OCR-regeleinden en woordafbrekingen corrigeren vóór het vertalen
Herstel afgebroken OCR-tekst zonder echte koppeltekens, alinea's, lijsten of versregels te wissen. Gebruik een omkeerbare workflow en twaalf downloadbare opschoonvoorbeelden.
Om OCR-regeleinden te corrigeren, bepaalt u eerst welke tekst bij één alinea hoort. Vervang alleen de ongewenste regeleinden door spaties. Bepaal bij een woord dat over twee regels is afgebroken afzonderlijk of u het koppelteken verwijdert of behoudt: trans- gevolgd door lation wordt translation, maar well- gevolgd door known wordt well-known. Houd een wijzigingslogboek bij en vergelijk twijfelachtige samenvoegingen met de oorspronkelijke pagina.
Voer niet zomaar "alle regeleinden verwijderen" of "alle koppeltekens wissen" uit over een heel boek. Een opgeschoond fragment oogt wellicht vloeiender, maar kan per ongeluk een alinea wissen, twee lijstitems samenvoegen of een technische aanduiding veranderen. Het doel is een betrouwbare lees- of vertaalversie — niet een minimum aantal newline-tekens.
Deze handleiding begint ná de tekstherkenning. Als het kopiëren uit een pdf verkeerde letters of cijfers oplevert, moet u eerst de tekstlaag analyseren. Het aanpassen van regeleinden kan een verkeerd herkende B-2O4 immers niet veranderen in de bedoelde B-204.
Bepaal wat elk regeleinde betekent
Laat de originele scan en het ruwe tekstfragment ongewijzigd. Schakel in een werkkopie de weergave van witruimte of alineamarkeringen in uw editor in. Pas het formaat van het editorvenster aan: een regel die automatisch meeschaalt zonder opgeslagen regeleinde, loopt alleen visueel door op het scherm; daar hoeft u niets te verwijderen.
Opgeslagen regeleinden vereisen een andere controle. Vergelijk een doorlopende alinea, een tussenkop, een lijst en afwijkende pagina-indelingen met de oorspronkelijke pagina-afbeelding. Leid niet de structuur van het hele document af van alleen de titelpagina.
| Wat het regeleinde voorstelt | Passende actie | Benodigd bewijs |
|---|---|---|
| Een visuele regelafbreking tussen woorden binnen één alinea | Vervang de opgeslagen regeleinde door één spatie | Beide regels horen in de bron bij dezelfde alinea |
| Een splitsing binnen één woord | Voeg de delen samen en verwijder meestal het afbreekstreepje van de opmaak | De bedoelde spelling, de broncontext en eventuele taalspecifieke regels |
| Een regelafbreking na een echt koppelteken in een samenstelling | Verwijder het regeleinde, behoud het koppelteken | Het woord behoudt dat koppelteken, los van de opmaak aan het regeleinde |
| Een scheiding tussen alinea's, koppen, lijstitems of versregels | Behoud de scheiding | De bronstructuur, niet alleen de leestekens van zinnen |
| Een overgang naar een kolom of pagina met een onzekere volgorde | Laat het open en inspecteer de pagina | Vervolgtekst, kolomvolgorde, bijschriften en voetnoten |
Witregels en inspringing kunnen helpen om alinea's te vinden, maar het zijn aanwijzingen en geen garanties. Na een kop staat soms geen witregel. Een ingesprongen regel kan het vervolg van een lijst zijn, en geen nieuwe alinea. Een korte regel die eindigt op een punt kan de laatste regel van een alinea zijn, of een gewone zin middenin een alinea.
Als OCR-exports lay-out- of blokinformatie bevatten, bewaar die dan terwijl je de tekst controleert. Een export als platte tekst kan precies de aanwijzingen weggooien die je nodig hebt om die scheidingen te reconstrueren.
Onderscheid afgebroken woorden van echte koppeltekens
Drie situaties die er visueel hetzelfde uitzien, vereisen verschillende bewerkingen:
trans- → translation
lation
well- → well-known
known
trans\u00ADlation → translation in a verified reading copy
De laatste regel gebruikt \u00AD om een teken zichtbaar te maken dat anders lastig te zien is. Unicode maakt onderscheid tussen U+00AD SOFT HYPHEN, een zacht afbreekstreepje binnen een woord, en een zichtbaar koppelteken zoals U+2010 HYPHEN. Dit zijn geen uitwisselbare tekens. Unicode's regelspecificatie voor regelafbreking beschrijft ook taalafhankelijke spellingwijzigingen bij een afbreking; simpelweg een zichtbaar koppelteken verwijderen en de letters samenvoegen is niet altijd voldoende.
Voor gewone lopende tekst levert het verwijderen van een geverifieerd zacht afbreekstreepje vaak een prima leesbare versie op. Voor een archieftranscriptie moet u het origineel apart bewaren: het verwijderen van een markering verandert immers de gecodeerde tekst, zelfs als het woord er op het oog hetzelfde uitziet.
Gebruik een woordenboek in de brontaal om een mogelijke spelling te controleren en bekijk het fragment daarna opnieuw. Een vermelding in het woordenboek dient ter ondersteuning, maar is geen vrijbrief om een eigennaam, een identificatiecode of een historische spelling te overschrijven. Herhaald voorkomen in het document biedt ook houvast, al kan een OCR-fout zich net zo goed consequent herhalen.
Ons Duitse voorbeeld luidt bijvoorbeeld:
Die Auf-
gabe ist klar.
Het bedoelde woord in dit zelfgeschreven voorbeeld is Aufgabe; Het Duden-lemma vermeldt als afbreking Auf|ga|be. Het samenvoegen van Auf- en gabe is hier dan ook volkomen terecht. Dit enkele voorbeeld vormt echter geen algemene regel voor Duitse afbrekingen, en de spelling uit een hedendaags woordenboek mag nooit zomaar de spelling van een oudere uitgave vervangen.
Behandel URL's, cataloguscodes, chemische namen, negatieve waarden en andere technische termen als afzonderlijke controlegevallen. Of een koppelteken of gedachtestreepje behouden moet blijven, hangt af van de bron en de betekenis van de term, niet van een vuistregel voor Engelse woorden.
Wat twaalf gecontroleerde voorbeelden aantonen
We hebben een downloadbare demonstratie voor tekstopschoning samengesteld met twaalf originele tekstfragmenten. De bedoelde woorden en structuur zijn vooraf door ons vastgesteld; vervolgens hebben we er bewust specifieke regeleinden en afbreekfouten in aangebracht. Dit zijn synthetische tekstvoorbeelden, geen rechtstreekse uitvoer van een OCR-engine of scans van een fysiek boek.
De bewust rigide basisaanpak voert drie bewerkingen uit: koppelteken-plus-regeleinde verwijderen, resterende regeleinden vervangen door spaties, en zachte afbreekstreepjes wissen. Een tweede benadering voert uitsluitend handmatig goedgekeurde wijzigingen door op exacte tekstfragmenten. Deze methode probeert niet automatisch alinea's te herkennen of de juiste woordspelling te bepalen.
| Voorbeeld | Rigide basisaanpak | Goedgekeurde beslissing |
|---|---|---|
| Regelafbreking in Engelse lopende tekst | Voegt de twee regels correct samen | Vervang de geverifieerde regelafbreking door een spatie |
trans- / lation | Resulteert correct in translation | Verwijder het ingevoegde afbreekstreepje en de regelafbreking |
well- / known | Resulteert in wellknown | Behoud het echte koppelteken |
Duits Auf- / gabe | Resulteert correct in Aufgabe | Voeg alleen deze geverifieerde spelling samen |
| Ingebedde U+00AD | Verwijdert het zachte afbreekstreepje | Verwijder het in dit definitieve leesexemplaar |
| Frans beletselteken, daarna een nieuwe alinea | Voegt de alinea's samen | Behoud de door de auteur bepaalde grens |
| Genummerde lijst, vers, code en kop | Vlakt afzonderlijke structuren af | Behoud hun regeleinden |
| Twee alinea's zonder witregel | Voegt ze samen tot één alinea | Behoud de door de auteur bepaalde alinea's |
| Ongecontroleerde paginamarkering | Vlakt de pagina-overgang af | Laat dit ongemoeid totdat de volgorde is gecontroleerd |
Op 3 oktober 2026 leverde het uitvoeren van het testscript met Node.js 25.2.1 tekst op die overeenkwam met de referentie voor 4 van de 12 voorbeelden volgens de botte baseline. Het goedgekeurde pad kwam overeen met alle twaalf referenties en herstelde alle twaalf inputs via ongedaan maken. Het wees ook verouderde inputs, niet-unieke overeenkomsten en ontbrekende overeenkomsten af.
Die resultaten testen de exacte toepassing van patches ten opzichte van bekende, door auteurs opgestelde referenties. Ze vormen geen schatting van de nauwkeurigheid in de praktijk: de goedgekeurde beslissingen bevatten de antwoorden al, en het corpus is bewust gekozen om foutscenario's bloot te leggen. We hebben geen commerciële opschoontool, OCR-engine, vertaalmodel of BookTranslator-upload getest. Er waren geen nieuwe pogingen of uitgesloten voorbeelden.
Download de daadwerkelijke invoer/uitvoer en het patchlogboek en de reproductie-instructies. Het JavaScript-script draait lokaal zonder afhankelijkheden of netwerkverzoeken en print de resultaten; het overschrijft uw bestanden niet. De controles voorkomen dat een goedgekeurde bewerking op andere tekst wordt toegepast. Ze kunnen u niet vertellen of een bewerking taalkundig correct is.
Schoon één geverifieerd blok tegelijk op
Begin met een kort stuk proza waarvan u de leesvolgorde en alineagrenzen kunt vaststellen. Begin niet met een heel hoofdstuk vol bijschriften, citaten, lijsten en voetnoten.
- Sla een ruwe kopie op en leg de bronlocatie vast. Bewaar de bestandsnaam, het paginanummer, de alinea of het blok en de taal bij elk gecontroleerd fragment.
- Markeer eerst structurele grenzen. Scheid koppen, lijstitems, versregels, tabellen en code van gewone lopende tekst. Behoud paginaverwijzingen buiten de leestekst als u de markeringen ervan later verwijdert.
- Voeg gewone regeleinden tussen woorden binnen dat blok samen. Vervang elk bevestigd regeleinde door een spatie. Controleer of woorden niet aan elkaar zijn geplakt en of een bestaande spatie geen storende dubbele spatie is geworden.
- Beoordeel afgebroken woorden afzonderlijk. Bekijk het volledige token en de omliggende zin. Noteer “lay-out-afbreekstreepje verwijderen”, “echt koppelteken behouden” of “onopgelost”. Beschouw een onopgelost geval niet als een goedgekeurde wijziging.
- Inspecteer het verschil (de diff) voordat u het accepteert. Vergelijk elke verwijderde regeleindemarkering of koppelteken met de bron. Sla de opgeschoonde versie op onder een nieuwe bestandsnaam, samen met de genomen beslissingen.
- Open het opgeslagen resultaat opnieuw en kopieer daaruit. Controleer het daadwerkelijke bestand dat u gaat gebruiken, en niet alleen het voorbeeld in de editor.
Voor een kort fragment kunnen handmatige bewerkingen met bijgehouden wijzigingen of een voor/na-vergelijking voldoende zijn. Voor een langer fragment moet een lijst met correcties de exacte oorspronkelijke substring, vervanging, locatie, reden en revisor vastleggen. Een controlegetal (checksum) van de bron voorkomt dat oude goedkeuringen worden toegepast nadat de invoer is gewijzigd.
Als uw editor een opschoonmodus biedt die alinea's behoudt, test die modus dan op de lastige blokken — niet alleen op doorlopende lopende tekst. Het behouden van dubbele regeleinden herstelt geen alineagrens die door OCR als een enkel regeleinde is weergegeven. Verwijder geen inspringingen en voeg niet zomaar alle spaties samen voordat u tabellen en code hebt gecontroleerd.
Weet wanneer u moet terugkeren naar de paginascan
De Franse interpunctie illustreert waarom zinsdetectie niet hetzelfde is als alineadetectie. In ons zelfgeschreven voorbeeld horen Il attend… en Le lendemain, il part. bij afzonderlijke alinea's. Het beletselteken alleen bepaalt die grens niet. De richtlijnen van het Office québécois de la langue française over points de suspension beschrijven toepassingen zoals een onderbreking of een onvoltooide gedachte; gebruik de paginastructuur om te beslissen of u de volgende regel eraan vast moet koppelen.
Stel controle van de bronafbeelding verplicht voor deze gevallen:
| Geval | Waarom alleen tekst ontoereikend is | Wat u moet vergelijken |
|---|---|---|
| Kop die direct wordt gevolgd door lopende tekst | Er is mogelijk geen witregel overgebleven na extractie | Lettertype, uitlijning, spatiëring en sectiefunctie |
| Een passage die doorloopt over een pagina- of kolomgrens | Een koptekst, bijschrift of voetnoot kan de tekst onderbreken | Laatste bronregel, vervolg en leesvolgorde |
| Een naam, code, hoeveelheid of onbekende term | Een aannemelijke samenvoeging kan de waarde alsnog veranderen | Elk teken, inclusief type streepje en cijfers |
| Een historische woordafbreking | De spelling bij een gedrukte afbreking kan afwijken van het onaaneengeschreven woord | Editie, brongespelde tekst en een passend taalkundig naslagwerk |
| Poëzie, lijsten, tabellen of code | Regeleinden kunnen betekenis of structuur bevatten | Regelindeling, itemgrenzen, cellen en inspringing |
| Beletselteken, afkorting of een korte laatste regel | Interpunctie bewijst niet automatisch de positie van een alinea | De volledige alinea en de omringende blokken |
Als meerdere pagina's hetzelfde probleem vertonen, zoek dan naar dat patroon in het hele document en controleer de resultaten. Als bronletters, de leesvolgorde of hele passages niet kloppen, stop dan met normaliseren en pas de herkenning of extractie opnieuw aan. Gebruik voor herkenning in meerdere talen de afzonderlijke OCR-workflow voor meertalige PDF's.
Controleer de opgeschoonde brontekst vóór het vertalen
Vergelijk een bewerkt tekstblok met de oorspronkelijke pagina, controleer daarna een ander blok en elk afwijkend structuurtype in het geëxtraheerde bestand. Houd bekende knelpunten in de controleset. Steekproeven leveren uitsluitend bewijs over de gecontroleerde passages; ze geven geen garanties voor de rest van het boek.
- Controleer of namen, getallen, datums en codes nog steeds overeenkomen met de bron.
- Controleer elk verwijderd koppelteken en elke spelling die over een afbreking heen is hersteld.
- Vergelijk de grenzen van alinea's, koppen, lijstitems en versregels.
- Controleer of de eerste en laatste regels bij elke paginaovergang behouden zijn gebleven.
- Zoek naar onopgeloste twijfelgevallen en houd ze zichtbaar in het controlelogboek.
- Zorg ervoor dat de definitief opgeslagen versie daadwerkelijk de versie is die naar de volgende workflow gaat.
Als u alleen doorzoekbare tekst of notities nodig had, kan dit geverifieerde uittreksel het eindpunt zijn. U hoeft het niet te laten vertalen om het te herstellen.
Als u het document in een andere taal nodig hebt, zet de geverifieerde inhoud dan om naar een ondersteund documentformaat en gebruik de workflow voor het vertalen van complete documenten. De OCR-modus van BookTranslator bouwt een vertaalde PDF opnieuw op basis van herkende inhoud in plaats van de oorspronkelijke paginalay-out exact te dupliceren; het is geen externe editor voor tekstopschoning of een garantie dat elk regeleinde in de bron correct is geïnterpreteerd. De handleiding voor gescande PDF's legt uit wanneer herkenning noodzakelijk is.
Bewaar de originele pagina's en het opschoonlogboek voor de uiteindelijke kwaliteitscontrole van de pdf-vertaling. Een vloeiende doelzin kan u immers niet vertellen of de brontekst eigenlijk een echt koppelteken had moeten bevatten—of dat twee ogenschijnlijk opeenvolgende zinnen oorspronkelijk aparte alinea's waren.
Gerelateerde berichten
