Pengekstrakan Teks PDF lwn. OCR: Pilih Laluan yang Tepat Sebelum Terjemahan

Gunakan pengekstrakan teks apabila PDF sudah mengandungi teks boleh dibaca mesin yang boleh dipercayai. Gunakan OCR apabila halaman hanya mengandungi imej teks. Jika halaman mempunyai lapisan teks sedia ada yang salah, kedua-dua peraturan ini tidak memadai: anda perlu membandingkan perkataan yang diekstrak dengan halaman yang kelihatan sebelum membuat keputusan sama ada untuk mengekalkan, menggantikan, atau membuat semula lapisan tersebut.

Keputusan itu perlu dibuat sebelum terjemahan. Penterjemah tidak dapat memulihkan kuantiti, nama, atau ayat yang dimasukkan secara salah ke dalam aliran kerja. Ia hanya boleh menterjemah teks sumber yang diterimanya.

Jadual keputusan pantas

Uji halaman demi halaman, bukan sekadar fail. Satu PDF sahaja boleh mengandungi gabungan halaman tajuk digital, bab yang diimbas, dan sisipan dengan OCR lama.

Kebolehan memilih perkataan hanyalah bukti bahawa objek teks wujud. Ini tidak membuktikan teks tersebut sepadan dengan halaman. Sebaliknya, ujian salin yang gagal tidak membuktikan bahawa keseluruhan PDF hanya mengandungi imej.

Ujian PDF campuran empat halaman kami

Kami telah mencipta satu PDF empat halaman yang boleh dimuat turun dengan kandungan yang diketahui. Dokumen ini tidak mengandungi sebarang dokumen peribadi atau pihak ketiga:

1. halaman digital asli;
2. halaman imej sahaja;
3. halaman kelihatan seperti diimbas dengan lapisan teks tersembunyi yang betul;
4. halaman kelihatan seperti diimbas dengan lapisan teks tersembunyi yang sengaja mengelirukan.

Bagi setiap halaman, kami menjalankan Poppler pdftotext terhadap data PDF sedia ada. Secara berasingan, kami memaparkan halaman tersebut pada 300 dpi dan menjalankan Tesseract ke atas imej itu. Rujukan visual telah ditetapkan sebelum kedua-dua ujian dijalankan.

Maksudnya bukanlah Tesseract sentiasa menang. Ia berjaya pada sampel ujian bahasa Inggeris yang bersih ini kerana kami membina halaman tersebut khusus untuk mengasingkan keputusan ini. Pada imbasan yang kabur, skrip yang luar biasa, jadual, tulisan tangan atau reka letak yang rumit, OCR baharu boleh gagal dalam pelbagai cara lain.

Helaian keputusan halaman demi halaman, helaian keputusan, nota replikasi, dan penjana tersedia bersama fiksatur tersebut. Pada 21 September 2026, versi yang direkodkan ialah Poppler pdftotext 26.08.0 dan Tesseract 5.5.3.

Perkara yang dibuktikan oleh ujian ini—dan apa yang tidak

Ia membuktikan bahawa empat halaman yang boleh dibaca secara visual memerlukan tiga laluan pra-terjemahan yang berbeza. Ia juga membuktikan bahawa teks yang boleh dicari boleh bercanggah dengan halaman tersebut walaupun masih kelihatan munasabah.

Ia tidak mengukur ketepatan umum OCR, kebolehcapaian pembaca, pemulihan jadual, pengecaman berbilang bahasa, mahupun kelakuan muat naik BookTranslator. Halaman-halaman tersebut ringkas dan ralat pada halaman empat dimasukkan secara sengaja; Tesseract tidak menghasilkannya.

Mengapa pengekstrakan dan OCR merupakan operasi yang berbeza

Pengekstrakan teks membaca objek teks yang telah sedia disimpan di dalam PDF. OCR pula mengecam aksara daripada piksel. Panduan semasa panduan pengekstrakan pypdf menetapkan sempadan yang sama: pypdf boleh membaca lapisan teks sedia ada tetapi tidak dapat mengecam perkataan di dalam imej.

Perbezaan itu penting kerana PDF digital boleh mengandungi maklumat yang akan dibuang atau sukar dipulihkan jika dirasterkan: pengekodan aksara, maklumat fon, pautan, grafik vektor dan objek dokumen lain. pypdf secara jelas menasihatkan agar tidak menganggap OCR sebagai laluan universal untuk fail yang sememangnya digital (born-digital). Ia juga menerangkan satu lagi kekangan: PDF lazimnya menyimpan teks untuk peletakan visual, bukan sebagai perenggan, jadual atau tajuk yang bermakna secara semantik.

Oleh itu, dua soalan berasingan perlu dijawab dalam semakan awal:

1. Adakah aksaranya tepat? Bandingkan nama, nombor, tanda baca dan istilah yang kurang dikenali yang diekstrak dengan halaman asal.
2. Adakah strukturnya boleh digunakan? Baca satu perenggan yang lengkap, kemudian periksa lajur, nota kaki, jadual, kapsyen dan sempadan halaman.

Aksara yang betul dalam susunan yang salah tetap merupakan sumber yang rosak untuk terjemahan.

Semakan awal pada peringkat halaman sebelum terjemahan

1. Simpan fail asal

Simpan fail sumber yang tidak diubah dan rekodkan nilai cincangannya jika dokumen itu penting. Lakukan eksperimen pada salinan. Menggantikan lapisan teks yang tidak sempurna boleh meratakan kandungan vektor atau membuang maklumat yang mungkin anda perlukan kemudian.

2. Senaraikan jenis halaman

Jangan buat keputusan berdasarkan halaman pertama semata-mata. Buat persampelan pada bahagian judul, halaman teks biasa, lampiran, jadual, ilustrasi, sisipan dan mana-mana halaman yang kelihatan seperti diambil gambar atau difotokopi.

Bagi dokumen yang panjang, rekodkan julat halaman:

Fail CSV yang boleh dimuat turun menggunakan corak yang sama untuk sampel ujian kami.

3. Bandingkan token yang sukar, bukan sekadar prosa yang mudah

Ayat yang kelihatan lancar hanyalah semakan yang lemah. Sertakan:

• nama seseorang;
• tarikh dan kuantiti;
• pengecam yang menggabungkan huruf dan nombor;
• teks beraksen atau bukan Latin;
• ayat yang bersambung merentasi pemisah baris;
• petikan berhampiran nota kaki, rajah atau lajur kedua.

Halaman empat dalam sampel ujian kami akan kelihatan boleh digunakan jika semakan hanya terhenti pada perkataan lazim. Ralat tertumpu pada O/0, 58/53, dan 7.5/7.8—tepat jenis token yang boleh merosakkan rujukan dan fakta selepas terjemahan.

4. Klasifikasikan ketidakpastian secara jujur

Gunakan empat hasil: sampel lulus, sampel gagal, tiada teks yang boleh diekstrak, atau belum diuji. “Boleh dipilih” bukanlah satu hasil. Begitu juga dengan “OCR telah selesai.”

Persampelan mempunyai had. Kelulusan tiga halaman tidak mengesahkan buku setebal 400 halaman, terutamanya apabila fail tersebut mengandungi imbasan atau susun atur yang berbeza. Tingkatkan liputan semakan pada bahagian sumber yang mengalami perubahan.

Pilih mod OCRmyPDF hanya selepas diagnosis

Dokumentasi semasa OCRmyPDF menerangkan beberapa tingkah laku bagi halaman yang sudah mengandungi teks. Ini adalah pilihan penghalaan, bukannya jaminan kualiti.

• Tingkah laku lalai berhenti apabila halaman sudah mengandungi teks boleh cetak atau lapisan OCR tersembunyi kerana ia tidak dapat membezakan jenis teks yang ditemui dengan yakin.
• Langkau teks menyalin halaman yang mengandungi teks tanpa pengubahsuaian dan melakukan OCR pada halaman lain. Ia berguna untuk fail bercampur hanya apabila teks sedia ada boleh dipercayai.
• Lakukan semula OCR membuang teks OCR bukan cetakan sedia ada dan mengecam halaman itu semula, sambil mengecualikan teks vektor boleh cetak. Ia sesuai untuk gabungan halaman digital dan halaman yang telah di-OCR sebelum ini, tetapi ia tidak dapat mengenal pasti setiap susunan sejarah dokumen.
• Paksa OCR merasterkan kandungan vektor dan melakukan OCR pada imej yang terhasil. Ia boleh menggantikan lapisan yang gagal, tetapi ia mengorbankan maklumat dan boleh meratakan kandungan interaktif.

Semantik tersebut berasal daripada dokumentasi ralat teks sedia adaOCRmyPDF 17.12.1. Baca dokumentasi bagi versi yang dipasang sebelum menjalankan proses kelompok. Nama bendera bukanlah bukti bahawa output telah mengekalkan penanda buku, teg, pautan, borang atau struktur kebolehcapaian.

Dalam sampel kami, mod langkau teks akan mengekalkan teks tersembunyi halaman empat yang sengaja dirosakkan. Itulah sebabnya peringkat salin-dan-bandingkan mesti dilakukan sebelum memilih mod kelompok.

Kesilapan langkah yang biasa berlaku

“Jika teks boleh dipilih, langkau OCR”

Halaman empat menyangkal peraturan itu. Kebolehan memilih teks hanya mengesan kewujudan, bukannya ketepatan.

“Lakukan OCR pada keseluruhan PDF untuk langkah selamat”

Ini boleh merendahkan kualiti halaman digital yang bersih dan membuang objek PDF yang berguna. Ia juga mewujudkan skop semakan yang lebih luas tanpa membetulkan susunan bacaan semantik secara automatik.

“Gunakan mana-mana output yang kelihatan lebih lancar”

Kelancaran bahasa boleh mengelirukan dalam konteks ini. Bandingkannya dengan halaman yang kelihatan. Jangan biarkan model bahasa membetulkan pengecam atau kuantiti secara senyap dan kemudian menganggap hasilnya sebagai bukti sumber.

“Satu halaman yang bersih mewakili keseluruhan fail”

PDF bercampur adalah perkara biasa: kulit digital boleh mendahului bab yang diimbas, atau buku yang boleh dicari teksnya mungkin mengandungi sisipan imej sahaja. Rekodkan keputusan mengikut julat halaman.

Pintu pelepasan untuk PDF sedia terjemahan

Sebelum menghantar fail ke dalam aliran kerja terjemahan, pastikan semua kriteria berikut dipenuhi:

1. Setiap julat halaman dikelaskan sebagai digital, imej sahaja, atau OCR sedia ada.
2. Lapisan sedia ada yang gagal mempunyai kaedah penggantian yang didokumentasikan.
3. Nama, nombor, pengecam dan istilah asing melepasi perbandingan sumber pada halaman sampel.
4. Susunan perenggan dan lajur mudah dibaca dalam sumber yang diekstrak.
5. Jadual, rajah, nota kaki dan persamaan sama ada telah disahkan atau dijejaki secara jelas sebagai aset berasingan.
6. PDF asal kekal tersedia untuk perbandingan selepas terjemahan.

Gunakan panduan diagnosis salin-tampal berasingan apabila PDF yang mengandungi teks sudah pun gagal. Gunakan aliran kerja PDF diimbas apabila halaman hanya mengandungi imej, dan panduan OCR pelbagai bahasa apabila pemilihan bahasa merupakan sebahagian daripada punca kegagalan.

Terjemah sumber yang telah disahkan, kemudian semak outputnya

Sekiranya matlamat akhir adalah untuk membaca dokumen lengkap dalam bahasa lain, muat naik PDF yang disahkan ke Penterjemah PDF. Untuk halaman yang diimbas atau dipenuhi imej, Mod OCR BookTranslator mengekstrak kandungan yang boleh dicam dan membina semula PDF terjemahan yang kemas; ia tidak menjamin pemeliharaan reka letak halaman asal, fon, atau saiz yang tepat, mahupun membaiki setiap lapisan teks tersembunyi yang sedia ada.

Simpan inventori halaman dan fail asal anda. Selepas penterjemahan, ulangi pemeriksaan berisiko tinggi pada teks sasaran: nama, kuantiti, pengecam, liputan halaman, susunan perenggan, dan sebarang struktur yang penting bagi anda. Senarai semak QA terjemahan PDF merangkumi langkah penerimaan akhir tersebut.

Prinsip utamanya mudah: ekstrak apa yang sudah boleh dipercayai, gunakan OCR hanya untuk apa yang memerlukan pengecaman, dan gantikan lapisan teks hanya selepas anda membuktikan ia salah.