Ekstrakcija teksta iz PDF-a naspram OCR-a: Odaberite pravi pristup prije prevođenja

Upotrijebite ekstrakciju teksta kada PDF već sadrži pouzdan, strojno čitljiv tekst. Upotrijebite OCR kada stranica sadrži samo sliku teksta. Ako stranica ima postojeći tekstualni sloj koji je pogrešan, nijedno pravilo nije dovoljno: morate usporediti ekstrahirane riječi s vidljivom stranicom prije nego što odlučite hoćete li zadržati, zamijeniti ili ponovno izraditi taj sloj.

Tu odluku treba donijeti prije prevođenja. Prevoditelj ne može ispraviti količinu, ime ili rečenicu koji su u radni proces ušli pogrešno. Može prevesti samo onaj izvorni tekst koji primi.

Tablica za brzo donošenje odluka

Testirajte stranice, a ne samo datoteke. Jedan PDF može sadržavati digitalnu naslovnu stranicu, skenirana poglavlja i umetke sa starim OCR-om.

Mogućnost označavanja riječi samo je dokaz da tekstualni objekt postoji. To ne dokazuje da tekst odgovara onome na stranici. Suprotno tome, neuspjeli test kopiranja ne dokazuje da se cijeli PDF sastoji isključivo od slika.

Naš test mješovitog PDF-a od četiri stranice

Izradili smo PDF od četiri stranice za preuzimanje s poznatim sadržajem. Ne sadrži privatne dokumente niti dokumente trećih strana:

1. izvorno digitalnu stranicu;
2. stranicu koja sadrži samo sliku;
3. stranicu koja izgleda skenirano, s točnim skrivenim slojem teksta;
4. stranicu koja izgleda skenirano, s namjerno pogrešnim skrivenim slojem teksta.

Za svaku stranicu pokrenuli smo Poppler pdftotext nad postojećim PDF podacima. Zasebno smo renderirali stranicu pri 300 dpi i pokrenuli Tesseract na toj slici. Vidljiva referenca utvrđena je prije oba testa.

Poanta nije u tome da Tesseract uvijek pobjeđuje. U ovom čistom engleskom oglednom primjerku jest, jer smo stranicu osmislili tako da izoliramo samu odluku. Na skenovima punim šuma, neuobičajenim pismima, tablicama, rukopisu ili složenim prijelomima, novi OCR može zakazati na druge načine.

Dostupni su rezultati po stranicama, tablica odlučivanja, bilješke o reprodukcijii generator dostupne su uz testni predložak. Dana 21. rujna 2026. zabilježene verzije bile su Poppler pdftotext 26.08.0 i Tesseract 5.5.3.

Što ovaj test dokazuje — a što ne

Dokazuje da četiri vizualno čitljive stranice mogu zahtijevati tri različita pristupa prije samog prevođenja. Također dokazuje da tekst koji se može pretraživati može odstupati od onoga na stranici, a da pritom i dalje djeluje uvjerljivo.

Test ne mjeri opću točnost OCR-a, pristupačnost za čitače, rekonstrukciju tablica, višejezično prepoznavanje niti ponašanje BookTranslatora prilikom prijenosa datoteka. Stranice su jednostavne, a pogreške na četvrtoj stranici ubačene su namjerno; nije ih stvorio Tesseract.

Zašto su izdvajanje teksta i OCR različite operacije

Izdvajanje teksta čita tekstualne objekte koji su već pohranjeni u PDF-u. OCR prepoznaje znakove na razini piksela. Aktualni vodič za izdvajanje teksta za pypdf povlači istu granicu: pypdf može pročitati postojeći tekstualni sloj, ali ne može prepoznati riječi unutar slike.

Ta je razlika važna jer digitalni PDF može sadržavati informacije koje se rasterizacijom gube ili ih je poslije teže vratiti: kodiranja znakova, podatke o fontovima, poveznice, vektorsku grafiku i druge objekte dokumenta. pypdf izričito savjetuje da se OCR ne koristi kao univerzalno rješenje za izvorno digitalne datoteke. Također objašnjava i zasebno ograničenje: PDF obično pohranjuje tekst radi vizualnog rasporeda, a ne u obliku semantičkih odlomaka, tablica ili naslova.

Stoga preliminarna provjera mora odgovoriti na dva neovisna pitanja:

1. Jesu li znakovi točni? Usporedite izdvojena imena, brojeve, interpunkciju i nepoznate pojmove s tekstom na stranici.
2. Je li struktura upotrebljiva? Pročitajte cijeli odlomak, a zatim provjerite stupce, bilješke, tablice, opise slika i prijelaze stranica.

Točni znakovi pogrešnim redoslijedom i dalje predstavljaju neupotrebljiv izvor za prevođenje.

Preliminarna provjera stranica prije prevođenja

1. Sačuvajte izvornik

Zadržite neizmijenjenu izvornu datoteku i zabilježite njezin sažetak (hash) ako vam je dokument važan. Testiranja provodite na kopijama. Zamjena nesavršenog tekstualnog sloja može stopiti vektorski sadržaj ili odbaciti informacije koje će vam poslije zatrebati.

2. Popišite vrste stranica

Nemojte donositi odluku na temelju prve stranice. Pregledajte uvodne stranice, uobičajene stranice s tekstom, dodatke, tablice, ilustracije, umetke i sve stranice koje izgledaju fotografirano ili fotokopirano.

Za dugačke dokumente zabilježite raspone stranica:

CSV datoteka za preuzimanje koristi isti predložak za naš testni skup podataka.

3. Usporedite zahtjevne tokene, a ne samo jednostavnu prozu

Rečenice koje naizgled tečno zvuče loša su provjera. Uključite:

• ime osobe;
• datum i količinu;
• identifikator koji kombinira slova i brojeve;
• tekst s dijakritičkim znakovima ili nelatiničnim pismom;
• rečenicu koja se proteže kroz prijelom retka;
• odlomak u blizini fusnote, slike ili drugog stupca.

Četvrta stranica u našem testnom primjeru izgledala bi upotrebljivo kad bi provjera stala na uobičajenim riječima. Pogreške su koncentrirane u O/0, 58/53i 7.5/7.8—upravo onoj vrsti tokena koja može iskriviti reference i činjenice nakon prijevoda.

4. Iskreno klasificirajte nesigurnost

Koristite četiri ishoda: uspješan uzorak, neuspješan uzorak, nema teksta koji se može izdvojiti ili još nije testirano. „Tekst se može označiti” nije ishod. Kao ni „OCR je završio”.

Uzorkovanje ima svoja ograničenja. Uspješno prolazak tri stranice ne jamči ispravnost knjige od 400 stranica, osobito ako datoteka sadrži različita skeniranja ili prijelome. Povećajte pokrivenost na mjestima gdje se izvor mijenja.

Odaberite način rada programa OCRmyPDF tek nakon dijagnoze

Trenutačna dokumentacija za OCRmyPDF opisuje nekoliko načina ponašanja za stranice koje već sadrže tekst. To su odluke o usmjeravanju obrade, a ne jamstva kvalitete.

• Zadano ponašanje zaustavlja se kada stranica već sadrži tekst za ispis ili skriveni OCR sloj jer ne može pouzdano utvrditi o kojoj je vrsti riječ.
• Preskakanje teksta (Skip text) kopira stranice koje sadrže tekst bez izmjena i provodi OCR na ostalim stranicama. To je korisno za mješovitu datoteku samo ako je postojeći tekst pouzdan.
• Ponovni OCR (Redo OCR) uklanja postojeći nevidljivi OCR tekst i ponovno prepoznaje stranicu, pri čemu isključuje vektorski tekst za ispis. Može odgovarati kombinaciji digitalnih i prethodno OCR-iranih stranica, ali ne može prepoznati svaki povijesni raspored.
• Prisilni OCR (Force OCR) rasterizira vektorski sadržaj i provodi OCR nad dobivenom slikom. Time se može zamijeniti neispravan sloj, ali se gube informacije i mogu se stopiti interaktivni elementi.

Ta značenja potječu iz verzije OCRmyPDF 17.12.1 i njezine dokumentacije o pogreškama s postojećim tekstom. Pročitajte dokumentaciju za instaliranu verziju prije pokretanja skupne obrade. Naziv parametra nije dokaz da je izlazni dokument sačuvao knjižne oznake, oznake strukture, poveznice, obrasce ili strukturu za pristupačnost.

U našem testnom primjeru, način preskakanja teksta zadržao bi namjerno pogrešan skriveni tekst na četvrtoj stranici. Zato se provjera kopiranjem i usporedbom mora provesti prije odabira načina skupne obrade.

Uobičajeni pogrešni koraci

„Ako se tekst može označiti, preskočite OCR”

Četvrta stranica opovrgava to pravilo. Mogućnost označavanja teksta otkriva samo njegovo postojanje, a ne i točnost.

„Provedite OCR na cijelom PDF-u radi sigurnosti”

To može degradirati čiste digitalne stranice i odbaciti korisne PDF objekte. Također stvara veći opseg za provjeru bez automatskog ispravljanja semantičkog redoslijeda čitanja.

„Upotrijebite onaj rezultat koji djeluje tečnije”

Tečnost je ovdje opasna. Usporedite tekst s vidljivom stranicom. Nemojte dopustiti jezičnom modelu da potiho ispravi identifikator ili količinu, a zatim taj rezultat smatrati izvornim dokazom.

„Jedna čista stranica predstavlja cijelu datoteku”

Mješoviti PDF-ovi su česti: digitalna naslovnica može prethoditi skeniranim poglavljima ili pretraživa knjiga može sadržavati umetke koji su isključivo slike. Zabilježite odluke po rasponu stranica.

Kriteriji spremnosti za prevođenje PDF-a

Prije slanja datoteke u proces prevođenja, pobrinite se da je ispunjeno sve od navedenog:

1. Svaki raspon stranica klasificiran je kao digitalni, isključivo slikovni ili postojeći OCR.
2. Za neuspjele postojeće slojeve dokumentiran je zamjenski postupak.
3. Imena, brojevi, identifikatori i nepoznati pojmovi prolaze usporedbu s izvorom na uzorkovanim stranicama.
4. Redoslijed odlomaka i stupaca čitljiv je u ekstrahiranom izvorniku.
5. Tablice, slike, fusnote i jednadžbe su ili provjerene ili se eksplicitno vode kao zasebni elementi.
6. Izvorni PDF ostaje dostupan za usporedbu nakon prijevoda.

Upotrijebite zaseban vodič za dijagnostiku kopiranja i lijepljenja kada PDF koji sadrži tekst već stvara probleme. Upotrijebite postupak za skenirane PDF-ove kada su stranice isključivo slike, te vodič za OCR na više jezika kada je odabir jezika dio problema.

Prevedite provjereni izvor, a zatim pregledajte rezultat

Ako je konačni cilj čitanje cjelovitog dokumenta na drugom jeziku, prenesite provjereni PDF na PDF Translator. Za skenirane stranice ili stranice s puno slika, OCR način rada servisa BookTranslator ekstrahira prepoznatljivi sadržaj i ponovno stvara čist prevedeni PDF; ne jamči očuvanje identičnog izvornog izgleda stranice, fontova ili veličina, niti popravak svakog postojećeg skrivenog tekstualnog sloja.

Sačuvajte popis stranica i izvornu datoteku. Nakon prijevoda ponovite visokorizične provjere na ciljnom dokumentu: imena, količine, identifikatore, pokrivenost stranica, redoslijed odlomaka i sve strukturne elemente na koje se oslanjate. Kontrolni popis za provjeru kvalitete prijevoda PDF-a pokriva taj završni korak prihvaćanja.

Glavno pravilo je jednostavno: izvucite ono što je već pouzdano, primijenite OCR samo na ono što zahtijeva prepoznavanje i zamijenite tekstualni sloj tek nakon što dokažete da je pogrešan.