Fazer OCR em um PDF de Idioma Misto: Verifique Chinês, Inglês e Números Separadamente

Para fazer o OCR de um PDF de idioma misto, identifique os scripts na página, escolha uma ferramenta que possa processar o PDF com os idiomas de reconhecimento relevantes e, em seguida, verifique o texto extraído em comparação com a imagem. Verifique o texto em chinês, o texto em inglês, os números e as relações dos rótulos separadamente. Encontrar um título em inglês na pesquisa não indica se o corpo em chinês foi reconhecido.

Adicionar outro idioma vale a pena ser testado, mas não é automaticamente uma melhoria. Em nosso pequeno experimento em chinês e inglês, adicionar o inglês corrigiu um rótulo em inglês, mas danificou uma frase em chinês que a configuração apenas em chinês havia reconhecido. Nenhuma de nossas duas configurações de tabela retornou texto de uma tabela simples com linhas.

Isso não é um veredito sobre o OCR multilíngue em geral. É um motivo para avaliar a saída de que você precisa, e não o número de idiomas selecionados.

Primeiro, distingua texto ausente de texto incorreto

Mantenha o arquivo original inalterado. Em uma cópia, selecione uma frase de uma página representativa e cole-a em um editor de texto simples. Tente uma passagem em chinês e uma passagem em inglês, e não apenas o título do documento.

Uma camada de texto existente importa. Por exemplo, a documentação de OCR do NAPS2 diz que as páginas de PDF importadas que já contêm texto não são alteradas. Reimportar uma página com OCR incorreto, portanto, não é um método de reparo confiável nesse fluxo de trabalho.

Se o verdadeiro problema for uma digitalização de baixa resolução, curvada ou inclinada, corrija isso antes de interpretar uma comparação de configurações de idioma. Nosso guia mais amplo sobre PDFs digitalizados aborda essa preparação e as etapas posteriores de tradução.

Escolha os idiomas de reconhecimento, não um destino de tradução

O reconhecimento responde à pergunta “quais caracteres estão nesta página?”. A tradução responde à pergunta “como este conteúdo deve ser lido em outro idioma?”. Não peça ao OCR para simplificar silenciosamente o chinês tradicional, traduzir uma citação em inglês ou reescrever um identificador desconhecido.

Faça um inventário curto:

• Escrita em chinês: simplificado, tradicional ou ambos, incluindo títulos e notas.
• Texto em latim: frases em inglês, nomes de autores, referências, abreviações e números de modelo.
• Valores controlados: datas, casas decimais, unidades, sinais negativos, identificadores e códigos sensíveis a maiúsculas e minúsculas.
• Regiões: prosa, tabelas, legendas, notas de rodapé ou um apêndice em outro idioma.

Por exemplo, um relatório em chinês tradicional pode conter um resumo e referências em inglês. Um capítulo em chinês simplificado pode incluir uma tabela com A-01, 23.5, e °C. Nenhum dos dois deve ser avaliado verificando apenas o parágrafo em chinês mais longo.

O Tesseract fornece chi_sim, chi_tra, e eng modelos separados em seu repositório oficial de modelos. Sua documentação de comandos oferece suporte a seleções de idiomas combinados e observa que a ordem dos idiomas pode afetar os resultados. Essas são possibilidades de configuração, não garantias de que cada modelo adicional ajude.

Se o seu documento contiver colunas verticais em japonês e furigana, use o guia de OCR vertical em japonês. Esse é um problema diferente de layout e anotação, e não apenas mais uma caixa de seleção de idioma.

Use um fluxo de trabalho que realmente aceite PDFs

Uma rota de desktop: NAPS2

O NAPS2 oferece um caminho documentado para tornar PDFs digitalizados pesquisáveis:

1. Importe uma cópia do arquivo e abra suas configurações de OCR.
2. Baixe os idiomas de reconhecimento necessários para o documento.
3. Escolha Vários Idiomas e selecione os idiomas relevantes.
4. Ative o OCR para PDF pesquisável e salve em um novo arquivo.
5. Reabra esse arquivo e compare o texto em chinês, inglês e numérico copiado com a página visível.

A opção de vários idiomas aparece após o download de mais de um idioma. Estas etapas seguem o guia oficial do NAPS2; não realizamos um teste prático do NAPS2 para este artigo.

Uma rota de linha de comando: OCRmyPDF

Para um PDF em chinês simplificado/inglês apenas com imagens, um exemplo baseado na documentação oficial é:

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

Instale os pacotes de idiomas necessários primeiro. Use chi_tra para um teste em chinês tradicional, em vez de assumir que os scripts são intercambiáveis.

O manual do OCRmyPDF documenta as saídas de PDF e de texto secundário (sidecar). O texto secundário não é necessariamente o documento inteiro: o texto em páginas que já continham texto ou páginas ignoradas durante o OCR pode estar ausente. Verifique o próprio PDF de saída. OCRs incorretos existentes exigem um fluxo de trabalho de refação deliberado; não force a rasterização de cada página sem entender o que isso altera.

Esta é uma rota baseada em documentação, não em nosso ambiente de teste mensurado. Não executamos o OCRmyPDF aqui.

O Tesseract puro precisa de páginas renderizadas

Não use tesseract input.pdf ... como se fosse um leitor de PDF. O Tesseract não aceita entrada em PDF, embora possa produzir saída em PDF. O Tesseract.js tem a mesma distinção em relação à entrada de PDF: primeiro renderize as páginas com uma biblioteca de PDF e, em seguida, faça o reconhecimento das imagens.

Esse é o caminho usado para o nosso experimento abaixo. Ele produz texto e evidências em TSV, e não um PDF pesquisável testado.

O que aconteceu em dez chamadas locais de OCR

Criamos um PDF de três páginas contendo apenas imagens com:

1. prosa em chinês simplificado com referências em inglês, identificadores, decimais e unidades;
2. uma página correspondente em chinês tradicional;
3. uma pequena tabela em chinês e inglês com três linhas de dados.

O texto e os valores são materiais didáticos de autoria própria, e não arquivos de clientes ou medições reais. Cada alvo de prosa contém 124 caracteres de código sem espaços em branco, incluindo 41 caracteres Han. A tabela contém 79 caracteres de código sem espaços em branco.

As páginas de origem do PDF não tinham texto extraível. Nós as renderizamos usando o Poppler 26.08.0 a 300 dpi, produzindo imagens de 1600×1000 pixels. O tamanho da fonte era de 48 pixels em Noto Sans CJK SC/TC Regular. Toda a pontuação veio dos glifos horizontais comuns das fontes.

Em 8 de setembro de 2026, executamos o Tesseract.js 7.0.0 com tesseract.js-core 7.0.0 localmente no macOS ARM64. O oficial tessdata_fast os modelos foram fixados no commit 87416418657359cb625c412a48b6e1d6d41c29bd. Cada chamada usou OEM 1 e PSM 6, a configuração de bloco de texto uniforme, com a mesma imagem de página para cada comparação de idiomas.

Houve quatro receitas de idioma para cada página de prosa e duas para a tabela. Todas as dez chamadas foram concluídas; nenhum resultado foi descartado e nenhum parâmetro foi ajustado após a visualização da saída. Exato entradas, hashes de modelos, versões e resultados brutos e o instruções de reprodução estão disponíveis.

Uma configuração pode consertar um campo e danificar outro

Na página tradicional, chi_tra manteve todos os 41 caracteres Han em sequência, mas ainda cometeu erros não relacionados ao chinês. Por exemplo, alterou o rótulo em inglês Document ID para Document 1ID e leu incorretamente o símbolo de grau.

Adicionar eng restaurou Document ID, mas parte da frase de temperatura e massa tornou-se fragmentos com aparência latina:

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。

Os números sobreviveram nessa linha, enquanto o chinês ao redor não. Verificar apenas 23.5 e 1.08 teria perdido o dano.

A página simplificada mostrou um compromisso diferente. Adicionar inglês restaurou BK-2026-A07, que a execução apenas em chinês havia retornado como BK-2026-AO7. Mas também alterou 与 para 5 em outro lugar. O identificador visualmente ambíguo O0I1-l continuou errado.

Os seguintes diagnósticos mostram por que não declaramos um vencedor:

“Edições de sequências Han” compara apenas ideogramas chineses. O recurso não pontua inglês, pontuação ou espaçamento. “Strings protegidas encontradas” é apenas uma verificação de presença para os identificadores predefinidos, números, unidades e tokens de referência; ele não verifica a posição ou o relacionamento deles. As saídas exclusivamente em inglês demonstram a armadilha: a maioria das strings protegidas estava presente, mas nenhum dos caracteres chineses foi retornado.

O CSV de comparação completo também relata distâncias de edição de texto completo. A comparação aplica Unicode NFC e remove espaços em branco; ela não corrige pontuação, altera maiúsculas/minúsculas, converte scripts chineses ou reordena caracteres. Inverter a ordem dos idiomas alterou o espaçamento nestas saídas em prosa, mas não a sequência de caracteres normalizada. Essa observação não é uma regra geral sobre a ordem dos idiomas.

Uma tabela vazia não é uma extração bem-sucedida

Ambas as chamadas de tabela retornaram texto vazio, apesar de terem sido concluídas sem um erro de execução de OCR. Adicionar chinês não salvou a receita fixa de blocos uniformes.

Não testamos outros modos de segmentação, recortes de células ou um mecanismo de reconhecimento de tabela. Portanto, o resultado não mostram que o Tesseract não consegue ler tabelas. Eles mostram que alterar apenas o idioma de reconhecimento não resolveu esta amostra com as configurações que usamos.

Para uma tabela real, exija a relação completa Temperature → A-01 → 23.5 → °C, e não quatro tokens encontrados em algum lugar da página. Se a saída estiver em branco ou as relações não puderem ser verificadas, pare de tratá-la como uma transcrição confiável. Tente um fluxo de trabalho com reconhecimento de layout ou transcreva as células necessárias com referência à imagem.

O que este experimento não pode estabelecer

Estas são três páginas sintéticas limpas de uma família de fontes, revisadas por um agente escritor. Não houve revisão humana cega, corpus de documentos de produção ou teste de digitalizações desfocadas, caligrafia, tabelas complexas, texto vertical ou caracteres históricos.

Os resultados são contra-exemplos úteis a uma regra incondicional de "adicionar mais idiomas". Eles não são um ranking de motores, uma taxa de precisão geral ou uma previsão para o seu PDF. Este não foi um teste do BookTranslator, e o PDF de origem apenas com imagens não é uma cópia de leitura com OCR concluído.

Use uma verificação de aceitação em quatro partes no seu próprio arquivo

Baixe a ficha de revisão em branco. Escolha uma página que contenha a dificuldade real e, em seguida, adicione as seguintes verificações antes de processar o arquivo inteiro:

1. Texto em chinês: compare uma frase completa, incluindo caracteres menos comuns e as formas simplificadas/tradicionais pretendidas. Não normalize silenciosamente um caractere incorreto para aquele que você esperava.
2. Inglês e identificadores: inspecione nomes de autores, referências, abreviações, capitalização e caracteres semelhantes, como O/0 ou I/l/1. Um código desconhecido não é uma palavra para autocorreção.
3. Números e unidades: compare cada valor com seu sinal, ponto decimal, unidade e rótulo. 0.05 e 0.50 devem permanecer distintos; um 23.5 reconhecido sem a unidade correta está incompleto.
4. Relações e integridade: verifique se cada parágrafo ou linha de tabela pertence ao lugar esperado. Confirme se legendas, notas e pequenas passagens em um segundo idioma estão presentes, e não apenas o texto principal.

Registre o texto original, o resultado observado, a página/região e a ação necessária. Quando uma configuração melhora uma verificação, mas piora outra, mantenha ambas as observações. Não aceite o arquivo com base em uma única pontuação de confiança ou contagem média de caracteres.

Separe três resultados: utilizável tal como está para o seu propósito declarado, precisa de correções específicas ou ainda não é confiável. Uma tarefa de consulta pode precisar de apenas um trecho verificado; uma cópia de leitura completa exige a cobertura de todo o documento, e não apenas de uma página de rosto limpa.

Traduza apenas depois de saber o que a fonte diz

Se a busca e o texto original copiável resolverem o seu problema, pare por aí. O OCR já fez o seu trabalho; a tradução é uma decisão separada.

Se precisar ler o documento completo em outro idioma, mantenha o escaneamento original e o texto corrigido como referências, e siga o fluxo de tradução de PDF digitalizado. Para um arquivo elegível, tradutor de PDF do BookTranslator pode ser o próximo passo. Seu modo OCR reconstrói o conteúdo traduzido em vez de prometer uma correspondência exata com o layout da página original; ele não elimina a necessidade de verificar o texto recuperado e as relações das tabelas.

Após a tradução, use o checklist de QA de tradução de PDF para distinguir um erro de reconhecimento da fonte de um erro de tradução ou de layout. Corrigir a etapa errada é como um erro perceptível sobrevive até o arquivo final.