혼합 언어 PDF의 OCR: 중국어, 영어, 숫자 개별 확인

혼합 언어 PDF를 OCR 처리하려면 페이지의 문자를 식별하고, 관련 인식 언어로 PDF를 처리할 수 있는 도구를 선택한 다음, 이미지와 비교하여 추출된 텍스트를 확인하세요. 중국어 텍스트, 영어 텍스트, 숫자 및 라벨 관계를 개별적으로 확인하세요. 검색에서 영어 제목을 찾는다고 해서 중국어 본문이 인식되었는지 알 수 있는 것은 아닙니다.

다른 언어를 추가하는 것은 테스트해 볼 가치가 있지만, 항상 개선을 의미하는 것은 아닙니다. 중국어-영어 혼합 소규모 실험에서 영어를 추가했을 때 영어 라벨 하나는 수정되었지만, 중국어 전용 구성에서 인식되었던 중국어 문장은 손상되었습니다. 또한 두 가지 표 구성 모두 단순 줄이 있는 표에서 텍스트를 반환하지 않았습니다.

이것이 일반적인 다국어 OCR에 대한 최종 결론은 아닙니다. 선택한 언어의 수보다 필요한 결과물을 바탕으로 판단해야 하는 이유를 보여주는 것입니다.

먼저 누락된 텍스트와 잘못된 텍스트를 구별하세요

원본 파일은 변경하지 않고 그대로 유지하세요. 사본의 대표 페이지에서 문장을 선택하여 일반 텍스트 편집기에 붙여넣으세요. 문서 제목뿐만 아니라 중국어 단락과 영어 단락을 모두 테스트해 보세요.

기존 텍스트 레이어가 중요합니다. 예를 들어, NAPS2의 OCR 문서 에 따르면 텍스트가 이미 포함된 가져온 PDF 페이지는 그대로 유지된다고 합니다. 따라서 이 워크플로에서는 잘못 OCR 처리된 페이지를 다시 가져오는 것이 안정적인 복구 방법이 될 수 없습니다.

진짜 문제가 해상도가 낮거나 곡선이거나 기울어진 스캔본인 경우, 언어 설정 비교를 해석하기 전에 먼저 그 문제부터 해결하세요. BookTranslator의 좀 더 폭넓은 스캔된 PDF 가이드 이 문서에서는 해당 준비 과정과 이후 번역 단계를 다룹니다.

번역 대상이 아니라 인식할 언어를 선택하세요

인식은 “이 페이지에 어떤 문자가 있는가?”에 답하고, 번역은 “이 내용은 다른 언어로 어떻게 읽혀야 하는가?”에 답합니다. OCR에 번체 중국어를 임의로 간소화하거나, 영어 인용구를 번역하거나, 낯선 식별자를 다시 쓰도록 요구하지 마세요.

간단한 목록을 만드세요:

• 중국어 문자: 제목과 주석을 포함하여 간체, 번체 또는 둘 다.
• 라틴 문자: 영어 문장, 저자 이름, 참고 문헌, 약어 및 모델 번호.
• 제어 값: 날짜, 소수점, 단위, 음수 기호, 식별자 및 대소문자 구분 코드.
• 영역: 산문, 표, 캡션, 각주 또는 별도 언어 부록.

예를 들어, 번체 중국어 보고서에는 영어 초록과 참고 문헌이 포함될 수 있습니다. 간체 중국어 챕터에는 다음이 포함된 표가 있을 수 있습니다: A-01, 23.5, 그리고 °C. 둘 다 가장 긴 중국어 단락 하나만 확인하는 방식으로 평가해서는 안 됩니다.

Tesseract는 다음을 별도로 제공합니다: chi_sim, chi_tra, 그리고 eng 모델을 다음에서 제공합니다: 공식 모델 저장소. 그 명령어 문서 는 조합된 언어 선택을 지원하며 언어 순서가 결과에 영향을 미칠 수 있음을 언급합니다. 이는 구성 가능성일 뿐, 추가된 모든 모델이 도움이 된다는 보장은 아닙니다.

문서에 세로 방향의 일본어 열과 루비(후리가나)가 포함되어 있다면 다음을 사용하세요: 일본어 세로쓰기 OCR 가이드.이는 단순한 다른 언어 체크박스가 아니라, 완전히 다른 레이아웃 및 주석 문제입니다.

실제로 PDF를 지원하는 워크플로 사용하기

데스크톱 방식: NAPS2

NAPS2는 스캔된 PDF를 검색 가능하게 만드는 문서화된 경로를 제공합니다.

1. 파일 사본을 가져오고 OCR 설정을 엽니다.
2. 문서에 필요한 인식 언어를 다운로드합니다.
3. 선택하세요: Multiple Languages 및 관련 언어를 선택합니다.
4. 검색 가능 PDF OCR을 활성화하고 새 파일로 저장합니다.
5. 해당 파일을 다시 열고 복사된 중국어, 영어, 숫자 텍스트를 눈에 보이는 페이지와 비교합니다.

다중 언어 선택 옵션은 둘 이상의 언어가 다운로드된 후에 나타납니다. 이러한 단계는 다음을 따릅니다. 공식 NAPS2 가이드; 이 기사를 위해 NAPS2를 직접 테스트한 것은 아닙니다.

명령줄 방식: OCRmyPDF

이미지만 있는 간체 중국어/영어 PDF의 경우, 공식 문서를 기반으로 한 예시는 다음과 같습니다.

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

필수 항목 설치 언어 팩 먼저 사용하세요. chi_tra 스크립트가 서로 호환된다고 가정하지 말고, 번체 중국어 테스트를 위해 사용하세요.

그만큼 OCRmyPDF 요리책 PDF 및 사이드카 텍스트 출력을 문서화합니다. 사이드카가 반드시 문서 전체인 것은 아닙니다. 이미 텍스트가 있던 페이지나 OCR 중에 건너뛴 페이지의 텍스트는 없을 수 있습니다. 출력된 PDF 자체를 확인하십시오. 기존의 잘못된 OCR은 신중한 재작업 워크플로가 필요하며, 변경되는 내용을 이해하지 못한 채 모든 페이지를 억지로 래스터화하지 마십시오.

이것은 문서 기반 경로이며 당사가 측정하여 테스트한 환경이 아닙니다. 여기서는 OCRmyPDF를 실행하지 않았습니다.

순수 Tesseract는 렌더링된 페이지가 필요합니다

PDF 리더인 것처럼 tesseract input.pdf ... 사용하지 마십시오. Tesseract는 PDF 입력을 받지 않습니다, 비록 PDF 출력을 생성할 수 있을지라도 말입니다. Tesseract.js도 이와 같은 PDF 입력 구분이 존재합니다: 먼저 PDF 라이브러리로 페이지를 렌더링한 다음, 이미지를 인식하세요.

그것이 아래 실험에 사용된 경로입니다. 이 방식은 테스트를 거친 검색 가능한 출력 PDF가 아니라 텍스트와 TSV 증적을 생성합니다.

10번의 로컬 OCR 호출에서 발생한 일

우리는 다음을 포함하는 3페이지 분량의 이미지 전용 PDF 를 생성했습니다:

1. 영어 참고 자료, 식별자, 소수, 단위를 포함하는 간체 중국어 산문;
2. 상응하는 번체 중국어 페이지;
3. 3개의 데이터 행이 있는 작은 중국어-영어 표.

텍스트와 값은 고객 파일이나 실제 측정이 아닌 자체 작성한 교육 자료입니다. 각 산문 타겟에는 41개의 한자 문자를 포함하여 124개의 공백 없는 코드 포인트가 포함되어 있습니다. 표에는 79개의 공백 없는 코드 포인트가 포함되어 있습니다.

PDF의 소스 페이지에는 추출 가능한 텍스트가 없었습니다. 우리는 Poppler 26.08.0을 사용하여 300 dpi로 렌더링하여 1600×1000 픽셀 이미지를 생성했습니다. 글꼴 크기는 Noto Sans CJK SC/TC Regular에서 48픽셀이었습니다. 모든 문장 부호는 글꼴의 일반적인 가로 글리프에서 가져왔습니다.

2026년 9월 8일, 우리는 macOS ARM64에서 tesseract.js-core 7.0.0이 포함된 Tesseract.js 7.0.0을 로컬로 실행했습니다. 공식 tessdata_fast 모델은 커밋에 고정되었습니다 87416418657359cb625c412a48b6e1d6d41c29bd. 모든 호출은 각 언어 비교에 동일한 페이지 이미지를 사용하여 균일 텍스트 블록 설정인 OEM 1 및 PSM 6을 사용했습니다.

각 산문 페이지에 대해 4개의 언어 레시피가 있었고 표에 대해 2개가 있었습니다. 10개의 호출이 모두 완료되었으며, 결과가 폐기된 것은 없었고 출력을 본 후에 매개변수가 조정된 것도 없습니다. 정확한 입력, 모델 해시, 버전 및 원시 결과 및 재현 방법 이 제공됩니다.

한 설정을 고치면 다른 필드가 망가지기도 합니다

기존 페이지에서는 chi_tra 이(가) 41개의 한자 시퀀스를 모두 유지했지만, 여전히 중국어 외의 부분에서 오류를 일으켰습니다. 예를 들어 영어 레이블인 Document ID 을(를) Document 1ID (으)로 바꾸고 도(degree) 기호를 잘못 읽었습니다.

추가하는 것은 eng 을(를) 복원했지만 Document ID, 온도 및 질량 문장의 일부가 라틴어처럼 보이는 조각으로 변했습니다.

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。

해당 줄에서는 숫자가 살아남았지만 주변 중국어는 살아남지 못했습니다. 23.5 와(과) 1.08 만 확인했다면 이러한 손상을 놓쳤을 것입니다.

간소화된 페이지는 다른 트레이드오프를 보여주었습니다. 영어를 추가하자 BK-2026-A07이(가) 복원되었는데, 중국어 단독 실행에서는 이를 BK-2026-AO7(으)로 반환했었습니다. 하지만 이 조치는 다른 곳에서 与 을(를) 5 (으)로 변경하기도 했습니다. 시각적으로 모호한 식별자인 O0I1-l 은(는) 여전히 잘못된 상태로 남았습니다.

다음 진단 결과는 우리가 승자를 선언하지 않은 이유를 보여줍니다.

“한자 시퀀스 편집”은 중국어 표의문자만 비교합니다. 영어, 구두점, 공백은 점수에 반영하지 않습니다. “보호된 문자열 발견”은 미리 정의된 식별자, 숫자, 단위, 참조 토큰의 존재 여부만 확인하며, 위치나 관계를 검증하지는 않습니다. 영어 전용 출력 결과는 그 함정을 여전히 보여줍니다. 대부분의 보호된 문자열은 존재했지만, 중국어 문자는 단 하나도 반환되지 않았습니다.

전체 비교 CSV 또한 전체 텍스트 편집 거리를 보고합니다. 비교에는 유니코드 NFC가 적용되고 공백이 제거되며, 구두점 수정, 대소문자 변경, 중국어 자체 변환, 문자 재정렬은 수행되지 않습니다. 언어 순서를 반대로 바꾸면 이러한 산문 출력의 공백은 바뀌었지만 정규화된 문자 시퀀스는 바뀌지 않았습니다. 그러한 관찰이 언어 순서에 관한 일반적인 규칙은 아닙니다.

빈 표는 성공적인 추출이 아님

OCR 실행 오류 없이 완료되었음에도 두 표 호출 모두 빈 텍스트를 반환했습니다. 중국어 추가는 고정된 균일 블록 레시피를 구해내지 못했습니다.

우리는 다른 분할 모드, 셀 크롭, 표 인식 엔진을 테스트하지 않았습니다. 따라서 그 결과는 아닙니다 은 Tesseract가 표를 읽을 수 없음을 보여줍니다. 우리가 사용한 설정 하에서는 인식 언어를 변경하는 것만으로는 이 샘플을 해결할 수 없음을 보여줍니다.

실제 표의 경우 완전한 관계성이 필요합니다 Temperature → A-01 → 23.5 → °C, 페이지 어딘가에서 발견된 네 개의 토큰이 아닙니다. 출력 결과가 비어 있거나 관계성을 확인할 수 없는 경우, 신뢰할 수 있는 텍스트 변환으로 간주하는 것을 중단하십시오. 레이아웃 인식 워크플로를 시도하거나 이미지를 참조하여 필요한 셀을 텍스트로 변환하십시오.

이 실험으로 입증할 수 없는 것

이것은 하나의 글꼴 패밀리에서 나온 세 개의 깨끗한 합성 페이지이며, 단일 작성자 에이전트의 검토를 거쳤습니다. 눈가림법을 적용한 사람의 검토, 프로덕션 문서 말뭉치, 흐린 스캔본, 손글씨, 복잡한 표, 세로 텍스트 또는 역사적 문자에 대한 테스트는 없었습니다.

그 결과는 무조건적인 '언어 추가' 규칙에 대한 유용한 반례입니다. 이는 엔진 순위, 일반적인 정확도 또는 PDF에 대한 예측이 아닙니다. 이것은 BookTranslator 테스트가 아니며, 이미지 전용 소스 PDF는 OCR이 완료된 읽기용 사본이 아닙니다.

자신의 파일에 4단계 수락 검사 적용하기

다음을 다운로드하십시오 빈 검토 시트. 실제 어려움이 포함된 페이지를 선택한 다음, 전체 파일을 처리하기 전에 다음 검사 항목을 추가하십시오.

1. 중국어 텍스트: 흔하지 않은 글자와 의도된 간체/번체 형식을 포함하여 완전한 문장을 비교하십시오. 잘못된 글자를 예상했던 글자로 조용히 정규화하지 마십시오.
2. 영어 및 식별자: 저자 이름, 참고 문헌, 약어, 대소문자, 그리고 다음과 같은 유사 문자들을 검사하십시오 O/0 또는 I/l/1. 익숙하지 않은 코드는 자동 수정해야 할 단어가 아닙니다.
3. 숫자 및 단위: 각 값의 부호, 소수점, 단위, 레이블을 비교하십시오. 0.05 와 0.50 는 구별되어야 합니다. 올바른 단위가 없는 인식된 23.5 은 불완전합니다.
4. 관계성 및 완전성: 각 단락이나 표 행이 예상되는 위치에 있는지 확인하십시오. 본문뿐만 아니라 캡션, 주석, 작은 보조 언어 구절도 있는지 확인하십시오.

원본 텍스트, 관찰된 결과, 페이지/영역, 필요한 조치를 기록하십시오. 한 가지 설정이 하나의 검사는 개선하지만 다른 검사를 악화시키는 경우, 두 관찰 결과를 모두 유지하십시오. 단일 신뢰도 점수나 평균 글자 수를 기준으로 파일을 수락하지 마십시오.

세 가지 결과로 구분하세요. 명시한 목적에 맞게 그대로 사용할 수 있거나, 특정 수정이 필요하거나, 아직 신뢰할 수 없는 경우입니다. 검색 작업에는 검증된 구절 하나만 필요할 수 있지만, 전체 독서용 사본에는 깔끔한 표지뿐만 아니라 문서 전체의 커버리지가 필요합니다.

원문의 내용을 파악한 후에만 번역하세요

검색 및 복사 가능한 원문으로 문제가 해결된다면 거기서 멈추세요. OCR은 자신의 역할을 다한 것이며, 번역은 별개의 결정입니다.

다른 언어로 된 전체 문서를 읽어야 하는 경우 원래의 스캔본과 교정된 텍스트를 참고 자료로 보관한 다음, 스캔된 PDF 번역 워크플로를 따르세요. 적격 파일의 경우 BookTranslator의 PDF 번역기 가 다음 단계가 될 수 있습니다. OCR 모드는 원본 페이지 레이아웃과 정확히 일치하는 것을 약속하는 대신 번역된 콘텐츠를 재구성하며, 복구된 텍스트와 표 관계를 확인할 필요성을 없애주지는 않습니다.

번역 후 PDF 번역 QA 체크리스트 를 사용하여 원문 인식 오류와 번역 또는 레이아웃 오류를 구분하세요. 잘못된 단계를 수정하는 것이 바로 읽을 수 있는 실수가 최종 파일까지 살아남는 방식입니다.