Cara Membetulkan Pemisah Baris dan Tanda Sempang OCR Sebelum Terjemahan

Untuk membetulkan pemisah baris OCR, kenal pasti teks yang tergolong dalam satu perenggan terlebih dahulu. Gantikan hanya pengakhiran baris yang tidak diingini dengan ruang. Bagi perkataan yang terbahagi merentasi baris, buat keputusan secara berasingan sama ada hendak membuang tanda sempang atau mengekalkannya: trans- diikuti oleh lation menjadi translation, tetapi well- diikuti oleh known menjadi well-known. Simpan log perubahan dan bandingkan sambungan yang meragukan dengan halaman asal.

Jangan jalankan arahan "buang semua pemisah baris" atau "padam semua tanda sempang" untuk keseluruhan buku. Petikan yang telah dibersihkan mungkin kelihatan lebih lancar tetapi kehilangan perenggan, menggabungkan dua item senarai atau mengubah pengenalpasti teknikal. Matlamatnya adalah untuk menghasilkan salinan bacaan atau terjemahan yang boleh dipercayai—bukan bilangan aksara baris baharu yang paling sedikit.

Panduan ini bermula selepas pengecaman teks. Jika menyalin PDF menghasilkan huruf atau nombor yang salah, terlebih dahulu diagnosis lapisan teksnya. Mengubah pemisah baris tidak dapat membetulkan aksara B-2O4 yang salah dicam kepada aksara yang dimaksudkan iaitu B-204.

Tentukan maksud bagi setiap pemisah baris

Kekalkan imbasan asal dan petikan mentah tanpa perubahan. Dalam salinan kerja, hidupkan paparan ruang putih atau tanda perenggan dalam editor. Ubah saiz tetingkap editor: baris yang mengalir semula tanpa baris baharu yang tersimpan hanyalah balutan visual pada skrin; tiada apa yang perlu dipadamkan.

Baris baharu yang tersimpan memerlukan pemeriksaan yang berbeza. Bandingkan satu perenggan berterusan, tajuk, senarai dan sebarang reka letak halaman yang berbeza ketara dengan imej halaman asal. Jangan buat kesimpulan tentang struktur keseluruhan dokumen hanya berdasarkan halaman tajuknya.

Baris kosong dan inden boleh membantu mengenal pasti perenggan, tetapi ia hanyalah petunjuk dan bukannya jaminan mutlak. Sesuatu tajuk mungkin tidak mempunyai baris kosong selepasnya. Baris yang berinden mungkin merupakan sambungan senarai, bukannya perenggan baharu. Baris pendek yang berakhir dengan noktah pula boleh jadi baris terakhir sesuatu perenggan atau sekadar ayat di pertengahan perenggan.

Jika eksport OCR menyediakan maklumat reka letak atau blok, kekalkannya semasa menyemak teks. Eksport teks biasa sahaja mungkin membuang bukti penting yang anda perlukan untuk membina semula batas-batas pemisah tersebut.

Asingkan perkataan yang terpisah daripada tanda sempang sebenar

Tiga kes yang kelihatan serupa memerlukan suntingan yang berbeza:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

Baris terakhir menggunakan \u00AD untuk memaparkan dengan jelas aksara yang sukar dilihat. Unicode membezakan U+00AD SOFT HYPHEN, iaitu penanda pemisah intra-perkataan mengikut budi bicara, daripada tanda sempang yang kelihatan seperti U+2010 HYPHEN. Ini bukanlah aksara yang boleh ditukar ganti. Spesifikasi pemecahan baris Unicode turut menerangkan perubahan ejaan mengikut bahasa pada pemecahan; memadamkan tanda sempang yang kelihatan dan mencantumkan huruf-huruf tersebut tidak sentiasa memadai.

Bagi prosa biasa, mengalih keluar penanda budi bicara yang telah disahkan boleh menghasilkan salinan bacaan yang berguna. Untuk transkripsi arkib, kekalkan teks asal secara berasingan: mengalih keluar penanda akan mengubah teks yang dikodkan walaupun perkataan tersebut kelihatan tidak berubah.

Gunakan kamus dalam bahasa sumber untuk menyemak cadangan ejaan, kemudian kembali ke petikan tersebut. Entri kamus hanyalah bukti sokongan, bukannya kebenaran untuk menulis ganti nama, pengecam, atau ejaan bersejarah. Kemunculan berulang dalam dokumen juga membantu, namun ralat OCR boleh berulang secara konsisten.

Sebagai contoh, sampel bahasa Jerman kami adalah:

Die Auf-
gabe ist klar.

Perkataan yang dimaksudkan dalam contoh yang dikarang ini ialah Aufgabe; Entri Duden menyenaraikan pembahagiannya sebagai Auf|ga|be. Mencantumkan Auf- dan gabe adalah wajar di sini. Contoh tunggal itu bukanlah peraturan penyahsempangan umum bahasa Jerman, dan ejaan kamus moden tidak sepatutnya menggantikan ortografi edisi lama secara senyap-senyap.

Kendalikan URL, kod katalog, nama kimia, nilai negatif, dan token teknikal lain sebagai kes semakan yang berasingan. Sama ada tanda sengkang atau tanda sempang dikekalkan mestilah mengikut sumber dan maksud token tersebut, bukannya heuristik perkataan bahasa Inggeris.

Perkara yang ditunjukkan oleh dua belas contoh terkawal

Kami membina satu demonstrasi pembersihan yang boleh dimuat turun yang mengandungi dua belas rentetan asal. Perkataan dan struktur yang dimaksudkan telah ditentukan semasa kami mengarangnya; kami kemudiannya memasukkan pemecahan baris dan artifak penyempangan terpilih. Ini merupakan contoh teks sintetik, bukannya output daripada enjin OCR atau imbasan sesebuah buku.

Garis dasar yang sengaja dibuat secara kasar melakukan tiga penggantian: mengalih keluar tanda sempang berserta baris baharu, menggantikan baki baris baharu dengan ruang, dan mengalih keluar tanda sempang lembut. Laluan kedua hanya menggunakan perubahan yang diluluskan secara individu pada teks yang tepat. Ia tidak membuat sebarang percubaan untuk mengecam perenggan atau memutuskan ejaan perkataan secara automatik.

Pada 3 Oktober 2026, menjalankan lekapan ujian ini dengan Node.js 25.2.1 menghasilkan teks yang sepadan dengan rujukan untuk 4 daripada 12 contoh di bawah garis dasar mudah (blunt baseline). Laluan yang diluluskan sepadan dengan kesemua dua belas rujukan dan memulihkan kesemua dua belas input melalui fungsi buat asal (undo). Ia juga menolak input lapuk, padanan tidak unik, serta padanan yang hilang.

Keputusan tersebut menguji penggunaan tampalan tepat terhadap rujukan yang diketahui pengarangnya. Ujian ini tidak menganggarkan ketepatan dalam dunia sebenar: keputusan yang diluluskan sudah mengandungi jawapannya, dan korpus ini sengaja dipilih untuk mendedahkan kes-kes kegagalan. Kami tidak menguji pembersih komersial, enjin OCR, model terjemahan, atau muat naik BookTranslator. Tiada percubaan semula atau sampel yang dikecualikan.

Muat turun input/output sebenar dan log tampalan serta arahan pembiakan semula. Skrip JavaScript ini berjalan secara setempat tanpa kebergantungan atau panggilan rangkaian dan mencetak keputusannya; ia tidak menulis semula fail anda. Semakannya melindungi suntingan yang diluluskan daripada digunakan pada teks yang berbeza. Semakan tersebut tidak dapat memberitahu sama ada sesuatu suntingan itu betul dari segi linguistik.

Bersihkan satu blok yang disahkan pada satu masa

Mulakan dengan blok prosa pendek yang urutan bacaan dan sempadan perenggannya dapat anda tentukan. Jangan mulakan dengan keseluruhan bab yang mengandungi kapsyen, petikan, senarai dan nota kaki.

1. Simpan salinan mentah dan rekodkan lokasi sumber. Kekalkan nama fail, nombor halaman, perenggan atau blok, serta bahasa bagi setiap petikan yang disemak.
2. Tandakan sempadan struktur terlebih dahulu. Asingkan tajuk, item senarai, bait puisi, jadual dan kod daripada prosa biasa. Kekalkan rujukan halaman di luar teks bacaan jika anda memadamkan penandanya kemudian.
3. Sambungkan pembalut antara perkataan biasa dalam blok tersebut. Gantikan setiap pemisah yang disahkan dengan ruang jarak. Pastikan perkataan tidak bercantum sekali gus dan ruang jarak sedia ada tidak bertukar menjadi pendua yang mengganggu.
4. Semak perkataan yang terpisah secara berasingan. Paparkan token penuh dan ayat di sekelilingnya. Catatkan “buang tanda sempang reka letak”, “kekalkan tanda sempang tulen”, atau “belum diselesaikan”. Jangan anggap calon yang belum diselesaikan sebagai perubahan yang telah diluluskan.
5. Periksa perbezaan (diff) sebelum menerimanya. Bandingkan setiap pemisah atau tanda sempang yang dibuang dengan sumber asalnya. Simpan versi yang telah dibersihkan di bawah nama fail baharu, bersama dengan keputusan yang diambil.
6. Buka semula dan salin daripada hasil yang disimpan. Periksa fail sebenar yang akan anda gunakan, bukan sekadar pratonton editor.

Bagi petikan kecil, suntingan manual dengan penjejakan perubahan atau perbandingan sebelum/selepas mungkin sudah memadai. Bagi petikan yang lebih panjang, senarai tampalan harus merekodkan subrentetan asal yang tepat, penggantian, lokasi, alasan, dan penyemak. Jumlah semak sumber membantu mengelakkan penggunaan kelulusan lama selepas input berubah.

Jika editor anda menawarkan mod pembersihan yang mengekalkan perenggan, uji mod tersebut pada blok-blok yang sukar—bukan sekadar pada teks biasa yang mengalir. Mengekalkan baris baharu berganda tidak akan memulihkan pemisah perenggan yang diwakili OCR dengan satu baris baharu sahaja. Jangan padamkan inden atau rapatkan semua ruang sebelum memeriksa jadual dan kod.

Ketahui masa untuk merujuk kembali imej halaman

Tanda baca bahasa Perancis menggambarkan sebab pengesanan akhir ayat bukanlah pengesanan perenggan. Dalam sampel yang kami tulis, Il attend… dan Le lendemain, il part. tergolong dalam perenggan berasingan. Tanda elipsis semata-mata tidak membuktikan adanya pemisah tersebut. Panduan Office québécois de la langue française tentang points de suspension menerangkan kegunaan termasuk gangguan atau idea yang tidak lengkap; gunakan struktur halaman untuk menentukan sama ada baris berikutnya perlu disambungkan.

Wajibkan semakan imej sumber bagi calon-calon ini:

Jika beberapa halaman menunjukkan masalah yang sama, cari corak tersebut di seluruh dokumen dan semak padanan yang ditemui. Sekiranya huruf sumber, susunan pembacaan, atau keseluruhan petikan salah, hentikan penormalan dan semak semula proses pengecaman atau pengekstrakan. Untuk pengecaman merentas pelbagai bahasa, gunakan aliran kerja OCR PDF pelbagai bahasa.

Sahkan sumber yang telah dibersihkan sebelum menterjemahkannya

Bandingkan blok yang telah disunting dengan halaman asal, kemudian periksa blok lain serta setiap jenis struktur berbeza yang terdapat dalam ekstrak tersebut. Kekalkan kegagalan yang diketahui dalam set semakan. Pensampelan hanya memberikan bukti tentang petikan yang telah disemak; ia tidak mengesahkan ketepatan bahagian buku yang selebihnya.

• Sahkan bahawa nama, nombor, tarikh, dan kod masih sepadan dengan sumber.
• Periksa setiap tanda sempang yang dialih keluar dan sebarang ejaan yang dibina semula merentasi pemisahan.
• Bandingkan sempadan perenggan, tajuk, item senarai, dan baris bait.
• Sahkan bahawa baris pertama dan terakhir kekal terpelihara bagi setiap peralihan halaman.
• Cari calon yang belum diselesaikan dan pastikan ia kekal kelihatan dalam log semakan.
• Pastikan versi akhir yang disimpan ialah versi yang diterima oleh aliran kerja anda yang seterusnya.

Jika apa yang anda perlukan hanyalah teks yang boleh dicari atau nota, ekstrak yang disahkan ini mungkin merupakan titik akhir anda. Anda tidak memerlukan terjemahan untuk membaikinya.

Jika anda memerlukan dokumen tersebut dalam bahasa lain, sediakan kandungan yang telah disahkan dalam format dokumen yang disokong dan gunakan aliran kerja terjemahan dokumen lengkap. Mod OCR BookTranslator membina semula PDF yang diterjemahkan daripada kandungan yang dicam dan bukannya menghasilkan semula reka letak halaman asal; ia bukan penyunting pembersihan teks luaran atau bukti bahawa setiap pemisahan baris sumber telah ditafsirkan dengan betul. Panduan PDF diimbas menerangkan bila pengecaman diperlukan.

Simpan halaman asal dan log pembersihan untuk semakan QA terjemahan PDF akhir. Ayat sasaran yang lancar tidak dapat memberitahu anda sama ada teks sumber sepatutnya mengandungi tanda sempang sebenar—atau bahawa dua ayat yang kelihatan bersambung sebenarnya adalah perenggan yang berasingan.