Kopiowanie z PDF wkleja zły tekst? Najpierw zdiagnozuj warstwę tekstową

Jeśli plik PDF wygląda poprawnie, ale po wklejeniu daje błędny tekst, nie używaj wklejonej wersji jako materiału źródłowego. Najpierw porównaj krótki fragment z widoczną stroną: nazwisko, zdanie i liczbę. Dalsze kroki zależą od tego, czy plik nie ma tekstu do wyodrębnienia, zawiera nieprawidłowe mapowanie znaków, niedokładną ukrytą warstwę OCR czy też problem z kolejnością czytania. Uruchomienie OCR dla całego dokumentu nie jest właściwym pierwszym krokiem w każdym z tych czterech przypadków.

Najbardziej zdradliwym błędem wcale nie są przypadkowe znaki. To tekst, który wygląda wiarygodnie: na stronie widać 18 zeszytów , podczas gdy wyodrębniony tekst zawiera 13 zeszytów. Przygotowaliśmy cztery pliki PDF do pobrania, aby uwidocznić tę różnicę bez sięgania po prywatne dokumenty.

Zacznij od szybkiej próby: skopiuj i porównaj

Pozostaw oryginalny plik bez zmian i otwórz kopię roboczą. Wklej jeden krótki fragment do edytora tekstu bez formatowania, a następnie porównaj go znak po znaku z widokiem strony. Powtórz to na innej stronie oraz, jeśli to możliwe, w innej przeglądarce PDF. To test diagnostyczny, a nie dowód na to, że reszta dokumentu jest bezbłędna.

Są to jedynie wskazówki, a nie metoda na pełne zdiagnozowanie wnętrza każdego pliku PDF na podstawie jednego objawu. Oficjalne wskazówki Adobe dotyczące ponownego wykorzystania treści wyraźnie odróżniają zawartość składającą się wyłącznie z obrazów od ograniczeń kopiowania. Żadnego z tych przypadków nie należy z góry uznawać za uszkodzoną warstwę tekstową. Z kolei przewodnik po ekstrakcji pypdf osobno opisuje obrazy, ekstrakcję tekstu oraz trudności z tabelami i odstępami.

W przypadku obszernej książki lub raportu zanotuj numer strony PDF, na której występuje dany problem. Prawidłowo działająca strona tytułowa nie gwarantuje, że załącznik, zeskanowana wstawka czy dwukolumnowy rozdział skopiują się poprawnie.

Cztery pliki PDF: widok na stronie a wynik ekstrakcji

Nasza strona testowa zawiera cztery oryginalne linijki, w tym:

Archiwum zawiera 18 zeszytów.

Pozycja B-204 dotarła 6 maja.

Przygotowaliśmy jeden standardowy, cyfrowy plik PDF oraz celowo stworzyliśmy trzy wersje alternatywne. Następnie wyodrębniliśmy z nich tekst za pomocą narzędzi Poppler i pypdf. W tym teście oba programy zwróciły identyczny tekst dla każdego z plików.

Normalnie wyglądająca strona cyfrowa może kopiować się niepoprawnie

Pierwsze dwa pliki PDF renderowały się do identycznych pikseli w naszym porównaniu, a jednak wyodrębniony z nich tekst się różnił. W drugim pliku celowo zmieniliśmy mapowanie ToUnicode : informację służącą do przypisywania zapisanych kodów znaków do tekstu Unicode. Widoczna cyfra pozostała jako 8, podczas gdy ekstrakcja zwróciła 3. Dokumentacja CMap w pypdf szczegółowo ilustruje ten mechanizm mapowania.

To pokazuje jeden z mechanizmów błędu, a nie twierdzenie, że każdy zniekształcony plik PDF ma dokładnie tę samą wadę. Brakujący wpis ToUnicode sam w sobie nie jest naszą diagnozą, a ręczna edycja mapowań nie jest uniwersalnym rozwiązaniem dla zwykłego czytelnika.

Przeszukiwalny skan może zawierać błędne słowa

Trzeci i czwarty plik PDF również renderowały się identycznie. Jeden zawierał błędny niewidoczny tekst, a drugi nie zawierał go wcale. W trzecim pliku ekstrakcja po cichu zmieniła zarówno ilość, jak i datę. Kod B-2O4 zawierał literę O, a nie cyfrę 0 widoczną na obrazie.

Wprowadziliśmy te błędy samodzielnie, aby zobrazować rodzaj rozbieżności, jakie może kryć ukryta warstwa tekstowa. Silnik OCR nie wygenerował ich automatycznie. Czwarty plik przedstawia sytuację odwrotną: czytelny obraz strony, z którego wspomniane narzędzia do ekstrakcji tekstu nie są w stanie niczego odczytać. Jest to zgodne z udokumentowanym ograniczeniem biblioteki pypdf: wyodrębnia ona istniejący tekst z plików PDF, ale nie rozpoznaje słów na obrazach.

Co ten test dowodzi — a czego nie

10 września 2026 r. sprawdziliśmy cztery jednostronicowe pliki przy użyciu Poppler 26.08.0 i pypdf 6.10.0. Do porównań wizualnych posłużył Poppler w rozdzielczości 144 dpi. Zgodność pikseli zachowano w ramach obu par, a nie we wszystkich czterech plikach: para oparta na obrazach przeszła przez dodatkowy etap renderowania.

Jest to kontrolowana demonstracja, a nie benchmark dokładności OCR. Nie testuje ona rozpoznawania wielojęzycznego, złożonych układów, naprawy w programie Acrobat, naprawy za pomocą OCRmyPDF ani plików przesyłanych do BookTranslator. Były to spreparowane przykłady ze znanymi błędami, a nie badanie z zaślepieniem.

Wraz z plikami dostępne są surowy tekst i wyniki pikselowe, instrukcje odtworzeniaoraz generator . Wykorzystano w nich niezmodyfikowaną czcionkę Noto Sans wraz z dołączoną licencją open font.

Wybierz najmniej inwazyjny kolejny krok

Poniższe ścieżki naprawy wynikają z oficjalnej dokumentacji oraz praktycznej diagnostyki. Nie są to rezultaty naprawy z naszego eksperymentu na czterech plikach. Pracuj na kopii i zweryfikuj wynik, zanim zastąpisz jakikolwiek plik, na którym polegasz.

Jeśli masz dokument źródłowy, najpierw spróbuj wyeksportować go ponownie

Nowy plik PDF wygenerowany z oryginalnego dokumentu edytora tekstu, programu DTP lub składu to dobry pierwszy krok. Porównaj dokładnie ten fragment, w którym wystąpił błąd. Nie zakładaj, że nowa nazwa pliku lub pomyślny eksport oznaczają, że tekst jest już poprawny.

W przypadku materiałów pobranych z archiwum lub od wydawcy sprawdź, czy istnieje alternatywna wersja zawierająca warstwę tekstową. Zwracaj uwagę na zgodność wydania i numeracji stron: czystszy plik innego wydania może nie zawierać dokładnie tego fragmentu, którego potrzebujesz.

Jeśli skan zawiera tylko kilka błędów rozpoznawania, przejrzyj te słowa

Program Acrobat opisuje procedurę w sekcji Skanuj i OCR → Popraw rozpoznany tekst. Umożliwia ona weryfikację oznaczonych podejrzanych słów względem zeskanowanego obrazu i poprawienie rozpoznanego tekstu. Postępuj zgodnie z aktualnymi instrukcjami korygowania Adobe dla interfejsu Twojej wersji programu.

Nie traktuj pustej listy podejrzanych słów jako testu kompletności. Niezależnie zweryfikuj nazwiska, daty, identyfikatory i liczby, które zamierzasz cytować lub tłumaczyć. Nasz celowo błędny 13 notebooks pokazuje, dlaczego czytelny wynik to za mało.

Jeśli ukryty tekst jest w dużej mierze błędny, odróżnij redo od force

W przypadku czytelników korzystających z narzędzi wiersza poleceń OCRmyPDF opisuje różne ścieżki dla stron, które zawierają już tekst:

• --redo-ocr usuwa istniejący, niedrukowalny tekst OCR i rozpoznaje go ponownie, wykluczając z OCR tekst drukowalny.
• --skip-text pomija strony zawierające tekst. Nie naprawi to istniejącej, błędnej warstwy tekstu.
• --force-ocr rasteryzuje zawartość strony i uruchamia OCR na powstałych obrazach.

Działania te opisano w dokumentacji błędów istniejącego tekstu w OCRmyPDF. W wersji 17 równoważne opcje są również dostępne za pośrednictwem --mode; starsze flagi pozostają aliasami.

Wiążą się z tym koszty i wyjątki. Opcja redo nie potrafi zidentyfikować każdego archiwalnego układu OCR; niektóre pliki nakładają nieprzezroczysty obraz na tekst, który technicznie rzecz biorąc jest drukowalny. Z kolei force zamienia tekst drukowalny oraz zawartość wektorową w piksele i spłaszcza elementy interaktywne. Zarówno redo, jak i force odrzucają również istniejące drzewo struktury, zamiast je rekonstruować. Zapoznaj się z zaawansowaną dokumentacją OCRmyPDF przed wyborem któregoś z tych rozwiązań.

Naprawiony wyciąg nie jest zatem tożsamy z audytem dostępności. Jeśli dokument wymaga nagłówków, poprawnej kolejności czytania lub dostępnych grafik, skorzystaj z osobnych testów dostępności przetłumaczonego PDF-a.

Jeśli strony lub języki się różnią, nie zakładaj, że jedno ustawienie wystarczy

Wypisz, które strony zawierają już wiarygodny tekst cyfrowy, a które wymagają rozpoznania. Przed skonfigurowaniem OCR sprawdź języki występujące na problematycznych stronach. Nasz przewodnik po OCR wielojęzycznych PDF-ów omawia wybór języka — jest to zupełnie inna decyzja niż ustalenie, czy stara warstwa tekstu jest błędna.

Jeśli warstwa tekstu w ogóle nie istnieje, przejdź do instrukcji postępowania ze skanowanymi PDF-ami. Wielokrotne próby użycia innego ekstraktora czystego tekstu nie sprawią, że pypdf rozpozna słowa na obrazie.

Zweryfikuj nowy tekst przed jego użyciem

Użyj arkusza kontrolnego warstwy tekstowej do pobrania , aby zestawić ze sobą widoczne źródło referencyjne, poprzednio wyodrębniony tekst oraz nowo uzyskany tekst. Zacznij od znanego błędu, a następnie przetestuj inny fragment i każdy wyraźnie odmienny układ strony.

1. Słowa: porównaj nazwiska i nieznane terminy litera po literze.
2. Liczby: sprawdź ilości, kropki dziesiętne, daty oraz identyfikatory, takie jak B-204.
3. Kolejność: przeczytaj cały akapit w poprzek podziałów wierszy; osobno sprawdź kolumny i sąsiadujące podpisy.
4. Kompletność: upewnij się, że potrzebne strony i fragmenty nie zostały pominięte.
5. Działanie pliku: otwórz ponownie zapisany plik wynikowy i powtórz test kopiowania. Jeśli zależy Ci na zakładkach, linkach lub strukturze dostępności, je również sprawdź.

Pomyślna weryfikacja wybranych fragmentów stanowi dowód jedynie w ich przypadku. Nie daje gwarancji co do całego pliku. Zachowaj oryginalny obraz strony jako materiał referencyjny, zwłaszcza podczas poprawiania cytatu lub tekstu w nieznanym języku.

Tłumacz dopiero wtedy, gdy masz pewność co do tekstu źródłowego

Jeśli Twoim celem było zacytowanie akapitu lub sporządzenie notatek, zweryfikowany wyciąg może być już efektem końcowym. Do tego zadania nie potrzebujesz usługi tłumaczeniowej.

Jeśli musisz przeczytać cały dokument w innym języku, użyj zweryfikowanego pliku jako punktu wyjścia do tłumaczenia PDF. Tryb OCR w BookTranslator tworzy przetłumaczony plik PDF od nowa na podstawie rozpoznanej zawartości — nie stanowi on obietnicy naprawy istniejącej warstwy tekstowej ani idealnego odwzorowania oryginalnego układu strony.

Zachowaj strony referencyjne również na etapie tłumaczenia. Te same wartości liczbowe i identyfikatory sprawdzone w tym miejscu powinny trafić do końcowej kontroli jakości (QA) przetłumaczonego PDF. Płynne tłumaczenie samo z siebie nie podpowie Ci, że tekst źródłowy powinien brzmieć 18 zamiast 13.