PDF-tekstextractie versus OCR: kies de juiste route vóór het vertalen

Gebruik tekstextractie wanneer een PDF al betrouwbare, machineleesbare tekst bevat. Gebruik OCR wanneer een pagina alleen een afbeelding van tekst bevat. Als een pagina een bestaande tekstlaag heeft die niet klopt, voldoet geen van beide regels: u moet de geëxtraheerde woorden vergelijken met de zichtbare pagina voordat u beslist of u die laag behoudt, vervangt of opnieuw aanmaakt.

Die beslissing hoort vóór de vertaling plaats te vinden. Een vertaaltool kan een hoeveelheid, naam of zin die onjuist in de workflow is terechtgekomen niet herstellen. Deze kan alleen de brontekst vertalen die wordt aangeleverd.

De snelle beslissingstabel

Test pagina's, niet alleen hele bestanden. Eén enkele PDF kan een digitaal titelblad, gescande hoofdstukken en bijlagen met verouderde OCR combineren.

Woorden kunnen selecteren bewijst alleen dat er een tekstobject bestaat. Het bewijst niet dat de tekst overeenkomt met de pagina. Omgekeerd bewijst een mislukte kopieertest niet dat de hele PDF uitsluitend uit afbeeldingen bestaat.

Onze test met een gemengde PDF van vier pagina's

We hebben een downloadbare PDF van vier pagina's gemaakt met bekende inhoud. Het bevat geen privégegevens of documenten van derden:

1. een digitaal gecreëerde pagina;
2. een pagina die uitsluitend uit afbeeldingen bestaat;
3. een pagina die eruitziet als een scan, met een correcte verborgen tekstlaag;
4. een pagina die eruitziet als een scan, met een opzettelijk misleidende verborgen tekstlaag.

Voor elke pagina hebben we Poppler pdftotext uitgevoerd op de bestaande PDF-gegevens. Afzonderlijk hebben we de pagina gerenderd op 300 dpi en Tesseract op die afbeelding toegepast. De zichtbare referentie stond al vast vóór beide tests.

Het punt is niet dat Tesseract altijd wint. In deze schone Engelstalige testcase was dat wel zo, omdat we de pagina zo hebben opgebouwd dat de beslissing geïsoleerd kon worden. Bij scans met ruis, ongebruikelijke schriften, tabellen, handschrift of complexe lay-outs kan een nieuwe OCR-verwerking op heel andere manieren tekortschieten.

De resultaten per pagina, het beslissingsschema, reproductienotitiesen de generator zijn beschikbaar bij de testset. Op 21 september 2026 waren de vastgelegde versies Poppler pdftotext 26.08.0 en Tesseract 5.5.3.

Wat de test aantoont — en wat niet

Het toont aan dat vier visueel leesbare pagina's drie verschillende routes vóór vertaling kunnen vereisen. Het bewijst ook dat doorzoekbare tekst kan afwijken van de pagina terwijl deze er toch aannemelijk uitziet.

Het meet geen algemene OCR-nauwkeurigheid, leestoegankelijkheid, tabelherstel, meertalige herkenning of het uploadgedrag van BookTranslator. De pagina's zijn eenvoudig en de fouten op pagina vier zijn opzettelijk ingevoegd; Tesseract heeft ze niet veroorzaakt.

Waarom tekstextractie en OCR verschillende bewerkingen zijn

Tekstextractie leest tekstobjecten die al in de PDF zijn opgeslagen. OCR herkent tekens in pixels. De actuele extractiehandleiding van pypdf trekt dezelfde grens: pypdf kan een bestaande tekstlaag lezen, maar kan geen woorden herkennen binnen een afbeelding.

Dat onderscheid is belangrijk omdat een digitale PDF informatie kan bevatten die bij rasteren verloren gaat of moeilijker te herstellen is: tekenversleutelingen (encodings), lettertype-informatie, links, vectorafbeeldingen en andere documentobjecten. pypdf raadt expliciet af om OCR als de universele oplossing voor 'born-digital' bestanden te beschouwen. Het legt ook een andere beperking uit: PDF slaat tekst meestal op voor visuele plaatsing, niet als semantische alinea's, tabellen of koppen.

Er horen dus twee onafhankelijke vragen thuis in de preflight-controle:

1. Kloppen de tekens? Vergelijk de geëxtraheerde namen, getallen, leestekens en onbekende termen met de pagina.
2. Is de structuur bruikbaar? Lees een volledige alinea en inspecteer vervolgens kolommen, voetnoten, tabellen, bijschriften en pagina-overgangen.

Juiste tekens in de verkeerde volgorde vormen alsnog een gebrekkige bron voor vertaling.

Een preflight-controle op paginaniveau vóór vertaling

1. Bewaar het origineel

Bewaar een ongewijzigd bronbestand en noteer de hash als het document belangrijk is. Voer experimenten uit op kopieën. Het vervangen van een imperfecte tekstlaag kan vectorinhoud rasteren of informatie weggooien die u later nog nodig hebt.

2. Breng de paginatypes in kaart

Baseer de beslissing niet op de eerste pagina. Bekijk steekproefsgewijs het voorwerk, gewone paginarompteksten, bijlagen, tabellen, illustraties, bijsluiters en elke pagina die er gefotografeerd of gefotokopieerd uitziet.

Noteer bij een lang document de paginareeksen:

Het downloadbare CSV-bestand gebruikt hetzelfde patroon voor ons testbestand.

3. Vergelijk lastige tekstelementen, niet alleen eenvoudige lopende tekst

Vloeiend ogende zinnen zijn geen betrouwbare graadmeter. Neem het volgende mee:

• de naam van een persoon;
• een datum en een hoeveelheid;
• een identificatiecode die letters en cijfers combineert;
• tekst met accenten of niet-Latijnse tekens;
• een zin die over een regeleinde heen loopt;
• een passage in de buurt van een voetnoot, afbeelding of tweede kolom.

Pagina vier in ons testbestand zou er bruikbaar uitzien als de controle zou stoppen bij veelvoorkomende woorden. De fouten concentreren zich in O/0, 58/53, en 7.5/7.8—precies het soort tokens dat bronvermeldingen en feiten na de vertaling kan verminken.

4. Wees eerlijk over onzekerheid

Hanteer vier uitkomsten: steekproef geslaagd, steekproef mislukt, geen extraheerbare tekst of nog niet getest. “Selecteerbaar” is geen uitkomst. Evenmin als “de OCR is voltooid”.

Steekproeven hebben hun beperkingen. Drie pagina's goedkeuren garandeert niets voor een boek van 400 pagina's, zeker niet wanneer het bestand verschillende scans of lay-outs bevat. Voer meer controles uit op plekken waar de bron verandert.

Kies pas een OCRmyPDF-modus na de diagnose

De huidige documentatie van OCRmyPDF beschrijft verschillende verwerkingswijzen voor pagina's die al tekst bevatten. Dit zijn routeringsopties, geen kwaliteitsgaranties.

• Standaardgedrag stopt wanneer een pagina al afdrukbare tekst of een verborgen OCR-laag bevat, omdat het niet betrouwbaar kan vaststellen om welk type het gaat.
• Tekst overslaan kopieert pagina's met tekst zonder wijzigingen en voert OCR uit op de overige pagina's. Dit is bij een gemengd bestand alleen nuttig als de bestaande tekst betrouwbaar is.
• OCR opnieuw uitvoeren verwijdert bestaande, niet-afdrukbare OCR-tekst en herkent de pagina opnieuw, met uitsluiting van afdrukbare vector-tekst. Dit kan geschikt zijn voor een mix van digitale en eerder ge-OCR'de pagina's, maar het herkent niet elke historische indeling.
• OCR forceren rastert vectorinhoud en voert OCR uit op de resulterende afbeelding. Dit kan een mislukte laag vervangen, maar het gaat ten koste van informatie en kan interactieve inhoud platmaken.

Deze definities zijn afkomstig uit OCRmyPDF 17.12.1's documentatie over fouten met bestaande tekst. Raadpleeg de documentatie van de geïnstalleerde versie voordat je een batchverwerking start. Een parameternaam is geen bewijs dat de uitvoer bladwijzers, tags, links, formulieren of toegankelijke structuren intact heeft gelaten.

In ons testbestand zou tekst overslaan de opzettelijk foutieve verborgen tekst op pagina vier behouden. Daarom moet de controle met kopiëren en vergelijken altijd plaatsvinden vóórdat je een batchmodus kiest.

Veelgemaakte denkfouten

“Als tekst selecteerbaar is, sla dan OCR over”

Pagina vier bewijst het tegendeel van die regel. Selectie toont enkel aan dat er tekst aanwezig is, niet of deze klopt.

“Voer voor de zekerheid OCR uit op de hele PDF”

Dat kan zuivere digitale pagina's aantasten en nuttige PDF-objecten weggooien. Het vergroot ook het aantal te controleren elementen zonder de semantische leesvolgorde automatisch te herstellen.

“Gebruik gewoon de uitvoer die vloeiender oogt”

Vloeiendheid is hier verraderlijk. Vergelijk altijd met de zichtbare pagina. Laat een taalmodel niet stilletjes een identificatiecode of hoeveelheid corrigeren om het resultaat vervolgens als bronbewijs te beschouwen.

“Eén zuivere pagina is representatief voor het hele bestand”

Gemengde PDF's komen veel voor: een digitaal omslag kan voorafgaan aan gescande hoofdstukken, of een doorzoekbaar boek kan bijlagen bevatten die louter uit afbeeldingen bestaan. Leg beslissingen per paginabereik vast.

De controlecriteria voor een vertaalklare PDF

Stel alle volgende eisen voordat u het bestand naar een vertaalworkflow stuurt:

1. Elk paginabereik is geclassificeerd als digitaal, louter afbeelding of bestaande OCR.
2. Voor ondeugdelijke bestaande lagen is een gedocumenteerd vervangend traject voorhanden.
3. Namen, getallen, identificatiecodes en onbekende termen doorstaan de bronvergelijking op de gecontroleerde steekproefpagina's.
4. Alinea- en kolomvolgorde is logisch leesbaar in de geëxtraheerde brontekst.
5. Tabellen, figuren, voetnoten en vergelijkingen zijn geverifieerd of worden expliciet bijgehouden als afzonderlijke onderdelen.
6. De originele PDF blijft beschikbaar voor vergelijking na de vertaling.

Gebruik de afzonderlijke handleiding voor het diagnosticeren van knippen en plakken wanneer een tekstbevattende PDF al problemen geeft. Gebruik de workflow voor gescande PDF's wanneer pagina's louter afbeeldingen bevatten, en de OCR-handleiding voor meertalige documenten wanneer de taalkeuze deel uitmaakt van het probleem.

Vertaal de geverifieerde brontekst en beoordeel vervolgens het resultaat

Als het uiteindelijke doel is om een compleet document in een andere taal te lezen, upload de geverifieerde PDF dan naar PDF Translator. Voor gescande pagina's of pagina's met veel afbeeldingen extraheert de OCR-modus van BookTranslator herkenbare inhoud en bouwt deze een overzichtelijke vertaalde PDF opnieuw op; dit biedt geen garantie dat de exacte oorspronkelijke paginalay-out, lettertypen of groottes behouden blijven, of dat elke bestaande verborgen tekstlaag wordt hersteld.

Bewaar uw paginaoverzicht en het originele bestand. Voer na de vertaling de risicovolle controles opnieuw uit op de doeltaal: namen, hoeveelheden, identificatienummers, paginadekking, alineavolgorde en elke structuur waarop u vertrouwt. De checklist voor PDF-vertalings-QA behandelt die definitieve acceptatieronde.

De vuistregel is eenvoudig: extraheer wat al betrouwbaar is, gebruik alleen OCR voor wat herkenning vereist en vervang een tekstlaag pas nadat u hebt bewezen dat deze onjuist is.