Como corrigir quebras de linha e hifenização de OCR antes da tradução

Para corrigir quebras de linha de OCR, primeiro identifique o texto que pertence a um mesmo parágrafo. Substitua por espaços apenas os finais de linha indesejados. Para uma palavra dividida entre linhas, decida separadamente se deve remover o hífen ou mantê-lo: trans- seguido de lation torna-se translation, mas well- seguido de known torna-se well-known. Mantenha um registro de alterações e compare as junções duvidosas com a página original.

Não execute comandos como “remover todas as quebras de linha” ou “excluir todos os hifens” em um livro inteiro. Um trecho limpo pode parecer mais fluido, mas acabar perdendo um parágrafo, unindo dois itens de lista ou alterando um identificador técnico. O objetivo é obter uma cópia de leitura ou tradução confiável — e não a menor quantidade possível de caracteres de nova linha.

Este guia começa após o reconhecimento de texto. Se a cópia de um PDF resultar em letras ou números incorretos, primeiro faça o diagnóstico da camada de texto. Mudar quebras de linha não vai transformar um B-2O4 reconhecido incorretamente no desejado B-204.

Decida o que cada quebra de linha representa

Mantenha a digitalização original e o extrato bruto inalterados. Em uma cópia de trabalho, ative a exibição de espaços em branco ou marcas de parágrafo no editor. Redimensione a janela do editor: uma linha que se reajusta sem um caractere de nova linha armazenado está apenas quebrando na tela; não há nada para excluir.

As quebras de linha reais exigem uma verificação diferente. Compare um parágrafo contínuo, um título, uma lista e qualquer layout de página nitidamente diferente com a imagem original. Não deduza a estrutura de todo o documento apenas pela página de rosto.

Linhas em branco e recuos podem ajudar a identificar parágrafos, mas são apenas pistas, não garantias. Um título pode não ter linha em branco depois dele. Uma linha recuada pode ser a continuação de uma lista, e não um novo parágrafo. Uma linha curta terminada em ponto final pode ser a última linha de um parágrafo ou apenas uma frase no meio dele.

Se as exportações de OCR fornecerem informações de layout ou de blocos, mantenha-as enquanto verifica o texto. Uma exportação em texto simples por si só pode descartar as evidências necessárias para reconstruir esses limites.

Separe palavras divididas de hífens legítimos

Três casos visualmente semelhantes exigem edições diferentes:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

A última linha usa \u00AD para tornar explícito um caractere que, de outra forma, seria difícil de ver. O Unicode distingue U+00AD SOFT HYPHEN, um marcador de quebra condicional dentro da palavra, de um hífen visível como U+2010 HYPHEN. Esses caracteres não são intercambiáveis. A especificação de quebra de linha do Unicode também descreve alterações ortográficas dependentes do idioma em uma quebra; excluir um hífen visível e concatenar as letras nem sempre é suficiente.

Para textos em prosa comuns, remover um marcador discricionário verificado pode gerar uma cópia legível útil. Para uma transcrição arquivística, mantenha o original separadamente: remover um marcador altera o texto codificado, mesmo que a palavra pareça idêntica visualmente.

Consulte um dicionário no idioma de origem para verificar uma grafia candidata e, em seguida, volte ao trecho. Uma entrada de dicionário serve como evidência de apoio, e não como autorização para sobrescrever um nome próprio, um identificador ou uma grafia histórica. Ocorrências repetidas no documento também ajudam, mas um erro de OCR pode se repetir de maneira consistente.

Por exemplo, nossa amostra em alemão é:

Die Auf-
gabe ist klar.

A palavra pretendida neste exemplo formulado é Aufgabe; A entrada do Duden lista sua divisão como Auf|ga|be. Juntar Auf- e gabe se justifica aqui. Esse único exemplo não constitui uma regra geral de des-hifenização para o alemão, e a ortografia de um dicionário moderno não deve substituir silenciosamente a grafia de uma edição mais antiga.

Trate URLs, códigos de catálogo, fórmulas químicas, valores negativos e outros termos técnicos como casos de revisão à parte. A permanência de um travessão ou hífen deve respeitar o texto de origem e o significado do termo, e não uma heurística voltada para palavras em inglês.

O que doze exemplos controlados revelam

Criamos uma demonstração de limpeza para download contendo doze strings originais. As palavras e a estrutura pretendidas foram definidas no momento em que as elaboramos; em seguida, inserimos quebras de linha e artefatos de hifenização selecionados. Trata-se de exemplos de texto sintéticos, e não de resultados gerados por um mecanismo de OCR ou digitalizações de um livro.

A abordagem básica, propositalmente simplória, realiza três substituições: remove a sequência hífen-mais-quebra-de-linha, substitui as quebras de linha restantes por espaços e remove hífens suaves. Um segundo fluxo aplica apenas alterações aprovadas individualmente a trechos exatos. Ele não tenta reconhecer parágrafos nem decidir a ortografia das palavras de forma automática.

Em 3 de outubro de 2026, a execução do teste com o Node.js 25.2.1 produziu um texto correspondente à referência para 4 de 12 exemplos sob a linha de base simplificada. O fluxo aprovado correspondeu a todas as doze referências e restaurou todas as doze entradas por meio da reversão. Ele também rejeitou entradas desatualizadas, correspondências não exclusivas e correspondências ausentes.

Esses resultados testam a aplicação exata de patches em relação a referências conhecidas criadas por autores. Eles não estimam a precisão no mundo real: as decisões aprovadas já contêm as respostas, e o corpus foi escolhido deliberadamente para expor casos de falha. Não testamos uma ferramenta comercial de limpeza, mecanismo de OCR, modelo de tradução ou envio para o BookTranslator. Não houve novas tentativas nem amostras excluídas.

Baixe a entrada/saída real e o registro de patches e as instruções de reprodução. O JavaScript é executado localmente sem dependências ou chamadas de rede e imprime os resultados; ele não reescreve seus arquivos. Suas verificações impedem que uma edição aprovada seja aplicada a um texto diferente. Elas não são capazes de informar se uma edição está linguisticamente correta.

Limpe um bloco verificado de cada vez

Comece com um bloco curto de prosa cuja ordem de leitura e limites de parágrafo você possa definir. Não comece com um capítulo inteiro que contenha legendas, citações, listas e notas de rodapé.

1. Salve uma cópia bruta e registre o local de origem. Mantenha o nome do arquivo, número da página, parágrafo ou bloco e o idioma junto a cada trecho revisado.
2. Marque os limites estruturais primeiro. Separe títulos, itens de lista, versos, tabelas e código da prosa comum. Preserve as referências de página fora do texto de leitura se você remover os marcadores delas posteriormente.
3. Junte as quebras normais entre palavras dentro desse bloco. Substitua cada quebra confirmada por um espaço. Verifique se as palavras não ficaram coladas e se um espaço já existente não se transformou em uma duplicata indesejada.
4. Revise palavras divididas separadamente. Exiba o token completo e a frase ao redor. Registre "remover hífen de layout", "manter hífen original" ou "não resolvido". Não trate um caso não resolvido como uma alteração aprovada.
5. Inspecione a comparação de alterações (diff) antes de aceitá-la. Compare cada quebra ou hífen removido com o original. Salve a versão limpa com um novo nome de arquivo, junto com o registro das decisões.
6. Reabra e copie a partir do resultado salvo. Verifique o arquivo real que você vai usar, e não apenas a pré-visualização do editor.

Para um trecho curto, edições manuais com controle de alterações ou uma comparação de antes e depois podem ser suficientes. Para um trecho mais longo, uma lista de ajustes (patch list) deve registrar a substring original exata, a substituição, a localização, o motivo e o revisor. Um checksum do arquivo de origem ajuda a evitar a aplicação de aprovações antigas após alterações na entrada.

Se o seu editor oferecer um modo de limpeza que preserva parágrafos, teste esse modo nos blocos mais difíceis — não apenas no texto corrido. Preservar quebras de linha duplas não recuperará um limite de parágrafo que o OCR representou com uma quebra de linha simples. Não exclua o recuo nem agrupe todos os espaços antes de verificar tabelas e códigos.

Saiba quando voltar à imagem da página

A pontuação em francês ilustra por que a detecção de fim de frase não equivale à detecção de parágrafo. Em nosso exemplo criado, Il attend… e Le lendemain, il part. pertencem a parágrafos separados. As reticências, por si sós, não definem esse limite. O guia do Office québécois de la langue française sobre reticências (points de suspension) descreve usos que incluem interrupção ou uma ideia incompleta; use a estrutura da página para decidir se deve ou não unir a linha seguinte.

Torne a revisão da imagem original obrigatória para estes casos:

Se várias páginas apresentarem o mesmo problema, pesquise esse padrão por todo o documento e revise as ocorrências encontradas. Se letras de origem, a ordem de leitura ou trechos inteiros estiverem incorretos, interrompa a normalização e reavalie o reconhecimento ou a extração. Para reconhecimento em múltiplos idiomas, use o fluxo de trabalho de OCR para PDFs com vários idiomas.

Verifique o texto de origem limpo antes de traduzi-lo

Compare um bloco editado com a página original, depois verifique um bloco diferente e cada tipo estrutural distinto presente no conteúdo extraído. Mantenha as falhas conhecidas no conjunto de revisão. A amostragem fornece evidências sobre os trechos verificados; ela não atesta o restante do livro.

• Confirme se nomes, números, datas e códigos ainda correspondem ao original.
• Verifique cada hífen removido e qualquer grafia reconstruída ao longo de uma quebra.
• Compare os limites de parágrafos, títulos, itens de lista e versos.
• Confirme se as primeiras e últimas linhas foram preservadas em cada transição de página.
• Pesquise por casos não resolvidos e mantenha-os visíveis no registro de revisão.
• Certifique-se de que a versão final salva seja a mesma que o seu próximo fluxo de trabalho receberá.

Se tudo o que você precisava era de texto pesquisável ou notas, esse conteúdo extraído e verificado pode ser o resultado final. Você não precisa de tradução para corrigi-lo.

Se você precisa do documento em outro idioma, prepare o conteúdo verificado em um formato de documento compatível e use o fluxo de trabalho de tradução de documentos completos. O Modo OCR do BookTranslator reconstrói um PDF traduzido a partir do conteúdo reconhecido em vez de reproduzir o layout de página original; ele não é um editor externo de limpeza de texto nem uma garantia de que cada quebra do original foi interpretada corretamente. O guia de PDFs digitalizados explica quando o reconhecimento é necessário.

Guarde as páginas originais e o registro de limpeza para a etapa final de controle de qualidade da tradução do PDF. Uma frase fluida no idioma de destino não avisa se o original deveria conter um hífen de verdade — ou se duas frases aparentemente contínuas eram, na verdade, parágrafos separados.