OCR PDF Berbilang Bahasa: Semak Bahasa Cina, Inggeris, dan Nombor Secara Berasingan

Untuk melakukan OCR pada PDF berbilang bahasa, kenal pasti skrip pada halaman, pilih alat yang boleh memproses PDF dengan bahasa pengecaman yang berkaitan, kemudian semak teks yang diekstrak dengan imej. Semak teks Cina, teks Inggeris, nombor, and hubungan label secara berasingan. Menemui tajuk Bahasa Inggeris dalam carian tidak memberitahu anda sama ada badan teks Cina telah dikenali.

Menambah bahasa lain wajar diuji, bukannya automatik menjadi satu penambahbaikan. Dalam eksperimen kecil Cina-Inggeris kami, penambahan Bahasa Inggeris membetulkan satu label Inggeris tetapi merosakkan ayat Cina yang telah dikenali oleh konfigurasi khusus Cina sahaja. Tiada satu pun daripada dua konfigurasi jadual kami mengembalikan teks daripada jadual bergaris ringkas.

Itu bukanlah satu keputusan mutlak mengenai OCR berbilang bahasa secara amnya. Ia adalah satu sebab untuk menilai output yang anda perlukan, bukannya bilangan bahasa yang dipilih.

Pertama sekali bezakan teks yang hilang daripada teks yang salah

Kekalkan fail asal tanpa sebarang perubahan. Pada salinan, pilih satu ayat daripada halaman wakil dan tampalkannya ke dalam penyunting teks biasa. Cuba petikan dalam bahasa Cina dan bahasa Inggeris, bukan hanya tajuk dokumen.

Lapisan teks sedia ada adalah penting. Sebagai contoh, dokumentasi OCR NAPS2 menyatakan halaman PDF yang diimport dan sedia mengandungi teks akan dibiarkan begitu sahaja. Oleh itu, mengimport semula halaman yang mempunyai OCR yang rosak bukanlah kaedah pembaikan yang boleh diharap dalam alur kerja tersebut.

Jika masalah sebenar ialah imbasan beresolusi rendah, melengkung, atau condong, selesaikan perkara itu sebelum mentafsir perbandingan tetapan bahasa. Panduan PDF diimbas merangkumi persediaan tersebut dan peringkat terjemahan berikutnya.

Pilih bahasa pengecaman, bukan sasaran terjemahan

Pengecaman menjawab “apakah aksara yang ada pada halaman ini?” Terjemahan menjawab “bagaimanakah kandungan ini patut dibaca dalam bahasa lain?” Jangan minta OCR memudahkan aksara Cina tradisional secara senyap, menterjemahkan petikan Inggeris, atau menulis semula pengecam yang tidak dikenali.

Buat inventori ringkas:

• Tulisan Cina: ringkas, tradisional, atau kedua-duanya, termasuk tajuk dan nota.
• Teks Rumi: ayat bahasa Inggeris, nama pengarang, rujukan, singkatan, dan nombor model.
• Nilai terkawal: tarikh, titik perpuluhan, unit, tanda negatif, pengecam, dan kod yang sensitif kepada huruf besar/kecil.
• Kawasan: prosa, jadual, kapsyen, nota kaki, atau lampiran bahasa berasingan.

Sebagai contoh, laporan Cina tradisional mungkin mengandungi abstrak dan rujukan bahasa Inggeris. Bab Cina ringkas mungkin menyertakan jadual dengan A-01, 23.5, dan °C. Kedua-duanya tidak seharusnya dinilai dengan hanya menyemak perenggan Cina yang paling panjang.

Tesseract menyediakan model chi_sim, chi_tra, dan eng yang berasingan dalam repositori model rasminya. Dokumentasi arahannya menyokong pemilihan bahasa gabungan dan menyatakan bahawa susunan bahasa boleh menjejaskan keputusan. Ini adalah kemungkinan konfigurasi, bukan jaminan bahawa setiap model tambahan membantu.

Jika dokumen anda sebaliknya mengandungi lajur menegak Jepun dan furigana, gunakan panduan OCR menegak Jepun. Itu adalah masalah susun atur dan anotasi yang berbeza, bukan sekadar kotak semak bahasa yang lain.

Gunakan alur kerja yang benar-benar menerima fail PDF

Laluan desktop: NAPS2

NAPS2 menawarkan laluan yang didokumenkan untuk menjadikan PDF yang diimbas boleh dicari:

1. Import salinan fail tersebut dan buka tetapan OCRnya.
2. Muat turun bahasa pengecaman yang diperlukan untuk dokumen tersebut.
3. Pilih Pelbagai Bahasa dan pilih bahasa yang berkaitan.
4. Dayakan OCR PDF boleh cari dan simpan kepada fail baharu.
5. Buka semula fail tersebut dan bandingkan teks Cina, Inggeris, dan nombor yang disalin dengan halaman yang kelihatan.

Pilihan pelbagai bahasa muncul selepas lebih daripada satu bahasa dimuat turun. Langkah-langkah ini mengikut panduan rasmi NAPS2; kami tidak melakukan ujian praktikal NAPS2 untuk artikel ini.

Laluan baris perintah: OCRmyPDF

Bagi PDF Cina ringkas/Inggeris yang mengandungi imej sahaja, contoh berdasarkan dokumentasi rasmi ialah:

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

Pasang pek bahasa yang diperlukan terlebih dahulu. Gunakan chi_tra untuk ujian Cina tradisional dan bukannya menganggap skrip tersebut boleh saling ditukar.

Buku resipi OCRmyPDF mendokumentasikan output PDF dan teks sisi (sidecar). Fail sisinya tidak semestinya merangkumi keseluruhan dokumen: teks pada halaman yang sudah mempunyai teks, atau halaman yang dilangkau semasa OCR, mungkin tiada. Semak fail PDF output itu sendiri. OCR sedia ada yang salah memerlukan alur kerja pembuatan semula yang sengaja; jangan paksa rasterisasi setiap halaman tanpa memahami perkara yang diubahnya.

Ini adalah laluan berasaskan dokumentasi, bukan persekitaran ujian yang kami ukur. Kami tidak menjalankan OCRmyPDF di sini.

Tesseract biasa memerlukan halaman yang telah dirender

Jangan guna tesseract input.pdf ... seolah-olah ia adalah pembaca PDF. Tesseract tidak menerima input PDF, walaupun ia boleh menghasilkan output PDF. Tesseract.js mempunyai perbezaan input PDF yang sama: render halaman dengan pustaka PDF terlebih dahulu, kemudian camkan imej tersebut.

Itulah laluan yang digunakan untuk eksperimen kami di bawah. Ia menghasilkan teks dan bukti TSV, bukannya PDF output boleh cari yang telah diuji.

Apa yang berlaku dalam sepuluh panggilan OCR tempatan

Kami mencipta PDF tiga halaman khusus imej yang mengandungi:

1. prosa Cina ringkas dengan rujukan bahasa Inggeris, pengecam, perpuluhan, and unit;
2. halaman Cina tradisional yang sepadan;
3. jadual kecil Cina-Inggeris dengan tiga baris data.

Teks dan nilai ialah bahan pengajaran yang dikarang sendiri, bukannya fail pelanggan atau ukuran sebenar. Setiap sasaran prosa mengandungi 124 titik kod bukan ruang putih, termasuk 41 aksara Han. Jadual itu mengandungi 79 titik kod bukan ruang putih.

Halaman sumber PDF tidak mempunyai teks yang boleh diekstrak. Kami merendernya menggunakan Poppler 26.08.0 pada 300 dpi, menghasilkan imej berukuran 1600×1000 piksel. Saiz fon ialah 48 piksel dalam Noto Sans CJK SC/TC Regular. Semua tanda baca datang daripada glif mendatar biasa fon tersebut.

Pada 8 September 2026, kami menjalankan Tesseract.js 7.0.0 dengan tesseract.js-core 7.0.0 secara lokal pada macOS ARM64. Model tessdata_fast rasmi dipetakan pada komit 87416418657359cb625c412a48b6e1d6d41c29bd. Setiap panggilan menggunakan OEM 1 dan PSM 6, tetapan blok teks seragam, dengan imej halaman yang sama untuk setiap perbandingan bahasa.

Terdapat empat resipi bahasa untuk setiap halaman prosa dan dua untuk jadual. Kesemua sepuluh panggilan selesai; tiada keputusan yang dibuang dan tiada parameter yang disetel selepas melihat output. Input, has model, versi dan keputusan mentah yang tepat dan arahan pembiakan tersedia.

Satu tetapan boleh membetulkan satu medan dan merosakkan satu medan yang lain

Pada halaman tradisional, chi_tra mengekalkan kesemua 41 aksara Han mengikut urutan, tetapi ia masih melakukan ralat bukan Cina. Sebagai contoh, ia menukar label Inggeris Document ID kepada Document 1ID dan salah membaca simbol darjah.

Menambah eng memulihkan Document ID, tetapi sebahagian daripada ayat suhu-dan-jisim menjadi serpihan yang kelihatan seperti bahasa 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。

Nombor terselamat dalam baris itu manakala teks Cina di sekelilingnya tidak. Menyemak hanya 23.5 dan 1.08 akan terlepas pandang kerosakan tersebut.

Halaman ringkas menunjukkan pertukaran kompromi yang berbeza. Menambah Bahasa Inggeris memulihkan BK-2026-A07, yang dikembalikan oleh proses khusus Cina sebagai BK-2026-AO7. Tetapi ia juga menukar 与 kepada 5 di tempat lain. Pengecam yang samar dari segi visual O0I1-l kekal salah.

Diagnostik berikut menunjukkan sebab kami tidak mengisytiharkan pemenang:

“Suntingan urutan Han” membandingkan ideograf Cina sahaja. Ia tidak mengenakan markah untuk bahasa Inggeris, tanda baca, atau jarak. “Rentetan dilindungi ditemui” hanyalah semakan kehadiran untuk pengecam, nombor, unit, dan token rujukan yang pratakrif; ia tidak mengesahkan kedudukan atau hubungan mereka. Output berbahasa Inggeris sahaja menunjukkan perangkapnya: kebanyakan rentetan dilindungi hadir, namun tiada satu pun aksara Cina dikembalikan.

Keseluruhan CSV perbandingan turut melaporkan jarak suntingan teks keseluruhan. Perbandingan mengenakan NFC Unicode dan mengalih keluar jarak putih; ia tidak membetulkan tanda baca, menukar huruf besar/kecil, menukar skrip Cina, atau menyusun semula aksara. Menbalikkan susunan bahasa mengubah jarak dalam output prosa ini tetapi bukan urutan aksara dinormalkan. Pemerhatian itu bukanlah peraturan umum tentang susunan bahasa.

Jadual kosong bukanlah pengekstrakan yang berjaya

Kedua-dua panggilan jadual mengembalikan teks kosong, walaupun selesai tanpa ralat pelaksanaan OCR. Penambahan bahasa Cina tidak menyelamatkan resipi blok seragam tetap itu.

Kami tidak menguji mod segmentasi lain, potongan sel, atau enjin pengecaman jadual. Oleh itu, hasilnya tidak menunjukkan bahawa Tesseract tidak dapat membaca jadual. Ia menunjukkan bahawa menukar bahasa pengecaman sahaja tidak menyelesaikan sampel ini di bawah tetapan yang kami gunakan.

Bagi jadual sebenar, perlukan perhubungan lengkap Temperature → A-01 → 23.5 → °C, bukan empat token yang ditemui di mana-mana pada halaman. Jika output kosong atau perhubungan tidak dapat disemak, hentikan menganggapnya sebagai transkripsi yang boleh dipercayai. Cuba alur kerja yang sedar susun atur atau transkripsikan sel yang diperlukan dengan merujuk kepada imej.

Perkara yang tidak dapat dibuktikan oleh eksperimen ini

Ini ialah tiga halaman sintetik bersih daripada satu keluarga fon, disemak oleh satu ejen penulis. Tiada semakan manusia buta, korpus dokumen pengeluaran, atau ujian imbasan kabur, tulisan tangan, jadual kompleks, teks menegak, atau aksara sejarah.

Keputusan ini adalah contoh pengimbang yang berguna kepada peraturan "tambah lebih banyak bahasa" tanpa syarat. Ia bukan penarafan enjin, kadar ketepatan am, atau ramalan untuk PDF anda. Ini bukan ujian BookTranslator, dan PDF sumber imej sahaja bukanlah salinan bacaan lengkap OCR.

Gunakan semakan penerimaan empat bahagian pada fail anda sendiri

Muat turun helai semakan kosong. Pilih halaman yang mengandungi kesukaran sebenar, kemudian tambahkan semakan berikut sebelum memproses keseluruhan fail:

1. Teks Cina: bandingkan ayat lengkap, termasuk aksara yang kurang biasa dan bentuk ringkas/tradisional yang dimaksudkan. Jangan menormalkan secara senyap aksara yang salah kepada yang anda jangkakan.
2. Bahasa Inggeris dan pengecam: periksa nama pengarang, rujukan, singkatan, huruf besar, dan aksara yang kelihatan serupa seperti O/0 atau I/l/1. Kod yang tidak dikenali bukanlah perkataan untuk dibetulkan secara auto.
3. Nombor dan unit: bandingkan setiap nilai dengan tanda, titik perpuluhan, unit, dan labelnya. 0.05 dan 0.50 mesti kekal berbeza; pengecaman 23.5 tanpa unit yang betul adalah tidak lengkap.
4. Perhubungan dan kesempurnaan: semak bahawa setiap perenggan atau baris jadual berada di tempat yang dijangkakan. Sahkan kapsyen, nota, dan petikan bahasa kedua kecil ada, bukan sahaja teks utama.

Rekod teks asal, keputusan yang diperhatikan, halaman/wilayah, and tindakan yang diperlukan. Apabila konfigurasi menambah baik satu semakan tetapi memburukkan satu lagi, simpan kedua-dua pemerhatian. Jangan terima fail berdasarkan skor keyakinan tunggal atau purata bilangan aksara.

Asingkan tiga hasil: boleh guna terus untuk tujuan yang dinyatakan, memerlukan pembetulan khusus, atau belum boleh dipercayai. Tugas carian mungkin hanya memerlukan satu petikan yang disahkan; salinan bacaan lengkap memerlukan liputan keseluruhan dokumen, bukan halaman tajuk yang bersih.

Terjemah hanya selepas anda tahu maksud sumber tersebut

Jika carian dan teks asal yang boleh disalin menyelesaikan masalah anda, berhenti di situ. OCR telah melaksanakan tugasnya; terjemahan adalah keputusan yang berasingan.

Jika anda perlu membaca dokumen lengkap dalam bahasa lain, simpan imbasan asal dan teks yang betul sebagai rujukan, kemudian ikuti aliran kerja terjemahan PDF diimbas. Untuk fail yang layak, penterjemah PDF BookTranslator boleh menjadi langkah seterusnya. Mod OCRnya membina semula kandungan yang diterjemahkan daripada menjanjikan padanan tepat pada susun atur halaman asal; ia tidak menghilangkan keperluan untuk menyemak teks yang dipulihkan dan hubungan jadual.

Selepas terjemahan, gunakan senarai semak QA terjemahan PDF untuk membezakan ralat pengecaman sumber daripada ralat terjemahan atau susun atur. Membetulkan peringkat yang salah adalah cara ralat yang boleh dibaca kekal dalam fail akhir.