התגים של רכיבי המסמך" (W3C PDF3). המדריך שלנו לנגישות של PDF מתורגם מראה כיצד לבדוק זאת.

מה המדריך הזה אינו טוען

• זה לא דירוג כלים. שבעת מחלצי הטקסט נבחרו משום שהם נפוצים וקלים להרצה חוזרת. כל אחד מהם נכשל בלפחות אחד משלושה קבצים, וקובץ בדיקה אחר היה עשוי לשנות מי מהם נכשל.
• הוא לא בדק מוצרי תרגום. לא הרצנו את BookTranslator, DeepL, Google Translate או מתרגם אחר על הקבצים האלה. תיאורי המוצרים לעיל מגיעים מהעתק השיווקי הנוכחי של BookTranslator, לא מהבדיקה הזו.
• עמוד אחד אינו מסמך. קבצים אמיתיים מערבבים עיצובי עמודים, לכן בדקו לפחות שני סוגי עמודים.
• קובצי PDF מתויגים עשויים להתנהג אחרת. קובצי הבדיקה שלנו אינם מתויגים. קובץ PDF מתויג כראוי נושא סדר קריאה מפורש שחלק מהכלים משתמשים בו.

הכלל המעשי עדיין תקף: גלו כיצד ה-PDF שלכם נקרא לפני שאתם מתרגמים אותו. אם הסדר נכון, תרגמו את הקובץ ובדקו את הטורים. אם הוא שגוי, שנו את זרימת העבודה, לא את הגדרות התרגום.