Como Corrigir Quebras de Linha e Hifenação de OCR Antes da Tradução

Para corrigir quebras de linha de OCR, identifique primeiro o texto que pertence a um único parágrafo. Substitua apenas as quebras de linha indesejadas por espaços. Para uma palavra dividida entre linhas, decida individualmente 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 registo de alterações e compare as junções duvidosas com a página original.

Não execute comandos como "remover todas as quebras de linha" ou "eliminar todos os hífenes" num livro inteiro. Um excerto limpo pode parecer mais fluido e, ainda assim, perder um parágrafo, juntar dois itens de uma lista ou alterar um identificador técnico. O objetivo é obter uma cópia de leitura ou tradução fiável — não o menor número possível de carateres de nova linha.

Este guia começa após o reconhecimento de texto. Se ao copiar de um PDF obtiver letras ou números incorretos, comece por diagnosticar a sua camada de texto. Alterar as quebras de linha não transforma um B-2O4 mal reconhecido no B-204.

Decida o que cada quebra de linha representa

Mantenha a digitalização original e o excerto em bruto inalterados. Numa cópia de trabalho, ative a visualização de espaços em branco ou marcas de parágrafo no editor. Redimensione a janela do editor: uma linha cujo texto se ajusta sem uma quebra de linha gravada está apenas a moldar-se ao ecrã; não há nada para apagar.

As quebras de linha gravadas requerem uma verificação diferente. Compare um parágrafo contínuo, um título, uma lista e qualquer disposição de página visivelmente diferente com a imagem da página. Não deduza a estrutura de todo o documento apenas pela página de rosto.

Linhas em branco e avanços podem ajudar a identificar parágrafos, mas são pistas e não garantias. Um título pode não ter uma linha em branco a seguir. Uma linha com avanço pode ser a continuação de uma lista e não um novo parágrafo. Uma linha curta terminada num ponto final pode ser a última linha de um parágrafo ou apenas uma frase a meio dele.

Se as exportações de OCR fornecerem informações sobre o esquema de página ou blocos, mantenha-as durante a verificação do texto. Uma simples exportação em texto simples pode descartar as evidências necessárias para reconstruir esses limites.

Separar palavras divididas de hífenes autênticos

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 caráter que, de outro modo, seria difícil de ver. O Unicode distingue o HÍFEN VIRTUAL U+00AD, um marcador discricionário de quebra no interior de palavras, de um hífen visível como o HÍFEN U+2010. Estes carateres não são permutáveis. A especificação de quebras de linha do Unicode também descreve alterações ortográficas dependentes do idioma numa quebra; eliminar um hífen visível e concatenar as letras nem sempre é suficiente.

Para prosa comum, remover um marcador discricionário verificado pode produzir uma cópia de leitura útil. Para uma transcrição de arquivo, retenha o original em separado: remover um marcador altera o texto codificado, mesmo que a palavra pareça inalterada.

Utilize um dicionário no idioma de origem para verificar uma hipótese de grafia e, em seguida, volte ao excerto. Uma entrada de dicionário serve como elemento de suporte, não como autorização para substituir um nome, um identificador ou uma grafia histórica. Ocorrências repetidas no documento também ajudam, mas um erro de OCR pode repetir-se de forma consistente.

Por exemplo, o nosso exemplo em alemão é:

Die Auf-
gabe ist klar.

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

Trate URLs, códigos de catálogo, fórmulas químicas, valores negativos e outros tokens técnicos como casos de revisão à parte. A manutenção ou não de um travessão ou hífen deve respeitar o original e o significado do token, e não uma heurística baseada em palavras inglesas.

O que doze exemplos controlados demonstram

Criámos uma demonstração de limpeza descarregável com doze sequências de texto originais. As palavras pretendidas e a sua estrutura foram definidas aquando da sua redação; em seguida, inserimos quebras de linha selecionadas e artefactos de hifenização. Trata-se de exemplos de texto sintéticos, não de resultados de um motor de OCR ou de digitalizações de um livro.

A abordagem de referência, deliberadamente básica, efetua três substituições: remove a combinação de hífen e quebra de linha, substitui as restantes quebras de linha por espaços e remove hífens virtuais (soft hyphens). Um segundo fluxo aplica apenas alterações aprovadas individualmente ao texto exato. Não faz qualquer tentativa de reconhecer parágrafos ou determinar a grafia das palavras de forma automática.

A 3 de outubro de 2026, a execução do teste com o Node.js 25.2.1 gerou texto correspondente à referência em 4 de 12 exemplos sob a abordagem de base simplista. O método aprovado correspondeu a todas as doze referências e restaurou todas as doze entradas através da anulação. Também rejeitou entradas desatualizadas, correspondências não exclusivas e correspondências em falta.

Esses resultados testam a aplicação exata de patches em relação a referências de autoria conhecidas. Não estimam a precisão no mundo real: as decisões aprovadas já contêm as respostas e o corpus foi deliberadamente escolhido para expor casos de falha. Não testámos um módulo de limpeza comercial, motor de OCR, modelo de tradução ou envio para o BookTranslator. Não houve repetições nem amostras excluídas.

Transfira os dados reais de entrada/saída e o registo de patches e as instruções de reprodução. O JavaScript é executado localmente sem dependências ou chamadas de rede e apresenta os resultados; não reescreve os seus ficheiros. As suas verificações evitam que uma edição aprovada seja aplicada a um texto diferente. Não conseguem indicar se uma edição está linguisticamente correta.

Limpar um bloco verificado de cada vez

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

1. Guarde uma cópia em bruto e registe a localização de origem. Mantenha o nome do ficheiro, o número da página, o parágrafo ou bloco e o idioma em cada excerto revisto.
2. Marque primeiro os limites estruturais. Separe títulos, itens de lista, versos, tabelas e código da prosa comum. Preserve as referências de página fora do texto de leitura caso venha a remover os respetivos marcadores.
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 num duplicado indesejado.
4. Reveja as palavras divididas separadamente. Apresente o termo completo e a frase envolvente. Registe «remover hífen de formatação», «manter hífen genuíno» ou «não resolvido». Não trate um caso não resolvido como uma alteração aprovada.
5. Inspecione a comparação de diferenças antes de a aceitar. Compare cada quebra ou hífen removido com o original. Guarde a versão corrigida com um novo nome de ficheiro, juntamente com as decisões tomadas.
6. Volte a abrir e copie a partir do resultado guardado. Verifique o ficheiro real que vai utilizar, e não apenas a pré-visualização do editor.

Para um excerto curto, edições manuais com controlo de alterações ou uma comparação de antes/depois podem ser suficientes. Para um excerto mais longo, uma lista de alterações deve registar a substring original exata, a substituição, a localização, o motivo e o revisor. Um checksum do ficheiro de origem ajuda a evitar a aplicação de aprovações antigas após alterações no texto de entrada.

Se o seu editor oferecer um modo de limpeza que preserva parágrafos, teste esse modo nos blocos difíceis — não apenas na prosa fluida. Preservar mudanças de linha duplas não recuperará um limite de parágrafo que o OCR representou com uma única mudança de linha. Não elimine a indentação nem reduza todos os espaços antes de analisar tabelas e blocos de código.

Saiba quando voltar à imagem da página

A pontuação francesa ilustra por que razão a deteção do fim de uma frase não equivale à deteção de um parágrafo. No nosso exemplo original, Il attend… e Le lendemain, il part. pertencem a parágrafos distintos. As reticências, por si só, não definem esse limite. As orientações do Office québécois de la langue française sobre points de suspension descrevem utilizações que incluem a interrupção ou uma ideia incompleta; utilize a estrutura da página para decidir se deve ou não unir a linha seguinte.

Torne obrigatória a revisão da imagem original para estes casos:

Se várias páginas apresentarem o mesmo problema, procure esse padrão em todo o documento e reveja as correspondências. Se as letras de origem, a ordem de leitura ou passagens inteiras estiverem incorretas, interrompa a normalização e reveja o reconhecimento ou a extração. Para o reconhecimento em múltiplos idiomas, utilize o fluxo de trabalho de OCR para PDF em vários idiomas.

Verifique o texto original limpo antes de o traduzir

Compare um bloco editado com a página original, depois verifique um bloco diferente e cada tipo estrutural distinto presente no extrato. Mantenha os erros conhecidos no conjunto de revisão. A amostragem fornece dados sobre as passagens verificadas; não certifica o restante do livro.

• Confirme que nomes, números, datas e códigos continuam a corresponder ao original.
• Verifique cada hífen removido e qualquer grafia reconstruída através de uma quebra.
• Compare os limites de parágrafos, cabeçalhos, itens de lista e versos.
• Confirme que as primeiras e últimas linhas se mantiveram em cada transição de página.
• Pesquise por casos não resolvidos e mantenha-os visíveis no registo de revisão.
• Assegure-se de que a versão final guardada é a que o seu fluxo de trabalho seguinte recebe.

Se tudo o que precisava era de texto pesquisável ou notas, este extrato verificado pode ser o resultado final. Não necessita de tradução para o corrigir.

Se precisar do documento noutro idioma, prepare o conteúdo verificado num formato de documento suportado e utilize 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 a paginação original; não é um editor externo de limpeza de texto nem uma prova de que todas as quebras do original foram interpretadas corretamente. O guia de PDFs digitalizados explica quando o reconhecimento é necessário.

Guarde as páginas originais e o registo de limpeza para a revisão final de CQ da tradução do PDF. Uma frase fluida no idioma de destino não lhe dirá se o original deveria conter um hífen verdadeiro — ou se duas frases aparentemente contínuas eram, na verdade, parágrafos separados.