Ekstrakcja tekstu z PDF a OCR: wybierz właściwą ścieżkę przed tłumaczeniem

Używaj ekstrakcji tekstu, gdy plik PDF zawiera już wiarygodny tekst w formacie czytelnym maszynowo. Korzystaj z OCR, gdy strona zawiera wyłącznie obraz tekstu. Jeśli strona ma istniejącą warstwę tekstową, która zawiera błędy, żadna z tych zasad nie wystarczy: musisz porównać wyodrębnione słowa z widoczną stroną, zanim zdecydujesz, czy zachować, zastąpić, czy wygenerować tę warstwę na nowo.

Tę decyzję należy podjąć przed tłumaczeniem. Narzędzie do tłumaczenia nie odtworzy liczby, nazwiska ani zdania, które trafiły do procesu w niepoprawnej formie. Może jedynie przetłumaczyć tekst źródłowy, jaki otrzyma.

Tabela szybkiego podejmowania decyzji

Testuj pojedyncze strony, a nie tylko całe pliki. Pojedynczy PDF może łączyć cyfrową stronę tytułową, zeskanowane rozdziały i wstawki ze starym OCR.

Możliwość zaznaczenia słów dowodzi jedynie istnienia obiektu tekstowego. Nie potwierdza jednak, że tekst odpowiada zawartości strony. Z kolei nieudana próba skopiowania nie oznacza wcale, że cały plik PDF zawiera wyłącznie obrazy.

Nasz test mieszanego, czterostronicowego pliku PDF

Przygotowaliśmy czterostronicowy plik PDF do pobrania o znanej zawartości. Nie zawiera on żadnych prywatnych dokumentów ani materiałów osób trzecich:

1. stronę cyfrową od początku (born-digital);
2. stronę zawierającą wyłącznie obraz;
3. stronę wyglądającą jak skan z poprawną ukrytą warstwą tekstu;
4. stronę wyglądającą jak skan z celowo zafałszowaną ukrytą warstwą tekstu.

Dla każdej strony uruchomiliśmy narzędzie Poppler pdftotext na istniejących danych PDF. Niezależnie wyrenderowaliśmy każdą stronę w rozdzielczości 300 dpi i przetworzyliśmy uzyskany obraz za pomocą Tesseract. Widoczny tekst wzorcowy został ustalony przed rozpoczęciem obu testów.

Nie chodzi o to, że Tesseract zawsze wygrywa. W tym czystym angielskim przykładzie testowym poradził sobie bezbłędnie, ponieważ przygotowaliśmy stronę tak, aby wyodrębnić samą decyzję. W przypadku zaszumionych skanów, nietypowych alfabetów, tabel, pisma odręcznego czy skomplikowanych układów ponowny OCR może zawieść na zupełnie inne sposoby.

W repozytorium znajdują się wyniki strona po stronie, arkusz decyzyjny, wskazówki dotyczące odtworzenia testuoraz generator są dostępne wraz z zestawem testowym. Na dzień 21 września 2026 r. zarejestrowanymi wersjami były Poppler pdftotext 26.08.0 oraz Tesseract 5.5.3.

Co ten test udowadnia — a czego nie

Dowodzi on, że cztery czytelne wizualnie strony mogą wymagać trzech różnych ścieżek przygotowania przed tłumaczeniem. Pokazuje również, że przeszukiwalny tekst może różnić się od zawartości strony, zachowując przy tym pozory poprawności.

Nie mierzy on ogólnej dokładności OCR, dostępności dla czytników ekranowych, odzyskiwania tabel, rozpoznawania wielu języków ani zachowania BookTranslator podczas przesyłania plików. Strony są proste, a błędy na czwartej stronie zostały wprowadzone celowo; to nie Tesseract je wygenerował.

Dlaczego ekstrakcja i OCR to dwie różne operacje

Ekstrakcja tekstu odczytuje obiekty tekstowe zapisane już bezpośrednio w pliku PDF. OCR rozpoznaje znaki z pikseli obrazu. Aktualny przewodnik po ekstrakcji pypdf wyznacza dokładnie tę samą granicę: biblioteka pypdf potrafi odczytać istniejącą warstwę tekstową, ale nie potrafi rozpoznać słów na obrazie.

To rozróżnienie ma kluczowe znaczenie, ponieważ cyfrowy plik PDF może zawierać informacje, które rasteryzacja bezpowrotnie usuwa lub utrudnia do odzyskania: kodowanie znaków, dane o fontach, linki, grafikę wektorową i inne obiekty dokumentu. Twórcy pypdf wyraźnie odradzają traktowanie OCR jako uniwersalnego rozwiązania dla plików stworzonych cyfrowo (born-digital). Wyjaśniają również inne ograniczenie: format PDF zazwyczaj przechowuje tekst pod kątem jego wizualnego rozmieszczenia, a nie jako semantyczne akapity, tabele czy nagłówki.

Dlatego wstępna weryfikacja wymaga zadania dwóch niezależnych pytań:

1. Czy znaki są poprawne? Porównaj wyodrębnione nazwiska, liczby, interpunkcję i rzadkie terminy z treścią strony.
2. Czy struktura nadaje się do użytku? Przeczytaj cały akapit, a następnie sprawdź kolumny, przypisy dolne, tabele, podpisy pod ilustracjami i przejścia między stronami.

Nawet w pełni poprawne znaki ułożone w złej kolejności tworzą uszkodzony materiał źródłowy do tłumaczenia.

Weryfikacja dokumentu strona po stronie przed tłumaczeniem

1. Zachowaj oryginał

Zachowaj nienaruszony plik źródłowy i zapisz jego sumę kontrolną, jeśli dokument ma istotne znaczenie. Wszelkie próby przeprowadzaj na kopiach. Zastąpienie niedoskonałej warstwy tekstowej może spłaszczyć elementy wektorowe lub bezpowrotnie usunąć potrzebne później informacje.

2. Przeprowadź inwentaryzację typów stron

Nie podejmuj decyzji wyłącznie na podstawie pierwszej strony. Przejrzyj strony tytułowe, standardowe strony tekstu głównego, dodatki, tabele, ilustracje, wkładki oraz każdą stronę wyglądającą na zdjęcie lub kserokopię.

W przypadku obszernego dokumentu zanotuj zakresy stron:

Plik CSV do pobrania stosuje ten sam schemat dla naszego zestawu testowego.

3. Porównuj trudne elementy, a nie tylko prosty tekst ciągły

Płynnie brzmiące zdania to słaby sprawdzian. Uwzględnij:

• imię i nazwisko osoby;
• datę i wielkość liczbową;
• identyfikator łączący litery i cyfry;
• tekst ze znakami diakrytycznymi lub alfabetem nielacińskim;
• zdanie przechodzące przez podział wiersza;
• fragment w pobliżu przypisu dolnego, ryciny lub drugiej kolumny.

Strona czwarta w naszym pliku testowym wyglądałaby na poprawną, gdyby weryfikacja ograniczyła się do powszechnych słów. Błędy skupiają się w O/0, 58/53oraz 7.5/7.8— dokładnie w tych elementach, które po przetłumaczeniu mogą zniekształcić przypisy i fakty.

4. Rzetelnie klasyfikuj niepewność

Stosuj cztery kategorie wyników: próbka zaliczona, próbka niezaliczona, brak tekstu do wyodrębnienia lub jeszcze nieprzetestowano. „Tekst daje się zaznaczyć” to nie wynik. Podobnie jak „OCR został zakończony”.

Testowanie próbek ma swoje ograniczenia. Pozytywny wynik na trzech stronach nie daje pewności co do 400-stronicowej książki, zwłaszcza jeśli plik zawiera skany różnego pochodzenia lub odmienne układy stron. Zwiększ zakres kontroli w miejscach, gdzie zmienia się materiał źródłowy.

Wybierz tryb OCRmyPDF dopiero po przeprowadzeniu diagnozy

Aktualna dokumentacja narzędzia OCRmyPDF opisuje kilka wariantów zachowania dla stron, które zawierają już tekst. Są to decyzje dotyczące routingu, a nie gwarancje jakości.

• Domyślne zachowanie zatrzymuje przetwarzanie, gdy strona zawiera już tekst drukowalny lub ukrytą warstwę OCR, ponieważ narzędzie nie potrafi z całkowitą pewnością odróżnić tych dwóch przypadków.
• Pomiń tekst (Skip text) kopiuje strony zawierające tekst bez żadnych modyfikacji, a pozostałe poddaje procesowi OCR. Opcja ta jest przydatna w plikach mieszanych wyłącznie wtedy, gdy istniejący tekst jest godny zaufania.
• Powtórz OCR (Redo OCR) usuwa istniejący, niedrukowalny tekst OCR i przeprowadza rozpoznawanie strony na nowo, pomijając drukowalny tekst wektorowy. Może to być dobre rozwiązanie dla plików łączących strony cyfrowe i wcześniej poddane OCR-owi, lecz nie rozpozna każdego nietypowego formatu z przeszłości.
• Wymuś OCR (Force OCR) rasteryzuje zawartość wektorową i przeprowadza OCR na powstałym obrazie. Pozwala to zastąpić wadliwą warstwę, ale wiąże się z utratą informacji i może spłaszczyć elementy interaktywne.

Zasady te pochodzą z dokumentacji błędów związanych z istniejącym tekstemdla wersji OCRmyPDF 17.12.1. Przed uruchomieniem przetwarzania wsadowego zapoznaj się z dokumentacją zainstalowanej wersji. Sama nazwa flagi nie jest dowodem na to, że w pliku wynikowym zachowano zakładki, tagi, łącza, formularze czy strukturę ułatwień dostępu.

W naszym pliku testowym tryb pomijania tekstu zachowałby celowo zniekształcony ukryty tekst ze strony czwartej. Właśnie dlatego weryfikacja metodą kopiowania i porównywania musi nastąpić przed wyborem trybu wsadowego.

Częste błędne założenia

„Jeśli tekst da się zaznaczyć, pomiń OCR”

Strona czwarta obala tę regułę. Zaznaczanie wykrywa jedynie obecność tekstu, a nie jego wierność.

„Przeprowadź OCR na całym pliku PDF dla pewności”

Może to obniżyć jakość czystych stron cyfrowych i doprowadzić do utraty przydatnych obiektów PDF. Zwiększa to również obszar wymagający weryfikacji, wcale nie naprawiając automatycznie semantycznej kolejności czytania.

„Wybierz ten wynik, który brzmi bardziej płynnie”

Kierowanie się płynnością bywa w tym przypadku zwodnicze. Zawsze porównuj tekst z widoczną stroną. Nie pozwól, aby model językowy po cichu poprawił identyfikator lub wartość liczbową, sprawiając, że uznasz ten wynik za wiarygodne źródło.

„Jedna poprawna strona świadczy o całym pliku”

Pliki PDF o mieszanej strukturze to norma: po cyfrowej okładce mogą następować zeskanowane rozdziały, a przeszukiwalna książka może zawierać wstawki będące wyłącznie obrazami. Odnotowuj decyzje z podziałem na zakresy stron.

Kryteria gotowości pliku PDF do tłumaczenia

Zanim przekażesz plik do procesu tłumaczenia, upewnij się, że spełnione są wszystkie poniższe warunki:

1. Każdy zakres stron został sklasyfikowany jako tekst cyfrowy, wyłącznie obraz lub istniejąca warstwa OCR.
2. Dla wadliwych istniejących warstw tekstu określono ścieżkę ich zastąpienia.
3. Nazwiska, liczby, identyfikatory i nietypowe terminy na sprawdzanych stronach są w pełni zgodne ze źródłem.
4. Kolejność akapitów i kolumn w wyodrębnionym tekście źródłowym zachowuje logiczny sens.
5. Tabele, ilustracje, przypisy i równania zostały zweryfikowane lub wyraźnie oznaczone jako osobne elementy.
6. Oryginalny plik PDF pozostaje dostępny do porównania po zakończeniu tłumaczenia.

Skorzystaj z osobnego poradnika diagnostyki kopiowania i wklejania , gdy plik PDF zawierający tekst sprawia problemy. Przejdź do instrukcji pracy z zeskanowanymi plikami PDF , jeśli strony zawierają wyłącznie obrazy, oraz do przewodnika po OCR dla dokumentów wielojęzycznych , gdy przyczyną błędów jest dobór języków.

Przetłumacz zweryfikowane źródło, a następnie sprawdź wynik

Jeśli Twoim ostatecznym celem jest przeczytanie całego dokumentu w innym języku, prześlij zweryfikowany plik PDF do narzędzia Tłumacz PDF. W przypadku stron zeskanowanych lub zawierających dużo grafiki tryb OCR w BookTranslator wyodrębnia rozpoznawalną treść i generuje przejrzysty, przetłumaczony plik PDF; nie gwarantuje on jednak idealnego zachowania pierwotnego układu strony, krojów czy rozmiarów czcionek ani naprawy każdej ukrytej warstwy tekstu.

Zachowaj zestawienie stron oraz oryginalny plik. Po przetłumaczeniu powtórz weryfikację elementów wysokiego ryzyka w dokumencie docelowym: nazwisk, ilości, identyfikatorów, pokrycia stron, kolejności akapitów i każdej kluczowej struktury. Lista kontrolna QA tłumaczenia PDF opisuje ten ostateczny etap odbioru.

Zasada przewodnia jest prosta: wyodrębniaj to, co jest już wiarygodne, stosuj OCR tylko tam, gdzie konieczne jest rozpoznawanie, i zastępuj warstwę tekstową dopiero wtedy, gdy udowodnisz, że zawiera błędy.