OCR di un PDF in lingua mista: controllare separatamente cinese, inglese e numeri

Per eseguire l'OCR su un PDF in lingua mista, identifica gli script presenti nella pagina, scegli uno strumento in grado di elaborare il PDF con le lingue di riconoscimento pertinenti, quindi confronta il testo estratto con l'immagine. Controlla separatamente il testo in cinese, il testo in inglese, i numeri e le relazioni delle etichette. Trovare un titolo in inglese nei risultati di ricerca non dimostra che il corpo in cinese sia stato riconosciuto.

Aggiungere un'altra lingua merita di essere testato, non è automaticamente un miglioramento. Nel nostro piccolo esperimento cinese-inglese, l'aggiunta dell'inglese ha corretto un'etichetta inglese ma ha danneggiato una frase in cinese che la configurazione solo cinese aveva riconosciuto. Nessuna delle nostre due configurazioni di tabella ha restituito il testo da una semplice tabella con bordi.

Questo non è un verdetto sull'OCR multilingue in generale. È un motivo per valutare l'output di cui hai bisogno, anziché il numero di lingue selezionate.

Per prima cosa, distingui il testo mancante dal testo errato

Mantieni inalterato il file originale. Su una copia, seleziona una frase da una pagina rappresentativa e incollala in un editor di testo semplice. Prova un passaggio in cinese e uno in inglese, non solo il titolo del documento.

Un livello di testo esistente è importante. Ad esempio, la documentazione OCR di NAPS2 afferma che le pagine PDF importate che contengono già testo vengono lasciate inalterate. Reimportare una pagina con un OCR difettoso non è quindi un metodo di riparazione affidabile in quel flusso di lavoro.

Se il problema reale è una scansione a bassa risoluzione, curva o inclinata, risolvilo prima di interpretare un confronto tra le impostazioni della lingua. La nostra più ampia guida ai PDF scansionati copre tale preparazione e le successive fasi di traduzione.

Scegliere le lingue di riconoscimento, non una lingua di arrivo per la traduzione

Il riconoscimento risponde alla domanda "quali caratteri sono presenti su questa pagina?". La traduzione risponde a "come dovrebbero essere letti questi contenuti in un'altra lingua?". Non chiedere all'OCR di semplificare silenziosamente il cinese tradizionale, di tradurre una citazione in inglese o di riscrivere un identificatore sconosciuto.

Effettuare un breve inventario:

• Scrittura cinese: semplificato, tradizionale o entrambi, inclusi intestazioni e note.
• Testo latino: frasi in inglese, nomi degli autori, riferimenti, abbreviazioni e numeri di modello.
• Valori controllati: date, punti decimali, unità, segni meno, identificatori e codici sensibili alle maiuscole.
• Aree: prose, tabelle, didascalie, note a piè di pagina o un'appendice in lingua separata.

Ad esempio, un rapporto in cinese tradizionale potrebbe contenere un abstract e riferimenti in inglese. Un capitolo in cinese semplificato potrebbe includere una tabella con A-01, 23.5, e °C. Nessuno dei due dovrebbe essere valutato controllando solo il paragrafo cinese più lungo.

Tesseract fornisce separatamente chi_sim, chi_tra, e eng modelli nel suo repository ufficiale dei modelli. La sua documentazione dei comandi supporta la selezione di lingue combinate e nota che l'ordine delle lingue può influenzare i risultati. Si tratta di possibilità di configurazione, non della garanzia che ogni modello aggiuntivo sia utile.

Se il documento contiene invece colonne verticali giapponesi e furigana, consultare la guida all'OCR verticale giapponese. Si tratta di un problema diverso di layout e annotazione, non solo di un'altra casella di spunta per la lingua.

Utilizza un flusso di lavoro che accetti effettivamente i PDF

Una via desktop: NAPS2

NAPS2 offre un percorso documentato per rendere ricercabili i PDF scansionati:

1. Importa una copia del file e apri le sue impostazioni OCR.
2. Scarica le lingue di riconoscimento necessarie per il documento.
3. Scegli Lingue multiple e seleziona le lingue pertinenti.
4. Abilita l'OCR per PDF ricercabili e salva in un nuovo file.
5. Riapri quel file e confronta il testo cinese, inglese e numerico copiato con la pagina visibile.

La scelta della lingua multipla appare dopo aver scaricato più di una lingua. Questi passaggi seguono la guida ufficiale di NAPS2; non abbiamo eseguito un test pratico di NAPS2 per questo articolo.

Una via da riga di comando: OCRmyPDF

Per un PDF in cinese semplificato/inglese di sole immagini, un esempio basato sulla documentazione ufficiale è:

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

Installa prima i pacchetti di lingue richiesti. Usa chi_tra per un test in cinese tradizionale invece di dare per scontato che gli script siano intercambiabili.

Il ricettario di OCRmyPDF documenta gli output PDF e in formato testo associato (sidecar). Il suo file sidecar non è necessariamente l'intero documento: il testo sulle pagine che avevano già del testo, o sulle pagine saltate durante l'OCR, potrebbe essere assente. Controlla il PDF di output stesso. Un OCR errato esistente richiede un flusso di lavoro di ripetizione deliberato; non forzare la rasterizzazione di ogni pagina senza capire cosa comporta.

Questo è un percorso basato sulla documentazione, non sul nostro ambiente di test misurato. Non abbiamo eseguito OCRmyPDF qui.

Il Tesseract semplice richiede pagine rasterizzate

Non usare tesseract input.pdf ... come se fosse un lettore PDF. Tesseract non accetta input in formato PDF, sebbene possa produrre output in PDF. Tesseract.js presenta la stessa distinzione per l'input PDF: esegui prima il rendering delle pagine con una libreria PDF, quindi riconosci le immagini.

Questo è il percorso utilizzato per il nostro esperimento di seguito. Produce testo ed evidenze TSV, non un PDF ricercabile testato.

Cosa è successo in dieci chiamate OCR locali

Abbiamo creato un PDF di tre pagine contenente solo immagini contenente:

1. prosa in cinese semplificato con riferimenti in inglese, identificatori, decimali e unità;
2. una corrispondente pagina in cinese tradizionale;
3. una piccola tabella cino-inglese con tre righe di dati.

Il testo e i valori sono materiale didattico autoprodotto, non file di clienti o misurazioni reali. Ciascuna destinazione in prosa contiene 124 punti di codice senza spazi vuoti, inclusi 41 caratteri Han. La tabella contiene 79 punti di codice senza spazi vuoti.

Le pagine di origine del PDF non presentavano testo estraibile. Ne abbiamo eseguito il rendering utilizzando Poppler 26.08.0 a 300 dpi, producendo immagini da 1600×1000 pixel. La dimensione dei caratteri era di 48 pixel in Noto Sans CJK SC/TC Regular. Tutta la punteggiatura proveniva dai normali glifi orizzontali dei font.

L'8 settembre 2026, abbiamo eseguito localmente Tesseract.js 7.0.0 con tesseract.js-core 7.0.0 su macOS ARM64. I modelli tessdata_fast ufficiali sono stati fissati al commit 87416418657359cb625c412a48b6e1d6d41c29bd. Ogni chiamata ha utilizzato OEM 1 e PSM 6, l'impostazione per blocchi di testo uniformi, con la stessa immagine di pagina per ciascun confronto di lingua.

Ci sono state quattro ricette linguistiche per ogni pagina di prosa e due per la tabella. Tutte e dieci le chiamate sono state completate; nessun risultato è stato scartato e nessun parametro è stato modificato dopo aver visto l'output. Gli input esatti, gli hash dei modelli, le versioni e i risultati grezzi e il le istruzioni per la riproduzione sono disponibili.

Un'impostazione può correggere un campo e rovinarne un altro

Nella pagina tradizionale, chi_tra ha conservato tutti i 41 caratteri Han in sequenza, ma ha comunque commesso errori non in cinese. Ad esempio, ha cambiato l'etichetta inglese Document ID in Document 1ID e ha letto male il simbolo di grado.

L'aggiunta di eng ha ripristinato Document ID, ma parte della frase relativa a temperatura e massa è diventata frammenti di aspetto latino:

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。

I numeri sono sopravvissuti in quella linea mentre il cinese circostante no. Controllare solo 23.5 e 1.08 avrebbe fatto perdere il danno.

La pagina semplificata ha mostrato un compromesso diverso. L'aggiunta dell'inglese ha ripristinato BK-2026-A07, che l'esecuzione solo in cinese aveva restituito come BK-2026-AO7. Ma ha anche cambiato 与 in 5 altrove. L'identificatore visivamente ambiguo O0I1-l è rimasto errato.

Le seguenti diagnostiche mostrano perché non abbiamo decretato un vincitore:

“Modifiche alla sequenza Han” confronta solo gli ideogrammi cinesi. Non valuta inglese, punteggiatura o spaziatura. “Stringhe protette trovate” è solo un controllo di presenza per gli identificatori predefiniti, i numeri, le unità e i token di riferimento; non ne verifica la posizione o la relazione. Gli output in sola lingua inglese dimostrano la trappola: la maggior parte delle stringhe protette era presente, eppure nessuno dei caratteri cinesi è stato restituito.

Il file CSV di confronto completo riporta anche le distanze di modifica dell'intero testo. Il confronto applica l'NFC Unicode e rimuove gli spazi vuoti; non corregge la punteggiatura, non modifica le maiuscole/minuscole, non converte gli script cinesi né riordina i caratteri. L'inversione dell'ordine delle lingue ha modificato la spaziatura in questi output di prosa ma non la sequenza di caratteri normalizzata. Tale osservazione non costituisce una regola generale sull'ordine delle lingue.

Una tabella vuota non è un'estrazione riuscita

Entrambe le chiamate alla tabella hanno restituito testo vuoto, pur completandosi senza un errore di esecuzione dell'OCR. L'aggiunta del cinese non ha salvato la ricetta fissa a blocchi uniformi.

Non abbiamo testato altre modalità di segmentazione, ritagli di celle o un motore di riconoscimento delle tabelle. Di conseguenza, il risultato non dimostrano che Tesseract non è in grado di leggere le tabelle. Indicano che la sola modifica della lingua di riconoscimento non ha risolto questo campione con le impostazioni utilizzate.

Per una tabella reale, è necessaria la relazione completa Temperature → A-01 → 23.5 → °C, non quattro token trovati casualmente nella pagina. Se l'output è vuoto o non è possibile verificare le relazioni, smetti di considerarlo una trascrizione affidabile. Prova un flusso di lavoro che riconosca il layout o trascrivi le celle necessarie facendo riferimento all'immagine.

Cosa questo esperimento non può stabilire

Si tratta di tre pagine sintetiche pulite appartenenti a una singola famiglia di font, revisionate da un singolo agente di scrittura. Non è stata effettuata alcuna revisione umana in cieco, non è stato utilizzato un corpus di documenti di produzione né sono stati testati scan sfocati, scrittura a mano, tabelle complesse, testo verticale o caratteri storici.

I risultati costituiscono utili controesempi a una regola incondizionata del tipo “aggiungi più lingue”. Non rappresentano una classifica dei motori, un tasso di accuratezza generale o una previsione per il tuo file PDF. Questo non è stato un test di BookTranslator e il PDF di origine composto solo da immagini non è una copia di lettura con OCR completato.

Usa un controllo di accettazione in quattro parti sul tuo file

Scarica il foglio di revisione vuoto. Scegli una pagina che presenti la difficoltà effettiva, quindi aggiungi i seguenti controlli prima di elaborare l'intero file:

1. Testo in cinese: confronta una frase completa, inclusi i caratteri meno comuni e le forme semplificate o tradizionali desiderate. Non normalizzare silenziosamente un carattere errato trasformandolo in quello che ti aspettavi.
2. Inglese e identificatori: ispeziona i nomi degli autori, i riferimenti, le abbreviazioni, le maiuscole e i caratteri simili come O/0 o I/l/1. Un codice sconosciuto non è una parola da correggere automaticamente.
3. Numeri e unità: confronta ciascun valore con il relativo segno, punto decimale, unità e etichetta. 0.05 e 0.50 devono rimanere distinti; un valore riconosciuto come 23.5 privo dell'unità corretta è incompleto.
4. Relazioni e completezza: verifica che ogni paragrafo o riga di tabella appartenga al punto previsto. Conferma la presenza di didascalie, note e brevi passaggi in una seconda lingua, non solo del testo principale.

Registra il testo originale, il risultato osservato, la pagina o la regione e l'azione richiesta. Quando una configurazione migliora un controllo ma ne peggiora un altro, mantieni entrambe le osservazioni. Non accettare il file basandoti su un singolo punteggio di confidenza o su una media di caratteri.

Distingui tre esiti: utilizzabile così com'è per lo scopo dichiarato, necessita di correzioni specifiche o non è ancora affidabile. Un'attività di ricerca potrebbe richiedere un solo passaggio verificato; una copia di lettura completa richiede la copertura dell'intero documento, non una pagina di copertina pulita.

Traduci solo dopo aver compreso cosa dice il testo originale

Se la ricerca e il testo originale copiabile risolvono il tuo problema, fermati lì. L'OCR ha fatto il suo lavoro; la traduzione è una decisione separata.

Se hai bisogno di leggere l'intero documento in un'altra lingua, conserva la scansione originale e il testo corretto come riferimenti, quindi segui il flusso di lavoro per la traduzione di PDF scansionati. Per un file idoneo, il traduttore PDF di BookTranslator può essere il passo successivo. La sua modalità OCR ricostruisce il contenuto tradotto anziché promettere una corrispondenza esatta con l'impaginazione originale della pagina; non elimina la necessità di controllare il testo recuperato e le relazioni delle tabelle.

Dopo la traduzione, usa la checklist di QA per la traduzione di PDF per distinguere un errore di riconoscimento della fonte da un errore di traduzione o di impaginazione. Correggere la fase sbagliata è il modo in cui un errore leggibile sopravvive nel file finale.