Kako popraviti OCR prijelome redaka i rastavljanje riječi prije prevođenja
Ispravite prelomljeni OCR tekst bez brisanja stvarnih crtica, odlomaka, popisa ili stihova. Koristite reverzibilan radni tijek i dvanaest preuzetih primjera čišćenja.
Kako biste popravili OCR prijelome redaka, najprije odredite tekst koji pripada jednom odlomku. Zamijenite samo neželjene prijelome redaka razmacima. Za riječ podijeljenu u više redaka zasebno odlučite hoćete li crticu ukloniti ili zadržati: trans- nakon čega slijedi lation postaje translation, ali well- nakon čega slijedi known postaje well-known. Vodite evidenciju promjena i usporedite nesigurna spajanja s izvornom stranicom.
Nemojte pokretati naredbe „ukloni sve prijelome redaka” ili „izbriši sve crtice” na cijeloj knjizi. Očišćeni izvadak može djelovati tečnije, a da pritom izgubi odlomak, spoji dvije stavke popisa ili promijeni tehničku oznaku. Cilj je vjerodostojan tekst za čitanje ili prevođenje — a ne najmanji broj znakova za novi redak.
Ovaj vodič započinje nakon prepoznavanja teksta. Ako kopiranje PDF-a daje pogrešna slova ili brojeve, najprije dijagnosticirajte njegov tekstualni sloj. Mijenjanje prijeloma redaka ne može pretvoriti pogrešno prepoznati B-2O4 u željeni B-204.
Odlučite što svaki prijelom retka predstavlja
Izvorni sken i neobrađeni izvadak ostavite nepromijenjenima. U radnoj kopiji uključite prikaz razmaka ili oznaka odlomaka u uređivaču teksta. Promijenite veličinu prozora uređivača: redak koji se sam prelama bez pohranjenog znaka za novi redak jednostavno se prilagođava zaslonu; tu nema ničega za brisanje.
Pohranjeni novi redovi zahtijevaju drugačiju provjeru. Usporedite jedan kontinuirani odlomak, naslov, popis i svaki izrazito drukčiji prijelom stranice sa slikom stranice. Nemojte donositi zaključke o strukturi cijelog dokumenta samo na temelju naslovne stranice.
| Što prijelom predstavlja | Odgovarajući postupak | Potrebni dokazi |
|---|---|---|
| Vizualni prijelom između riječi unutar jednog odlomka | Zamijenite pohranjeni prijelom jednim razmakom | Oba retka pripadaju istom odlomku u izvorniku |
| Prijelom unutar jedne riječi | Spojite fragmente, obično uklanjajući prijelomnu crticu | Predviđeni pravopis, izvorni kontekst i sva jezična pravila |
| Prijelom iza stvarne spojnice u složenici | Uklonite prijelom, zadržite spojnicu | Riječ zadržava tu spojnicu i izvan oblikovanja na kraju retka |
| Granica odlomka, naslova, stavke popisa ili stiha | Zadržite granicu | Izvorna struktura, a ne samo interpunkcija rečenice |
| Prijelaz stupca ili stranice nesigurnog redoslijeda | Ostavite neriješeno i pregledajte stranicu | Nastavak teksta, redoslijed stupaca, opisi slika i fusnote |
Prazni redci i uvlake mogu pomoći u pronalaženju odlomaka, no oni su samo smjernice, a ne i jamstvo. Iza naslova možda nema praznog retka. Uvučeni redak može biti nastavak popisa, a ne novi odlomak. Kratki redak koji završava točkom može biti zadnji redak odlomka ili rečenica u sredini istoga.
Ako izvoz iz OCR-a nudi podatke o izgledu ili blokovima teksta, sačuvajte ih tijekom provjere teksta. Izvoz u čistom tekstu može odbaciti upravo one dokaze koji su vam potrebni za rekonstrukciju tih granica.
Razlikujte prelomljene riječi od stvarnih spojnica
Tri vizualno slična slučaja zahtijevaju različite izmjene:
trans- → translation
lation
well- → well-known
known
trans\u00ADlation → translation in a verified reading copy
Zadnji redak koristi \u00AD kako bi se jasno prikazao znak koji je inače teško uočiti. Unicode razlikuje U+00AD SOFT HYPHEN, opcionalnu oznaku prijeloma unutar riječi, od vidljive spojnice kao što je U+2010 HYPHEN. To nisu međusobno zamjenjivi znakovi. Unicodeova specifikacija za prijelom redaka također opisuje pravopisne promjene ovisne o jeziku na mjestu prijeloma; brisanje vidljive crtice i spajanje slova nije uvijek dovoljno.
Za običan prozni tekst, uklanjanje potvrđene neobavezne spojnice može stvoriti koristan primjerak za čitanje. Za arhivski prijepis zadržite izvornik odvojeno: uklanjanje oznake mijenja kodirani tekst čak i ako riječ izgleda nepromijenjeno.
Upotrijebite rječnik izvornog jezika kako biste provjerili potencijalni pravopis, a zatim se vratite na ulomak. Rječnički unos služi kao potkrepljujući dokaz, a ne kao dopuštenje za prepisivanje imena, identifikatora ili povijesnog pravopisa. Učestalo pojavljivanje u dokumentu također može pomoći, no OCR pogreška može se dosljedno ponavljati.
Na primjer, naš njemački uzorak glasi:
Die Auf-
gabe ist klar.
Predviđena riječ u ovom sastavljenom primjeru jest Aufgabe; Dudenov rječnički unos navodi njezinu podjelu kao Auf|ga|be. Spajanje dijelova Auf- i gabe ovdje je opravdano. Taj pojedinačni primjer nije opće pravilo za uklanjanje crtica u njemačkom jeziku, a suvremeni rječnički pravopis ne bi smio potiho zamijeniti pravopis starijeg izdanja.
Postupajte s URL-ovima, kataloškim kodovima, kemijskim nazivima, negativnim vrijednostima i drugim tehničkim elementima kao sa zasebnim slučajevima za pregled. Hoće li crtica ili spojnica opstati mora ovisiti o izvorniku i značenju elementa, a ne o heuristici za engleske riječi.
Što pokazuje dvanaest kontroliranih primjera
Izradili smo demonstraciju čišćenja za preuzimanje koja sadrži dvanaest izvornih nizova znakova. Njihove predviđene riječi i struktura definirani su prilikom našeg sastavljanja; zatim smo umetnuli odabrane prijelome redaka i artefakte rastavljanja riječi. Ovo su primjeri sintetičkog teksta, a ne izlaz iz OCR alata ili skenovi knjige.
Namjerno gruba osnovna metoda provodi tri zamjene: uklanja spojnicu s prijelomom retka, zamjenjuje preostale prijelome redaka razmacima i uklanja meke spojnice. Drugi pristup primjenjuje samo pojedinačno odobrene promjene na točnom tekstu. Ne pokušava automatski prepoznati odlomke niti odrediti pravopis riječi.
| Uzorak | Gruba osnovna metoda | Odobrena odluka |
|---|---|---|
| Prijelom engleskog proznog teksta | Ispravno spaja dva retka | Zamijenite provjereni prijelom razmakom |
trans- / lation | Ispravno daje translation | Uklonite umetnutu crticu i prijelom |
well- / known | Daje wellknown | Zadržite pravu crticu |
Njemački Auf- / gabe | Ispravno daje Aufgabe | Spojite samo ovaj provjereni oblik |
| Ugrađeni U+00AD | Uklanja uvjetnu crticu | Uklonite ga u ovom autorskom primjerku za čitanje |
| Francuske trotočke, zatim novi odlomak | Spaja odlomke | Zadržite granicu koju je odredio autor |
| Numerirani popis, stih, kod i naslov | Spaja zasebne strukture | Zadržite njihove prijelome redaka |
| Dva odlomka bez praznog retka | Spaja ih u jedan | Zadržite odlomke koje je odredio autor |
| Nepregledana oznaka stranice | Poništava prijelaz stranice | Ostavite netaknuto dok se ne provjeri redoslijed |
Dana 3. listopada 2026. pokretanje testnog primjera pomoću Node.js 25.2.1 dalo je tekst koji odgovara referentnom za 4 od 12 primjera prema bazičnoj metodi. Odobrena putanja uspješno se podudarala sa svih dvanaest referenci i vratila svih dvanaest ulaznih podataka putem poništavanja (undo). Također je odbacila zastarjele unose, nejedinstvena podudaranja i nedostajuća podudaranja.
Ovi rezultati testiraju točnu primjenu zakrpe u odnosu na poznate autorske reference. Oni ne procjenjuju točnost u stvarnom svijetu: odobrene odluke već sadrže odgovore, a korpus je namjerno odabran kako bi prikazao slučajeve neuspjeha. Nismo testirali komercijalni alat za čišćenje, OCR mehanizam, model prevođenja niti prijenos na BookTranslator. Nije bilo ponovnih pokušaja niti isključenih uzoraka.
Preuzmite stvarne ulaze/izlaze i zapisnik zakrpa te upute za reprodukciju. JavaScript se izvodi lokalno bez vanjskih zavisnosti ili mrežnih poziva te ispisuje rezultate; ne mijenja vaše datoteke. Njegove provjere sprječavaju primjenu odobrenog uređivanja na drukčiji tekst. One vam ne mogu reći je li uređivanje lingvistički točno.
Očistite jedan po jedan provjereni blok
Započnite s kratkim proznim blokom čiji redoslijed čitanja i granice odlomaka možete točno utvrditi. Nemojte započinjati s cijelim poglavljem koje sadrži natpise, citate, popise i bilješke.
- Spremite izvornu kopiju i zabilježite lokaciju izvora. Uz svaki pregledani odlomak zabilježite naziv datoteke, broj stranice, odlomak ili blok te jezik.
- Najprije označite strukturne granice. Odvojite naslove, stavke popisa, stihove, tablice i programski kod od običnog proznog teksta. Sačuvajte reference na stranice izvan teksta za čitanje ako kasnije uklonite njihove oznake.
- Spojite uobičajene prijelome redaka između riječi unutar tog bloka. Zamijenite svaki potvrđeni prijelom razmakom. Provjerite da se riječi nisu spojile i da postojeći razmak nije postao neželjeni dvostruki razmak.
- Zasebno pregledajte rastavljene riječi. Prikažite cijeli token i okolnu rečenicu. Zabilježite „ukloni prijelomnu crticu”, „zadrži stvarnu crticu” ili „neriješeno”. Nemojte tretirati neriješeni kandidat kao odobrenu promjenu.
- Pregledajte razlike (diff) prije prihvaćanja. Usporedite svaki uklonjeni prijelom ili spojnicu s izvornikom. Spremite očišćenu verziju pod novim nazivom datoteke, zajedno s evidentiranim odlukama.
- Ponovno otvorite i kopirajte iz spremljenog rezultata. Provjerite stvarnu datoteku koju ćete koristiti, a ne samo pretpregled u uređivaču.
Za kraći izvadak mogu biti dovoljna ručna uređivanja s praćenjem promjena ili usporedba prije i poslije. Za duži tekst, popis zakrpa trebao bi bilježiti točan izvorni podniz, zamjenu, lokaciju, razlog i recenzenta. Kontrolni zbroj (checksum) izvora pomaže spriječiti primjenu starih odobrenja nakon što se ulazni podaci promijene.
Ako vaš uređivač nudi način čišćenja koji čuva odlomke, testirajte ga na zahtjevnijim blokovima teksta – ne samo na tečnom tekstu. Očuvanje dvostrukih prijeloma retka neće vratiti granicu odlomka koju je OCR prikazao jednim prijelomom retka. Nemojte brisati uvlake niti sažimati sve razmake prije nego što provjerite tablice i kôd.
Znajte kada se vratiti na sliku stranice
Francuska interpunkcija ilustrira zašto prepoznavanje kraja rečenice nije isto što i prepoznavanje odlomka. U našem sastavljenom primjeru, Il attend… i Le lendemain, il part. pripadaju zasebnim odlomcima. Sama trotočka ne uspostavlja tu granicu. Smjernice tijela Office québécois de la langue française o trotočki (points de suspension) opisuju upotrebe koje uključuju prekid ili nedovršenu misao; upotrijebite strukturu stranice kako biste odlučili treba li spojiti sljedeći redak.
Učinite pregled izvorne slike obaveznim za sljedeće slučajeve:
| Slučaj | Zašto sam tekst nije dovoljan | Što usporediti |
|---|---|---|
| Naslov iza kojeg odmah slijedi prozni tekst | Prazan redak možda nije preživio ekstrakciju | Tipografiju, poravnanje, prored i ulogu odjeljka |
| Odlomak koji prelazi na novu stranicu ili stupac | Zaglavlje, potpis ispod slike ili fusnota mogu ga prekinuti | Zadnji redak izvornika, nastavak i redoslijed čitanja |
| Ime, kôd, količina ili nepoznat pojam | Prihvatljivo spajanje ipak može promijeniti vrijednost | Svaki znak, uključujući vrstu crtice i znamenke |
| Prijelom u povijesnom jeziku | Pravopis na tiskanom prijelomu može se razlikovati od nesastavljene riječi | Izdanje, izvorni pravopis i odgovarajući jezični priručnik |
| Stihovi, popisi, tablice ili programski kôd | Krajevi redaka mogu nositi značenje ili strukturu | Prijelomi redaka, granice stavki, ćelije i uvlačenje |
| Trotočka, kratica ili kratak završni redak | Interpunkcija ne dokazuje položaj unutar odlomka | Cijeli odlomak i njegovi okolni blokovi |
Ako nekoliko stranica prikazuje isti problem, potražite taj obrazac u cijelom dokumentu i pregledajte podudaranja. Ako su izvorna slova, redoslijed čitanja ili cijeli odlomci pogrešni, zaustavite normalizaciju i ponovno provjerite prepoznavanje ili izdvajanje. Za prepoznavanje na više jezika upotrijebite zaseban OCR tijek rada za višejezične PDF-ove.
Provjerite očišćeni izvornik prije prevođenja
Usporedite uređeni blok s izvornom stranicom, a zatim provjerite drugi blok i svaku različitu strukturnu vrstu prisutnu u izvatku. Zadržite poznate pogreške u skupu za pregled. Uzorkovanje pruža uvid u provjerene odlomke, ali ne jamči točnost ostatka knjige.
- Potvrdite da imena, brojevi, datumi i kodovi i dalje odgovaraju izvorniku.
- Provjerite svaku uklonjenu crticu i svaki pravopisni oblik rekonstruiran preko prijeloma.
- Usporedite granice odlomaka, naslova, stavki popisa i stihova.
- Potvrdite da su prvi i posljednji redci sačuvani pri svakom prijelazu stranice.
- Potražite neriješene slučajeve i ostavite ih vidljivima u dnevniku pregleda.
- Uvjerite se da je konačna spremljena verzija upravo ona koju preuzima vaš sljedeći radni proces.
Ako vam je trebao samo tekst za pretraživanje ili bilješke, ovaj provjereni izvadak može biti krajnji cilj. Nije vam potreban prijevod da biste ga ispravili.
Ako trebate dokument na drugom jeziku, pripremite provjereni sadržaj u podržanom formatu dokumenta i upotrijebite tijek rada za prevođenje cjelovitih dokumenata. Način rada BookTranslatora OCR Mode ponovno gradi prevedeni PDF iz prepoznatog sadržaja umjesto da reproducira izvorni izgled stranice; to nije vanjski uređivač za čišćenje teksta niti dokaz da je svaki izvorni prijelom ispravno protumačen. Vodič za skenirane PDF-ove objašnjava kada je prepoznavanje potrebno.
Sačuvajte izvorne stranice i zapisnik čišćenja za završnu provjeru kvalitete prijevoda PDF-a. Tečna prevedena rečenica ne može vam otkriti da je izvor trebao sadržavati pravi spojnik — ili da su dvije naizgled povezane rečenice zapravo bili zasebni odlomci.
Povezane objave
