OCR PDF Bahasa Campuran: Periksa Bahasa Mandarin, Inggris, dan Angka Secara Terpisah

Untuk melakukan OCR pada PDF multibahasa, identifikasi skrip pada halaman, pilih alat yang dapat memproses PDF dengan bahasa pengenalan yang relevan, lalu periksa teks yang diekstrak terhadap gambar. Periksa teks Mandarin, teks Inggris, angka, dan hubungan label secara terpisah. Menemukan judul berbahasa Inggris dalam pencarian tidak membuktikan apakah isi teks Mandarin telah dikenali.

Menambahkan bahasa lain layak diuji, tetapi belum tentu otomatis menjadi peningkatan. Dalam eksperimen kecil Mandarin-Inggris kami, menambahkan bahasa Inggris memperbaiki satu label bahasa Inggris tetapi merusak kalimat Mandarin yang sebelumnya dikenali oleh konfigurasi khusus Mandarin. Tidak satupun dari dua konfigurasi tabel kami yang mengembalikan teks dari tabel bergaris sederhana.

Itu bukan vonis terhadap OCR multibahasa secara umum, melainkan alasan untuk menilai keluaran yang Anda butuhkan, alih-alih jumlah bahasa yang dipilih.

Pertama, bedakan teks yang hilang dari teks yang salah

Biarkan berkas asli tidak berubah. Pada salinan, pilih satu kalimat dari halaman perwakilan dan tempel ke editor teks biasa. Coba bagian berbahasa Mandarin dan berbahasa Inggris, bukan hanya judul dokumen.

Lapisan teks yang ada itu penting. Sebagai contoh, Dokumentasi OCR NAPS2 menyatakan bahwa halaman PDF impor yang sudah berisi teks akan dibiarkan apa adanya. Oleh karena itu, mengimpor ulang halaman yang hasil OCR-nya buruk bukanlah metode perbaikan yang andal dalam alur kerja tersebut.

Jika masalah sebenarnya adalah pemindaian beresolusi rendah, melengkung, atau miring, perbaiki hal tersebut sebelum menginterpretasikan perbandingan pengaturan bahasa. Panduan PDF pindaian kami yang lebih luas mencakup persiapan tersebut serta tahap-tahap terjemahan berikutnya.

Pilih bahasa pengenalan, bukan target terjemahan

Pengenalan menjawab "karakter apa saja yang ada di halaman ini?" Terjemahan menjawab "bagaimana konten ini harus dibaca dalam bahasa lain?" Jangan meminta OCR untuk secara diam-diam menyederhanakan bahasa Mandarin tradisional, menerjemahkan kutipan bahasa Inggris, atau menulis ulang pengenal yang tidak dikenal.

Buat inventaris singkat:

• Aksara Mandarin: disederhanakan, tradisional, atau keduanya, termasuk judul dan catatan.
• Teks Latin: kalimat bahasa Inggris, nama penulis, referensi, singkatan, dan nomor model.
• Nilai terkontrol: tanggal, titik desimal, satuan, tanda negatif, pengenal, dan kode yang sensitif huruf besar-kecil.
• Wilayah: prosa, tabel, takarir, catatan kaki, atau lampiran bahasa terpisah.

Misalnya, laporan bahasa Mandarin tradisional mungkin berisi abstrak dan referensi bahasa Inggris. Bab bahasa Mandarin sederhana mungkin menyertakan tabel dengan A-01, 23.5, dan °C. Keduanya tidak boleh dievaluasi hanya dengan memeriksa paragraf Mandarin terpanjang.

Tesseract menyediakan terpisah chi_sim, chi_tra, dan eng model di dalam repositori model resminya. Miliknya dokumentasi perintah mendukung pemilihan bahasa gabungan dan mencatat bahwa urutan bahasa dapat memengaruhi hasil. Ini adalah kemungkinan konfigurasi, bukan jaminan bahwa setiap model tambahan akan membantu.

Jika dokumen Anda justru berisi kolom vertikal bahasa Jepang dan furigana, gunakan panduan OCR vertikal Jepang. Itu adalah masalah tata letak dan anotasi yang berbeda, bukan sekadar kotak centang bahasa lain.

Gunakan alur kerja yang benar-benar menerima PDF

Rute desktop: NAPS2

NAPS2 menawarkan jalur terdokumentasi untuk membuat PDF hasil pindai dapat dicari:

1. Impor salinan file dan buka pengaturan OCR-nya.
2. Unduh bahasa pengenalan yang diperlukan untuk dokumen tersebut.
3. Pilih Multiple Languages dan pilih bahasa yang relevan.
4. Aktifkan OCR PDF yang dapat dicari dan simpan ke file baru.
5. Buka kembali file tersebut dan bandingkan teks bahasa Mandarin, Inggris, dan angka yang disalin dengan halaman yang terlihat.

Pilihan beberapa bahasa muncul setelah lebih dari satu bahasa diunduh. Langkah-langkah ini mengikuti panduan resmi NAPS2; kami tidak melakukan pengujian langsung NAPS2 untuk artikel ini.

Rute baris perintah: OCRmyPDF

Untuk PDF Mandarin Sederhana/Inggris yang hanya berisi gambar, contoh berdasarkan dokumentasi resmi adalah:

ocrmypdf -l chi_sim+eng --output-type pdf \
  --sidecar recognized.txt input.pdf searchable.pdf

Instal paket bahasa yang diperlukan terlebih dahulu. Gunakan chi_tra untuk pengujian bahasa Mandarin Tradisional alih-alih berasumsi skrip tersebut dapat saling menggantikan.

Buku panduan OCRmyPDF mendokumentasikan keluaran PDF dan teks sampingan. Teks sampingannya belum tentu merupakan seluruh dokumen: teks pada halaman yang sudah memiliki teks, atau halaman yang dilewati selama OCR, mungkin tidak ada. Periksa file PDF keluaran itu sendiri. OCR salah yang sudah ada memerlukan alur kerja pengulangan yang disengaja; jangan paksa rasterisasi setiap halaman tanpa memahami perubahannya.

Ini adalah rute berbasis dokumentasi, bukan lingkungan pengujian terukur kami. Kami tidak menjalankan OCRmyPDF di sini.

Tesseract biasa memerlukan halaman yang sudah dirender

Jangan gunakan tesseract input.pdf ... seolah-olah itu adalah pembaca PDF. Tesseract tidak menerima masukan PDF, meskipun ia dapat menghasilkan keluaran PDF. Tesseract.js memiliki perbedaan masukan PDF yang sama: render halaman-halaman tersebut dengan pustaka PDF terlebih dahulu, lalu kenali gambar-gambarnya.

Itulah jalur yang digunakan untuk eksperimen kami di bawah ini. Jalur tersebut menghasilkan teks dan bukti TSV, bukan PDF keluaran yang dapat dicari dan telah diuji.

Apa yang terjadi dalam sepuluh panggilan OCR lokal

Kami membuat PDF khusus gambar tiga halaman yang berisi:

1. prosa bahasa Mandarin Sederhana dengan referensi bahasa Inggris, pengenal, desimal, dan satuan;
2. halaman bahasa Mandarin Tradisional yang bersesuaian;
3. tabel kecil bahasa Mandarin-Inggris dengan tiga baris data.

Teks dan nilai tersebut adalah materi pengajaran buatan sendiri, bukan file pelanggan atau pengukuran nyata. Setiap target prosa berisi 124 titik kode non-spasi, termasuk 41 karakter Han. Tabel tersebut berisi 79 titik kode non-spasi.

Halaman sumber PDF tidak memiliki teks yang dapat diekstrak. Kami merendernya menggunakan Poppler 26.08.0 pada 300 dpi, menghasilkan gambar berukuran 1600×1000 piksel. Ukuran font adalah 48 piksel dalam Noto Sans CJK SC/TC Regular. Semua tanda baca berasal dari glif horizontal biasa font tersebut.

Pada 8 September 2026, kami menjalankan Tesseract.js 7.0.0 dengan tesseract.js-core 7.0.0 secara lokal di macOS ARM64. tessdata_fastModel resmi dipasangkan ke commit 87416418657359cb625c412a48b6e1d6d41c29bd. Setiap panggilan menggunakan OEM 1 dan PSM 6, pengaturan blok teks seragam, dengan gambar halaman yang sama untuk setiap perbandingan bahasa.

Ada empat resep bahasa untuk setiap halaman prosa dan dua untuk tabel. Kesepuluh panggilan selesai; tidak ada hasil yang dibuang dan tidak ada parameter yang disetel ulang setelah melihat keluaran. Masukan, hash model, versi, dan hasil mentah yang tepat dan instruksi reproduksi tersedia.

Satu pengaturan dapat memperbaiki satu bidang dan merusak bidang lainnya

Pada halaman tradisional, chi_tra mempertahankan semua 41 karakter Han secara berurutan, tetapi masih melakukan kesalahan non-Cina. Sebagai contoh, label bahasa Inggris diubah dari Document ID menjadi Document 1ID dan salah membaca simbol derajat.

Menambahkan eng memulihkan Document ID, tetapi sebagian dari kalimat suhu dan massa menjadi fragmen yang tampak seperti huruf Latin:

Expected: 樣本溫度為 23.5 °C，質量為 1.08 kg。
Observed with chi_tra+eng: RA MEA 23.5°C > HBA 1.08 kg。

Angka-angka tersebut bertahan di baris itu sementara teks Cina di sekitarnya tidak. Memeriksa hanya 23.5 dan 1.08 akan melewatkan kerusakan tersebut.

Halaman yang disederhanakan menunjukkan kompromi yang berbeda. Menambahkan bahasa Inggris memulihkan BK-2026-A07, yang pada proses khusus bahasa Cina dikembalikan sebagai BK-2026-AO7. Namun, itu juga mengubah 与 menjadi 5 di tempat lain. Pengidentifikasi yang secara visual ambigu O0I1-l tetap salah.

Diagnostik berikut menunjukkan mengapa kami tidak menyatakan pemenang:

“Pengeditan urutan-Han” hanya membandingkan ideograf Tionghoa. Ini tidak menilai bahasa Inggris, tanda baca, atau spasi. “String terlindungi ditemukan” hanyalah pemeriksaan keberadaan untuk pengidentifikasi, angka, unit, dan token referensi yang telah ditentukan sebelumnya; ini tidak memverifikasi posisi atau hubungan mereka. Keluaran khusus bahasa Inggris menunjukkan jebakan tersebut: sebagian besar string terlindungi ada, namun tidak ada satupun karakter Tionghoa yang dikembalikan.

Keseluruhan CSV perbandingan juga melaporkan jarak suntingan teks lengkap. Perbandingan menerapkan Unicode NFC dan menghapus spasi; ini tidak memperbaiki tanda baca, mengubah huruf besar/kecil, mengonversi aksara Tionghoa, atau mengurutkan ulang karakter. Membalik urutan bahasa mengubah spasi dalam keluaran prosa ini tetapi bukan urutan karakter yang dinormalkan. Pengamatan tersebut bukanlah aturan umum tentang urutan bahasa.

Tabel kosong bukanlah ekstraksi yang berhasil

Kedua panggilan tabel mengembalikan teks kosong, meskipun selesai tanpa kesalahan eksekusi OCR. Menambahkan bahasa Tionghoa tidak menyelamatkan resep blok seragam yang tetap.

Kami tidak menguji mode segmentasi lain, potongan sel, atau mesin pengenalan tabel. Oleh karena itu hasilnya tidak menunjukkan bahwa Tesseract tidak dapat membaca tabel. Ini menunjukkan bahwa mengubah bahasa pengenalan saja tidak menyelesaikan masalah pada sampel ini di bawah pengaturan yang kami gunakan.

Untuk tabel nyata, perlukan hubungan lengkap Temperature → A-01 → 23.5 → °C, bukan empat token yang ditemukan di suatu tempat di halaman. Jika keluaran kosong atau hubungan tidak dapat diperiksa, berhenti memperlakukannya sebagai transkripsi yang tepercaya. Coba alur kerja yang sadar tata letak atau transkripsikan sel yang diperlukan dengan referensi ke gambar.

Apa yang tidak dapat dibuktikan oleh eksperimen ini

Ini adalah tiga halaman sintetis bersih dari satu keluarga fon, yang ditinjau oleh satu agen penulis. Tidak ada tinjauan manusia yang disamarkan (blinded), korpus dokumen produksi, atau pengujian pemindaian yang buram, tulisan tangan, tabel kompleks, teks vertikal, atau karakter historis.

Hasil ini adalah contoh tandingan yang berguna untuk aturan mutlak "tambahkan lebih banyak bahasa". Hasil ini bukanlah pemeringkatan mesin, tingkat akurasi umum, atau perkiraan untuk PDF Anda. Ini bukan pengujian BookTranslator, dan PDF sumber yang hanya berisi gambar bukanlah salinan bacaan yang selesai OCR.

Gunakan pemeriksaan penerimaan empat bagian pada file Anda sendiri

Unduh lembar tinjauan kosong. Pilih halaman yang berisi kesulitan sebenarnya, lalu tambahkan pemeriksaan berikut sebelum memproses seluruh file:

1. Teks bahasa Mandarin: bandingkan kalimat lengkap, termasuk karakter yang kurang umum serta bentuk Sederhana/Tradisional yang dimaksud. Jangan secara diam-diam menormalisasi karakter yang salah menjadi karakter yang Anda harapkan.
2. Bahasa Inggris dan pengenal: periksa nama penulis, referensi, singkatan, kapitalisasi, dan karakter yang mirip seperti O/0 atau I/l/1. Kode yang tidak dikenal bukanlah kata yang harus dikoreksi otomatis.
3. Angka dan satuan: bandingkan setiap nilai dengan tanda, titik desimal, satuan, dan labelnya. 0.05 dan 0.50 harus tetap berbeda; 23.5 yang dikenali tanpa satuan yang benar tidak lengkap.
4. Hubungan dan kelengkapan: periksa bahwa setiap paragraf atau baris tabel berada di tempat yang semestinya. Konfirmasikan bahwa keterangan gambar, catatan, dan bagian bahasa sekunder kecil ada, bukan hanya teks utama.

Catat teks asli, hasil yang diamati, halaman/wilayah, dan tindakan yang diperlukan. Ketika suatu konfigurasi meningkatkan satu pemeriksaan tetapi memperburuk pemeriksaan lainnya, simpan kedua pengamatan tersebut. Jangan menerima file berdasarkan skor kepercayaan tunggal atau rata-rata jumlah karakter.

Pisahkan tiga kemungkinan hasil: dapat langsung digunakan untuk tujuan Anda, memerlukan perbaikan khusus, atau belum dapat dipercaya. Tugas pencarian mungkin hanya memerlukan satu bagian yang terverifikasi; salinan bacaan lengkap memerlukan cakupan dokumen secara keseluruhan, bukan sekadar halaman judul yang bersih.

Terjemahkan hanya setelah Anda mengetahui isi sumbernya

Jika pencarian dan teks asli yang dapat disalin sudah menyelesaikan masalah Anda, hentikan sampai di situ. OCR telah menjalankan tugasnya; penerjemahan adalah keputusan yang terpisah.

Jika Anda perlu membaca dokumen lengkap dalam bahasa lain, simpan pindaian asli dan teks yang telah dikoreksi sebagai referensi, lalu ikuti alur kerja penerjemahan PDF pindaian. Untuk file yang memenuhi syarat, penerjemah PDF BookTranslator dapat menjadi langkah berikutnya. Mode OCR-nya merekonstruksi konten yang diterjemahkan alih-alih menjanjikan kesesuaian persis dengan tata letak halaman asli; hal itu tidak menghilangkan kebutuhan untuk memeriksa teks yang dipulihkan dan hubungan tabel.

Setelah penerjemahan, gunakan daftar periksa QA penerjemahan PDF untuk membedakan kesalahan pengenalan sumber dari kesalahan penerjemahan atau tata letak. Mengoreksi tahap yang salah adalah cara kesalahan yang dapat dibaca lolos ke dalam file akhir.