Salinan-Tampal PDF Beri Teks Salah? Diagnosis Lapisan Teks Dahulu

Jika PDF kelihatan betul tetapi menampal teks yang salah, berhenti menggunakan versi yang ditampal sebagai sumber anda. Mula-mula bandingkan petikan pendek dengan halaman yang kelihatan: nama, ayat, dan nombor. Langkah seterusnya bergantung pada sama ada fail itu tiada teks yang boleh diekstrak, pemetaan aksara yang salah, lapisan OCR tersembunyi yang tidak tepat, atau masalah susunan bacaan. Menjalankan OCR ke atas keseluruhan dokumen bukan langkah pertama yang betul untuk keempat-empatnya.

Ralat yang paling berbahaya bukanlah teks mengarut. Ia adalah teks yang munasabah: halaman yang tertulis 18 buku nota manakala teks yang diekstrak tertulis 13 buku nota. Kami mencipta empat PDF yang boleh dimuat turun untuk menjadikan perbezaan itu dapat diperhatikan, tanpa menggunakan dokumen peribadi sesiapa.

Mulakan dengan pemeriksaan salin-dan-banding yang kecil

Biarkan fail asal tidak berubah dan buka salinan kerja. Tampal satu pilihan pendek ke dalam editor teks biasa, kemudian bandingkannya aksara demi aksara dengan halaman. Ulang pada halaman yang berbeza dan, jika ada, dalam pembaca PDF kedua. Ini adalah pemeriksaan diagnostik, bukan bukti bahawa seluruh dokumen itu betul.

Ini adalah petunjuk, bukan cara untuk mengenal pasti dalaman setiap PDF daripada satu simptom. Panduan penggunaan semula kandungan Adobe membezakan kandungan imej sahaja daripada sekatan salinan. Kedua-duanya tidak boleh dianggap secara automatik sebagai lapisan teks yang rosak. Panduan pengekstrakan pypdf secara berasingan menerangkan imej, pengekstrakan teks, dan kesukaran dengan jadual dan jarak.

Untuk buku atau laporan yang panjang, catat nombor halaman PDF tempat setiap masalah berlaku. Halaman tajuk yang bersih tidak memberitahu anda sama ada lampiran, sisipan yang diimbas, atau bab dua lajur akan disalin dengan betul.

Empat PDF: apa yang halaman tunjukkan berbanding apa yang pengekstrakan hasilkan

Halaman ujian kami mengandungi empat baris asal, termasuk:

Arkib itu mengandungi 18 buku nota.

Item B-204 tiba pada 6 Mei.

Kami membuat satu PDF digital biasa dan sengaja membina tiga alternatif. Kemudian kami mengekstrak teksnya dengan Poppler dan pypdf. Kedua-dua pengekstrak mengembalikan teks yang sama untuk setiap fail dalam ujian ini.

Halaman digital yang kelihatan normal boleh disalin dengan salah

Dua PDF pertama menghasilkan piksel yang sama dalam perbandingan kami, namun teks yang diekstrak berbeza. Dalam fail kedua, kami sengaja menukar pemetaan ToUnicode: maklumat yang digunakan untuk memetakan kod aksara tersimpan kepada teks Unicode. Angka yang kelihatan kekal 8, manakala pengekstrakan mengembalikan 3. Dokumentasi CMap pypdf menggambarkan mekanisme pemetaan ini.

Ini menunjukkan satu mekanisme kegagalan, bukan dakwaan bahawa setiap PDF yang rosak mempunyai kecacatan yang sama. Entri ToUnicode yang hilang sahaja bukan diagnosis kami, dan mengedit pemetaan secara manual bukan pembaikan umum yang sesuai untuk pembaca.

Imbasan yang boleh dicari boleh mengandungi perkataan yang salah

PDF ketiga dan keempat juga dipaparkan secara identik antara satu sama lain. Satu daripadanya mengandungi teks halimunan yang salah; satu lagi tidak mengandungi apa-apa. Dalam fail ketiga, pengekstrakan secara senyap mengubah kedua-dua kuantiti dan tarikh. Kod B-2O4 mengandungi huruf O, bukan angka 0 yang ditunjukkan dalam imej.

Kami memasukkan ralat-ralat tersebut sendiri untuk mewakili jenis ketidakpadanan yang boleh terkandung dalam lapisan teks tersembunyi. Enjin OCR tidak menjananya. Fail keempat menunjukkan keadaan sebaliknya: imej halaman yang boleh dibaca tanpa apa-apa untuk dikembalikan oleh pengekstrak teks ini. Itu selaras dengan had pypdf yang didokumentasikan: ia mengekstrak teks PDF yang sedia ada; ia tidak mengenali perkataan di dalam imej.

Apa yang dibuktikan oleh ujian ini—dan apa yang tidak

Pada 10 September 2026, kami memeriksa empat fail satu halaman menggunakan Poppler 26.08.0 dan pypdf 6.10.0. Perbandingan visual menggunakan Poppler pada 144 dpi. Kesamaan piksel kekal dalam kedua-dua pasangan, bukan merentas keempat-empat fail: pasangan berasaskan imej melalui langkah pemaparan tambahan.

Ini adalah demonstrasi terkawal, bukan penanda aras ketepatan OCR. Ia tidak menguji pengecaman berbilang bahasa, susun atur kompleks, pembaikan Acrobat, pembaikan OCRmyPDF, atau muat naik BookTranslator. Ini adalah contoh yang dibina dengan kerosakan yang diketahui, bukan penilaian secara buta.

Hasil teks mentah dan piksel, arahan pembiakan, dan penjana tersedia bersama fail-fail tersebut. Ia menggunakan fon Noto Sans yang tidak diubah suai dengan lesen fon terbuka yang disertakan.

Pilih langkah seterusnya yang paling kurang mengganggu

Laluan pembaikan berikut datang daripada dokumentasi rasmi dan diagnosis praktikal. Ia bukan hasil pembaikan daripada eksperimen empat fail kami. Bekerja pada salinan dan sahkan output sebelum menggantikan apa-apa yang anda bergantung padanya.

Jika anda mempunyai dokumen sumber, cuba eksport baharu terlebih dahulu

PDF baharu daripada fail pemprosesan perkataan, penerbitan, atau susun huruf asal adalah calon pertama yang berguna. Bandingkan dengan tepat petikan yang gagal. Jangan andaikan nama fail baharu atau eksport yang berjaya bermakna teksnya kini betul.

Untuk bahan yang diperoleh daripada arkib atau penerbit, semak sama ada versi alternatif yang mengandungi teks wujud. Pastikan edisi dan rujukan halaman sejajar: fail yang lebih bersih daripada edisi berbeza mungkin tidak mengekalkan petikan yang anda perlukan.

Jika imbasan mempunyai beberapa ralat pengecaman, semak perkataan tersebut

Acrobat mendokumentasikan aliran kerja di bawah Scan & OCR → Correct recognized text. Ia membolehkan anda menyemak perkataan syak yang ditandakan terhadap imej yang diimbas dan membetulkan teks yang dikenali. Ikut arahan pembetulan semasa Adobe untuk antara muka dalam versi anda.

Jangan gunakan senarai syak yang kosong sebagai ujian kelengkapan. Bandingkan secara bebas nama, tarikh, pengecam, dan kuantiti yang akan anda petik atau terjemah. Contoh 13 notebooks kami yang sengaja salah menunjukkan mengapa output yang boleh dibaca tidak mencukupi.

Jika teks tersembunyi salah secara meluas, bezakan antara buat semula dan paksa

Bagi pembaca yang menggunakan alat baris arahan, OCRmyPDF mendokumentasikan laluan berbeza untuk halaman yang sudah mengandungi teks:

• --redo-ocr membuang teks OCR bukan cetakan yang sedia ada dan mengenali semula sambil mengecualikan teks boleh cetak daripada OCR.
• --skip-text melangkau halaman yang mengandungi teks. Itu bukan pembaikan untuk lapisan teks salah yang sedia ada.
• --force-ocr merasterkan kandungan halaman dan menjalankan OCR pada imej yang terhasil.

Tingkah laku ini diterangkan dalam dokumentasi ralat teks sedia ada OCRmyPDF. Dalam versi 17, pilihan yang setara juga tersedia melalui --mode; bendera lama kekal sebagai alias.

Terdapat kos dan pengecualian. Buat semula tidak dapat mengenal pasti setiap susunan OCR sejarah; sesetengah fail meletakkan imej legap di atas teks yang secara teknikalnya boleh cetak. Paksa menukar teks boleh cetak dan kandungan vektor menjadi piksel dan meratakan kandungan interaktif. Buat semula dan paksa juga membuang pokok struktur yang sedia ada dan bukan membinanya semula. Semak dokumentasi lanjutan OCRmyPDF sebelum memilih mana-mana satu.

Oleh itu, ekstrak yang dibaiki bukanlah pas kebolehcapaian. Jika dokumen memerlukan tajuk, susunan bacaan, atau rajah yang boleh diakses, gunakan semakan kebolehcapaian PDF terjemahan yang berasingan.

Jika halaman atau bahasa berbeza, jangan andaikan satu tetapan sesuai untuk semua

Senaraikan halaman mana yang sudah mengandungi teks digital yang boleh dipercayai dan mana yang memerlukan pengecaman. Semak bahasa pada halaman yang terjejas sebelum mengkonfigurasi OCR. Panduan OCR PDF berbilang bahasa kami merangkumi pemilihan bahasa; ia adalah keputusan yang berbeza daripada menentukan sama ada lapisan teks lama itu salah.

Jika tiada lapisan teks langsung, beralih ke aliran kerja PDF yang diimbas. Mencuba pengekstrak teks biasa yang lain berulang kali tidak akan membuat pypdf mengenali perkataan dalam imej.

Sahkan teks pengganti sebelum menggunakannya

Gunakan helaian semakan lapisan teks yang boleh dimuat turun untuk menyimpan rujukan yang kelihatan, pengekstrakan sebelumnya, dan pengekstrakan pengganti bersebelahan. Mulakan dengan kegagalan yang diketahui, kemudian uji petikan yang berbeza dan mana-mana susun atur halaman yang jauh berbeza.

1. Perkataan: bandingkan nama dan istilah yang tidak biasa huruf demi huruf.
2. Nombor: semak kuantiti, titik perpuluhan, tarikh, dan pengecam seperti B-204.
3. Susunan: baca perenggan lengkap merentas pemisah baris; semak lajur dan kapsyen berdekatan secara berasingan.
4. Liputan: pastikan halaman dan petikan yang anda perlukan tidak tertinggal.
5. Tingkah laku fail: buka semula fail pengganti yang disimpan dan ulang ujian salin. Jika anda bergantung pada penanda buku, pautan, atau struktur boleh akses, semak itu juga.

Lulus petikan terpilih memberi bukti tentang petikan tersebut. Ia tidak mengesahkan keseluruhan fail. Kekalkan imej halaman asal sebagai rujukan, terutamanya apabila membetulkan petikan atau bahasa yang tidak biasa.

Terjemah hanya selepas anda boleh mempercayai sumber

Jika matlamat anda adalah untuk memetik perenggan atau membuat nota, petikan yang disahkan mungkin sudah memadai. Anda tidak memerlukan perkhidmatan terjemahan untuk menyelesaikan tugasan itu.

Jika anda perlu membaca keseluruhan dokumen dalam bahasa lain, gunakan fail yang disahkan sebagai titik permulaan untuk terjemahan PDF. Mod OCR BookTranslator membina semula PDF terjemahan daripada kandungan yang dikenali; ia bukan janji untuk membaiki mana-mana lapisan teks sedia ada atau menghasilkan semula susun atur halaman asal dengan tepat.

Kekalkan halaman rujukan sepanjang langkah terjemahan. Kuantiti dan pengecam yang sama yang disemak di sini termasuk dalam pusingan QA terjemahan PDF akhir. Terjemahan yang lancar tidak boleh, dengan sendirinya, memberitahu anda bahawa sumbernya sepatutnya menyatakan 18 dan bukan 13.