Kopiranje i lijepljenje iz PDF-a daje pogrešan tekst? Prvo dijagnosticirajte tekstualni sloj

Ako PDF izgleda ispravno, ali se lijepi pogrešan tekst, prestanite koristiti zalijepljenu verziju kao izvor. Najprije usporedite kratki odlomak s vidljivom stranicom: ime, rečenicu i broj. Sljedeći korak ovisi o tome sadrži li datoteka tekst koji se ne može izdvojiti, neispravno mapiranje znakova, netočan skriveni OCR sloj ili problem s redoslijedom čitanja. Pokretanje OCR-a nad cijelim dokumentom nije pravi prvi korak za sve četiri situacije.

Najopasnija pogreška nisu besmisleni znakovi, već naizgled uvjerljiv tekst: stranica na kojoj piše 18 bilježnica , dok izvučeni tekst glasi 13 bilježnica. Izradili smo četiri PDF datoteke za preuzimanje kako bi se ta razlika mogla jasno uočiti, bez korištenja ičijih privatnih dokumenata.

Započnite brzom provjerom kopiranja i usporedbe

Izvornu datoteku ostavite nepromijenjenu i otvorite radnu kopiju. Zalijepite jedan kratki odabrani dio u obični uređivač teksta, a zatim ga znak po znak usporedite sa stranicom. Ponovite postupak na drugoj stranici i, ako je moguće, u drugom PDF pregledniku. Ovo je dijagnostička provjera, a ne dokaz da je ostatak dokumenta ispravan.

Ovo su samo smjernice, a ne način da se unutrašnjost svakog PDF-a prepozna iz jednog simptoma. Adobeove smjernice za ponovnu upotrebu sadržaja razlikuju sadržaj koji se sastoji samo od slika od ograničenja kopiranja. Nijedno se ne bi trebalo automatski smatrati oštećenim tekstualnim slojem. Vodič za ekstrakciju u biblioteci pypdf zasebno opisuje slike, ekstrakciju teksta i poteškoće s tablicama i razmacima.

Za dugu knjigu ili izvješće zabilježite broj stranice PDF-a na kojoj se pojavljuje svaki problem. Čista naslovna stranica ne govori vam hoće li se dodatak, skenirani umetak ili poglavlje u dva stupca ispravno kopirati.

Četiri PDF-a: što stranica prikazuje u odnosu na ono što ekstrakcija vraća

Naša testna stranica sadrži četiri izvorna retka, uključujući:

The archive contains 18 notebooks.

Item B-204 arrived on 6 May.

Izradili smo jedan normalan digitalni PDF i namjerno konstruirali tri alternative. Zatim smo ekstrahirali njihov tekst pomoću alata Poppler i pypdf. Oba alata za ekstrakciju vratila su isti tekst za svaku datoteku u ovom testu.

Digitalna stranica uobičajenog izgleda može se netočno kopirati

Prva dva PDF-a u našoj su se usporedbi prikazala u identičnim pikselima, no izvučeni tekst se razlikovao. U drugoj smo datoteci namjerno promijenili ToUnicode mapiranje: informaciju koja se koristi za mapiranje pohranjenih kodova znakova u Unicode tekst. Vidljiva znamenka ostala je 8, dok je ekstrakcija vratila 3. Dokumentacija za pypdf CMap ilustrira ovaj mehanizam mapiranja.

Ovo demonstrira jedan od mehanizama kvara, a ne tvrdnju da svaki izobličeni PDF ima isti nedostatak. Samo nedostajući ToUnicode unos nije naša dijagnoza, a ručno uređivanje mapiranja nije rješenje namijenjeno prosječnom čitatelju.

Pretraživi sken može sadržavati pogrešne riječi

Treći i četvrti PDF također su se prikazali međusobno identično. Jedan je sadržavao pogrešan nevidljivi tekst, a drugi ga uopće nije imao. U trećoj datoteci ekstrakcija je tiho promijenila i količinu i datum. Kôd B-2O4 sadržavao je slovo O, a ne znamenku 0 prikazanu na slici.

Te smo pogreške sami unijeli kako bismo predočili vrstu neslaganja kakvu skriveni tekstualni sloj može sadržavati. OCR modul ih nije generirao. Četvrta datoteka prikazuje suprotnu situaciju: čitljivu sliku stranice iz koje ovi alati za ekstrakciju teksta nemaju što izvući. To je u skladu s dokumentiranim ograničenjem biblioteke pypdf: ona izdvaja postojeći tekst iz PDF-a, ali ne prepoznaje riječi unutar slika.

Što ovaj test dokazuje — a što ne

Dana 10. rujna 2026. provjerili smo četiri jednostranične datoteke koristeći Poppler 26.08.0 i pypdf 6.10.0. Vizualne usporedbe koristile su Poppler pri 144 dpi. Podudaranje u piksel bio je prisutan unutar dvaju parova, a ne u sve četiri datoteke: par utemeljen na slikama prošao je kroz dodatni korak renderiranja.

Ovo je kontrolirana demonstracija, a ne mjerilo točnosti OCR-a. Ne testira višejezično prepoznavanje, složene prijelome, popravak u Acrobatu, popravak alatom OCRmyPDF niti prijenose na BookTranslator. Riječ je o namjenski izrađenim primjerima s poznatim greškama, a ne o slijepom ispitivanju.

Dostupni su sirovi tekst i rezultati piksela, upute za reprodukcijui generator zajedno s datotekama. Koriste nemodificirani font Noto Sans s priloženom otvorenom licencijom za fontove.

Odaberite sljedeći korak koji unosi najmanje promjena

Sljedeći načini popravka potječu iz službene dokumentacije i praktične dijagnostike. To nisu rezultati popravka iz našeg eksperimenta s četiri datoteke. Radite na kopiji i provjerite rezultat prije nego što zamijenite bilo što na što se oslanjate.

Ako imate izvorni dokument, najprije pokušajte s novim izvozom

Novi PDF iz izvorne datoteke za obradu teksta, izdavaštvo ili slog koristan je prvi kandidat. Usporedite točno onaj odlomak koji nije uspio. Nemojte pretpostavljati da novi naziv datoteke ili uspješan izvoz znače da je tekst sada točan.

Za materijal dobiven iz arhiva ili od izdavača provjerite postoji li alternativna verzija koja sadrži tekst. Pripazite da se izdanje i oznake stranica podudaraju: čišća datoteka drugog izdanja možda neće sadržavati odlomak koji vam je potreban.

Ako skenirani dokument ima nekoliko pogrešaka u prepoznavanju, pregledajte te riječi

Acrobat navodi radni postupak pod Scan & OCR → Correct recognized text. Omogućuje vam pregled označenih sumnjivih riječi u odnosu na skeniranu sliku i ispravljanje prepoznatog teksta. Slijedite Adobeove aktualne upute za ispravljanje za sučelje u vašoj verziji.

Nemojte koristiti prazan popis sumnjivih riječi kao test potpunosti. Zasebno usporedite imena, datume, identifikatore i količine koje ćete citirati ili prevoditi. Naš namjerno pogrešan 13 notebooks primjer pokazuje zašto čitljiv izlaz nije dovoljan.

Ako je skriveni tekst uglavnom pogrešan, razlikujte ponovno pokretanje od prisilnog

Za čitatelje koji koriste alate naredbenog retka, OCRmyPDF dokumentira različite načine obrade stranica koje već sadrže tekst:

• --redo-ocr uklanja postojeći tekst dobiven OCR-om koji se ne ispisuje i ponovno provodi prepoznavanje, isključujući tekst koji se ispisuje iz OCR-a.
• --skip-text preskače stranice koje sadrže tekst. To ne popravlja postojeći pogrešan tekstualni sloj.
• --force-ocr rasterizira sadržaj stranice i pokreće OCR na dobivenim slikama.

Ova ponašanja opisana su u dokumentaciji o pogreškama postojećeg teksta alata OCRmyPDF. U verziji 17 ekvivalentne opcije dostupne su i putem --mode; starije zastavice ostaju pseudonimi.

Postoje određeni kompromisi i iznimke. Ponovno pokretanje ne može prepoznati svaki povijesni OCR raspored; neke datoteke postavljaju neprozirnu sliku preko teksta koji je tehnički namijenjen ispisu. Prisilno pokretanje pretvara tekst za ispis i vektorski sadržaj u piksele te poravnava interaktivni sadržaj. Obje opcije također odbacuju postojeće strukturno stablo umjesto da ga rekonstruiraju. Proučite naprednu dokumentaciju alata OCRmyPDF prije nego što odaberete bilo koju od njih.

Popravljeni izlaz stoga nije prilagodba pristupačnosti. Ako dokument treba naslove, redoslijed čitanja ili pristupačne grafičke elemente, upotrijebite zasebne provjere pristupačnosti prevedenih PDF dokumenata.

Ako se stranice ili jezici razlikuju, nemojte pretpostavljati da odgovara jedna postavka

Popišite koje stranice već sadrže pouzdan digitalni tekst, a koje zahtijevaju prepoznavanje. Provjerite jezike na zahvaćenim stranicama prije konfiguriranja OCR-a. Naš vodič za OCR višejezičnih PDF-ova pokriva odabir jezika; to je drukčija odluka od utvrđivanja je li stari tekstualni sloj pogrešan.

Ako tekstualni sloj uopće ne postoji, prijeđite na tijek rada za skenirane PDF-ove. Uzastopno isprobavanje drugog alata za izdvajanje običnog teksta neće natjerati pypdf da prepozna riječi na slici.

Provjerite zamjenski tekst prije nego što ga upotrijebite

Upotrijebite kontrolni list za sloj teksta koji se može preuzeti kako biste usporedno držali vidljivu referencu, prethodno ekstrahirani tekst i novi izvoz. Započnite s poznatim problematičnim dijelom, a zatim testirajte drugi odlomak i bilo koji znatno drugačiji izgled stranice.

1. Riječi: usporedite imena i nepoznate pojmove slovo po slovo.
2. Brojevi: provjerite količine, decimalne zareze, datume i identifikatore kao što su B-204.
3. Redoslijed: pročitajte cijeli odlomak preko prijeloma redaka; zasebno provjerite stupce i obližnje opise slika.
4. Obuhvat: potvrdite da stranice i odlomci koji vam trebaju nisu izostavljeni.
5. Ponašanje datoteke: ponovno otvorite spremljenu zamjensku datoteku i ponovite test kopiranja. Ako se oslanjate na knjižne oznake (bookmarks), poveznice ili pristupačnu strukturu, provjerite i njih.

Uspješna provjera odabranih odlomaka pruža dokaz samo za te odlomke. To ne jamči ispravnost cijele datoteke. Zadržite izvornu sliku stranice kao referencu, osobito kada ispravljate citat ili nepoznati jezik.

Prevodite tek kada možete vjerovati izvoru

Ako vam je cilj bio samo citirati odlomak ili voditi bilješke, verificirani izvadak može biti krajnji korak. Za taj zadatak ne trebate prevoditeljsku uslugu.

Ako trebate pročitati cijeli dokument na drugom jeziku, upotrijebite verificiranu datoteku kao polazište za prijevod PDF-a. BookTranslatorov OCR način rada rekonstruira prevedeni PDF iz prepoznatog sadržaja; to nije jamstvo popravka postojećeg sloja teksta niti točnog reproduciranja izvornog izgleda stranice.

Zadržite referentne stranice i tijekom koraka prevođenja. Iste količine i identifikatori provjereni ovdje trebaju biti dio završne kontrole kvalitete prijevoda PDF-a. Tečan prijevod sam po sebi ne može otkriti da je izvor trebao sadržavati 18 umjesto 13.