OCR van een tweetalige PDF: Controleer Chinees, Engels en nummers afzonderlijk

Om een PDF met meerdere talen te voorzien van OCR, identificeert u de schriften op de pagina, kiest u een tool die de PDF kan verwerken met de relevante herkenningstalen en controleert u vervolgens de geëxtraheerde tekst aan de hand van de afbeelding. Controleer Chinese tekst, Engelse tekst, getallen en labelrelaties afzonderlijk. Het vinden van een Engelse titel in de zoekresultaten vertelt u niet of de Chinese broodtekst is herkend.

Het toevoegen van een andere taal is het testen waard, en is niet automatisch een verbetering. In ons kleine Chinees-Engelse experiment corrigeerde het toevoegen van Engels één Engels label, maar werd een Chinese zin beschadigd die de configuratie met alleen Chinees wel had herkend. Geen van onze twee tabelconfiguraties retourneerde tekst van een eenvoudig tabel met lijnen.

Dat is geen oordeel over meertalige OCR in het algemeen. Het is een reden om de output te beoordelen die u nodig hebt, in plaats van het aantal geselecteerde talen.

Onderscheid eerst ontbrekende tekst van onjuiste tekst

Houd het originele bestand ongewijzigd. Selecteer op een kopie een zin van een representatieve pagina en plak deze in een platte-teksteditor. Probeer een Chinese passage en een Engelse passage, niet alleen de documenttitel.

Een bestaande tekstlaag is belangrijk. Bijvoorbeeld, de OCR-documentatie van NAPS2 zegt dat geïmporteerde PDF-pagina's die al tekst bevatten ongemoeid worden gelaten. Het opnieuw importeren van een slecht van OCR voorziene pagina is in die workflow daarom geen betrouwbare reparatiemethode.

Als het echte probleem een scan met een lage resolutie, een kromming of scheefstand is, los dat dan op voordat u een vergelijking van taalinstellingen interpreteert. Onze bredere gids voor gescande PDF's behandelt die voorbereiding en de latere vertaalfasen.

Kies herkenningstalen, geen vertaardoel

Herkenning beantwoordt "welke tekens staan op deze pagina?". Vertaling beantwoordt "hoe moet deze inhoud in een andere taal luiden?". Vraag OCR niet om stilzwijgend traditioneel Chinees te vereenvoudigen, een Engels citaat te vertalen of een onbekende identificatiecode te herschrijven.

Maak een korte inventarisatie:

• Chinees schrift: vereenvoudigd, traditioneel of beide, inclusief koppen en notities.
• Latijnse tekst: Engelse zinnen, auteursnamen, referenties, afkortingen en modelnummers.
• Beheerde waarden: datums, decimalen, eenheden, mintekens, identificatoren en hoofdlettergevoelige codes.
• Regio's: proza, tabellen, bijschriften, voetnoten of een appendix in een andere taal.

Een traditioneel Chinees rapport kan bijvoorbeeld een Engelse samenvatting en referenties bevatten. Een vereenvoudigd Chinees hoofdstuk kan een tabel bevatten met A-01, 23.5, en °C. Geen van beide mag worden beoordeeld door alleen naar de langste Chinese alinea te kijken.

Tesseract biedt afzonderlijke chi_sim, chi_tra, en eng modellen in zijn officiële modelrepository. De opdrachtdocumentatie ondersteunt gecombineerde taalselecties en vermeldt dat de taalvolgorde resultaten kan beïnvloeden. Dit zijn configuratiemogelijkheden, geen garanties dat elk extra model helpt.

Als je document in plaats daarvan verticale Japanse kolommen en furigana bevat, gebruik dan de handleiding voor Japanse verticale OCR. Dat is een ander indelings- en annotatieprobleem, niet zomaar een extra taalvakje.

Gebruik een workflow die daadwerkelijk pdf's accepteert

Een desktoproute: NAPS2

NAPS2 biedt een gedocumenteerde methode om gescande pdf's doorzoekbaar te maken:

1. Importeer een kopie van het bestand en open de OCR-instellingen.
2. Download de herkenningstalen die nodig zijn voor het document.
3. Kies Meerdere talen en selecteer de relevante talen.
4. Schakel doorzoekbare pdf-OCR in en sla op als een nieuw bestand.
5. Open dat bestand opnieuw en vergelijk gekopieerde Chinese, Engelse en numerieke tekst met de zichtbare pagina.

De optie voor meerdere talen verschijnt nadat er meer dan één taal is gedownload. Deze stappen volgen de officiële NAPS2-handleiding; we hebben voor dit artikel geen praktijktest met NAPS2 uitgevoerd.

Een opdrachtregelroute: OCRmyPDF

Voor een Vereenvoudigd Chinees/Engels pdf-bestand dat alleen uit afbeeldingen bestaat, is een voorbeeld op basis van de officiële documentatie:

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

Installeer eerst de vereiste taalpakketten. Gebruik chi_tra voor een test met Traditioneel Chinees in plaats van aan te nemen dat de schriften uitwisselbaar zijn.

Het OCRmyPDF-kookboek documenteert de pdf- en sidecar-tekstuitvoer. De sidecar bevat niet noodzakelijkerwijs het hele document: tekst op pagina's die al tekst bevatten of pagina's die tijdens OCR zijn overgeslagen, ontbreken mogelijk. Controleer de uitvoer-pdf zelf. Bestaande onjuiste OCR vereist een bewust herhalingsproces; forceer niet de rastering van elke pagina zonder te begrijpen wat dit verandert.

Dit is een op documentatie gebaseerde route, niet onze gemeten testomgeving. We hebben OCRmyPDF hier niet uitgevoerd.

Gewone Tesseract heeft gerenderde pagina's nodig

Gebruik tesseract input.pdf ... niet alsof het een PDF-lezer is. Tesseract accepteert geen PDF-invoer, ook al kan het PDF-uitvoer produceren. Tesseract.js heeft dezelfde beperking qua PDF-invoer: render de pagina's eerst met een PDF-bibliotheek en herken daarna de afbeeldingen.

Dat is de methode die is gebruikt voor onze onderstaande experiment. Het levert tekst en TSV-bewijs op, geen geteste doorzoekbare uitvoer-PDF.

Wat er gebeurde in tien lokale OCR-aanroepen

We hebben een PDF van drie pagina's met alleen afbeeldingen gemaakt met daarin:

1. vereenvoudigd Chinees proza met Engelse verwijzingen, identificatoren, decimalen en eenheden;
2. een corresponderende traditioneel Chinese pagina;
3. een kleine Chinees-Engelse tabel met drie datarijen.

De tekst en waarden zijn zelfgeschreven lesmateriaal, geen klantbestanden of echte metingen. Elk prozadoel bevat 124 niet-witruimte-tekens, waaronder 41 Han-karakters. De tabel bevat 79 niet-witruimte-tekens.

De bronpagina's van de PDF bevatte geen extraheerbare tekst. We hebben ze gerenderd met Poppler 26.08.0 op 300 dpi, wat resulteerde in afbeeldingen van 1600×1000 pixels. De lettergrootte was 48 pixels in Noto Sans CJK SC/TC Regular. Alle leestekens kwamen van de gewone horizontale glyphs van de lettertypen.

Op 8 september 2026 voerden we Tesseract.js 7.0.0 uit met tesseract.js-core 7.0.0 lokaal op macOS ARM64. De officiële tessdata_fast modellen werden vastgezet op commit 87416418657359cb625c412a48b6e1d6d41c29bd. Elke aanroep gebruikte OEM 1 en PSM 6, de instelling voor uniforme tekstblokken, met dezelfde pagina-afbeelding voor elke taalvergelijking.

Er waren vier taalrecepten voor elke prozapagina en twee voor de tabel. Alle tien de aanroepen werden voltooid; geen enkel resultaat werd verworpen en er werd geen enkele parameter aangepast nadat het resultaat was bekeken. Exacte invoer, modelhashes, versies en ruwe resultaten en de reproductie-instructies zijn beschikbaar.

Een instelling kan het ene veld oplossen en het andere beschadigen

Op de traditionele pagina behield chi_tra alle 41 Han-tekens op volgorde, maar maakte nog steeds niet-Chinese fouten. Het veranderde bijvoorbeeld het Engelse label Document ID in Document 1ID en las het gradenteken verkeerd.

Het toevoegen van eng herstelde Document ID, maar een deel van de zin over temperatuur en massa veranderde in Latijns aandoende fragmenten:

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。

De cijfers bleven in die regel behouden terwijl het omliggende Chinees dat niet deed. Alleen controleren op 23.5 en 1.08 zou de schade over het hoofd hebben gezien.

De vereenvoudigde pagina liet een andere afweging zien. Het toevoegen van Engels herstelde BK-2026-A07, wat de run met alleen Chinees had teruggegeven als BK-2026-AO7. Maar het veranderde elders ook 与 in 5. De visueel dubbelzinnige identificatiecode O0I1-l bleef onjuist.

De volgende diagnostische gegevens laten zien waarom we geen winnaar hebben uitgeroepen:

“Han-reeksbewerkingen” vergelijkt alleen Chinese ideogrammen. Het beoordeelt geen Engels, leestekens of spatiëring. “Beschermde tekenreeksen gevonden” is slechts een aanwezigheidscontrole voor de vooraf gedefinieerde identificatoren, getallen, eenheden en referentietokens; de positie of relatie wordt hiermee niet geverifieerd. De Engelstalige uitvoer laat de valkuil zien: de meeste beschermde tekenreeksen waren aanwezig, maar geen enkel Chinees karakter werd geretourneerd.

Het volledige vergelijkings-CSV-bestand rapporteert ook bewerkingsafstanden voor de volledige tekst. Bij de vergelijking wordt Unicode NFC toegepast en worden spaties verwijderd; leestekens worden niet gecorrigeerd, hoofdletters worden niet gewijzigd, Chinese schriften worden niet geconverteerd en tekens worden niet herschikt. Het omkeren van de taalvolgorde veranderde de spatiëring in deze proza-uitvoer, maar niet de genormaliseerde tekenreeks. Die waarneming is geen algemene regel voor taalvolgorde.

Een lege tabel is geen succesvolle extractie

Beide tabelaanroepen retourneerden lege tekst, ondanks dat ze werden voltooid zonder OCR-uitvoerfout. Het toevoegen van Chinees redde het vaste, uniforme recept niet.

We hebben geen andere segmentatiemodi, celbijsnijdingen of een tabelherkenningsengine getest. Het resultaat doet daarom niet tonen dat Tesseract tabellen niet kan lezen. Het toont aan dat het alleen wijzigen van de herkenningstaal dit voorbeeld niet oploste onder de instellingen die we hebben gebruikt.

Voor een echte tabel is de volledige relatie vereist Temperature → A-01 → 23.5 → °C, niet vier ergens op de pagina aangetroffen tokens. Als de uitvoer leeg is of relaties niet kunnen worden gecontroleerd, stop dan met het beschouwen ervan als een betrouwbare transcriptie. Probeer een indeling-bewuste workflow of transcribeer de noodzakelijke cellen met verwijzing naar de afbeelding.

Wat dit experiment niet kan vaststellen

Dit zijn drie schone synthetische pagina's uit één lettertypefamilie, beoordeeld door één schrijver-agent. Er was geen blinde menselijke beoordeling, productiecorps van documenten of test van wazige scans, handschrift, complexe tabellen, verticale tekst of historische tekens.

De resultaten zijn nuttige tegenvoorbeelden voor een onvoorwaardelijke regel "voeg meer talen toe". Het zijn geen engineranking, algemeen nauwkeurigheidscijfer of voorspelling voor uw PDF. Dit was geen BookTranslator-test en de bron-PDF met alleen afbeeldingen is geen OCR-voltooide leeskopie.

Gebruik een vierdelige acceptatiecontrole op uw eigen bestand

Download het lege beoordelingsoverzicht. Kies een pagina die de daadwerkelijke moeilijkheid bevat en voeg vervolgens de volgende controles toe voordat u het hele bestand verwerkt:

1. Chinese tekst: vergelijk een volledige zin, inclusief minder veel voorkomende tekens en de beoogde vereenvoudigde/traditionele vormen. Normaliseer een verkeerd teken niet stilletjes naar het teken dat u verwachtte.
2. Engels en identificatoren: inspecteer achternamen van auteurs, referenties, afkortingen, hoofdletters en gelijkende tekens zoals O/0 of I/l/1. Een onbekende code is geen woord dat automatisch gecorrigeerd moet worden.
3. Getallen en eenheden: vergelijk elke waarde met het teken, decimaalteken, de eenheid en het label. 0.05 en 0.50 moeten onderscheiden blijven; een herkende 23.5 zonder de juiste eenheid is onvolledig.
4. Relaties en volledigheid: controleer of elke paragraaf of tabelrij op de verwachte plaats staat. Bevestig dat bijschriften, opmerkingen en kleine passages in een tweede taal aanwezig zijn, en niet alleen de hoofdtekst.

Registreer de originele tekst, het waargenomen resultaat, de pagina/regio en de vereiste actie. Wanneer een configuratie de ene controle verbetert maar de andere verslechtert, bewaar dan beide waarnemingen. Accepteer het bestand niet op basis van een enkel betrouwbaarheidsscore of gemiddeld aantal tekens.

Onderscheid drie resultaten: direct bruikbaar voor het door u gestelde doel, vereist specifieke correcties, of kan nog niet worden vertrouwd. Een opzoektaak heeft mogelijk slechts één geverifieerde passage nodig; een volledig leescoepie vereist dekking van het hele document, niet een schone titelpagina.

Vertaal pas nadat u weet wat de bron zegt

Als zoeken en kopieerbare originele tekst uw probleem oplossen, stop dan daar. OCR heeft zijn werk gedaan; vertaling is een aparte beslissing.

Als u het volledige document in een andere taal wilt lezen, bewaar dan de originele scan en gecorrigeerde tekst als referenties en volg daarna de vertaalworkflow voor gescande pdf's. Voor een geschikt bestand kan de pdf-vertaler van BookTranslator de volgende stap zijn. De OCR-modus reconstrueert vertaalde inhoud in plaats van een exacte overeenkomst met de originele paginalay-out te beloven; hiermee vervalt niet de noodzaak om herstelde tekst en tabelrelaties te controleren.

Gebruik na de vertaling de QA-checklist voor pdf-vertalingen om een bronherkenningsfout te onderscheiden van een vertaal- of lay-outfout. Het corrigeren van de verkeerde stap zorgt ervoor dat een leesbare fout overleeft in het uiteindelijke bestand.