Fazer OCR de um PDF Multilingue: Verificar Chinês, Inglês e Números Separadamente

Para fazer o OCR de um PDF multilingue, identifique os guiões na página, escolha uma ferramenta que possa processar o PDF com os idiomas de reconhecimento relevantes e, em seguida, verifique o texto extraído em relação à imagem. Verifique o texto em chinês, o texto em inglês, os números e as relações das etiquetas separadamente. Encontrar um título em inglês na pesquisa não indica se o corpo em chinês foi reconhecido.

Adicionar outro idioma vale a pena testar, não sendo automaticamente uma melhoria. Na nossa pequena experiência chinês-inglês, adicionar inglês corrigiu uma etiqueta em inglês mas danificou uma frase em chinês que a configuração exclusiva para chinês tinha reconhecido. Nenhuma das nossas duas configurações de tabela devolveu texto de uma tabela simples com linhas.

Isto não constitui um veredicto sobre o OCR multilingue em geral. É um motivo para avaliar o resultado de que necessita, em vez do número de idiomas selecionados.

Primeiro, distinga o texto em falta do texto incorreto

Mantenha o ficheiro original inalterado. Numa cópia, selecione uma frase de uma página representativa e cole-a num editor de texto simples. Experimente uma passagem em chinês e uma passagem em inglês, e não apenas o título do documento.

Uma camada de texto existente é importante. Por exemplo, a documentação de OCR do NAPS2 refere que as páginas de PDF importadas que já contêm texto não são alteradas. Reimportar uma página com OCR incorreto não é, portanto, um método de reparação fiável 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 definições de idioma. O nosso guia de PDF digitalizado aborda essa preparação e as etapas posteriores de tradução.

Escolha os idiomas de reconhecimento, não um destino de tradução

O reconhecimento responde a “que carateres estão nesta página?” A tradução responde a “como deve este conteúdo ser lido noutro idioma?” Não peça ao OCR que simplifique silenciosamente o chinês tradicional, traduza uma citação em inglês ou reescreva um identificador desconhecido.

Faça um pequeno inventário:

• Escrita chinesa: simplificada, tradicional ou ambas, incluindo títulos e notas.
• Texto latino: frases em inglês, nomes de autores, referências, abreviaturas 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 idioma separado.

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 deles deve ser avaliado verificando apenas o parágrafo em chinês mais longo.

O Tesseract fornece chi_sim, chi_tra, e eng modelos separados no seu repositório oficial de modelos. A sua documentação de comandos suporta seleções de idiomas combinados e observa que a ordem dos idiomas pode afetar os resultados. Estas são possibilidades de configuração, não garantias de que cada modelo adicional ajude.

Se o seu documento contiver colunas verticais em japonês e furigana, utilize o guia de OCR vertical em japonês. Isso é um problema diferente de layout e anotação, e não apenas outra 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 ficheiro e abra as respetivas definições de OCR.
2. Descarregue os idiomas de reconhecimento necessários para o documento.
3. Escolha Múltiplos Idiomas e selecione os idiomas relevantes.
4. Ative o OCR de PDF pesquisável e guarde num novo ficheiro.
5. Reabra esse ficheiro e compare o texto chinês, inglês e numérico copiado com a página visível.

A escolha de múltiplos idiomas aparece depois de descarregar mais do que um idioma. Estes passos seguem o guia oficial do NAPS2; não efetuámos um teste prático do NAPS2 para este artigo.

Uma rota de linha de comandos: 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 intermutáveis.

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 poderá estar ausente. Verifique o próprio PDF de saída. OCR incorreto existente requer um fluxo de trabalho de repetição deliberado; não force a rasterização de todas as páginas sem compreender o que isso altera.

Esta é uma rota baseada na documentação, não no nosso ambiente de teste aferido. Não executámos o OCRmyPDF aqui.

O Tesseract puro precisa de páginas renderizadas

Não utilize o 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 quanto à entrada em PDF: renderize primeiro as páginas com uma biblioteca de PDF e, em seguida, reconheça as imagens.

Esse é o caminho utilizado para a nossa experiência abaixo. Ele produz texto e evidências em TSV, e não um PDF pesquisável testado.

O que aconteceu em dez chamadas locais de OCR

Criámos um PDF de três páginas apenas com imagens contendo:

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 material pedagógico da nossa autoria, e não ficheiros de clientes ou medições reais. Cada destino de prosa contém 124 pontos de código sem espaços em branco, incluindo 41 caracteres Han. A tabela contém 79 pontos de código sem espaços em branco.

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

Em 8 de setembro de 2026, executámos o Tesseract.js 7.0.0 com tesseract.js-core 7.0.0 localmente em macOS ARM64. Os modelos oficiais tessdata_fast foram fixados ao commit 87416418657359cb625c412a48b6e1d6d41c29bd. Todas as chamadas utilizaram OEM 1 e PSM 6, a definição 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. As dez chamadas foram concluídas; nenhum resultado foi descartado e nenhum parâmetro foi ajustado após ver a saída. As entradas exatas, hashes de modelos, versões e resultados em bruto e os instruções de reprodução estão disponíveis.

Uma definição pode corrigir um campo e danificar outro

Na página tradicional, chi_tra reteve todos os 41 caracteres Han em sequência, mas ainda assim cometeu erros não relacionados com o chinês. Por exemplo, alterou a etiqueta em inglês Document ID para Document 1ID e leu mal o símbolo de grau.

Adicionar eng restaurou Document ID, mas parte da frase sobre temperatura e massa transformou-se em fragmentos com aspeto latino:

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 circundante não. Verificar apenas 23.5 e 1.08 teria feito perder os danos.

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

Os seguintes diagnósticos mostram porque não declarámos um vencedor:

«Edições de sequências Han» compara apenas ideogramas chineses. Não pontua inglês, pontuação ou espaçamento. «Strings protegidas encontradas» é apenas uma verificação de presença para os identificadores, números, unidades e tokens de referência predefinidos; não verifica a respetiva posição ou relação. As saídas exclusivamente em inglês demonstram a armadilha: a maioria das strings protegidas estava presente, mas nenhum dos carateres chineses foi devolvido.

O CSV de comparação completo também relata distâncias de edição de texto completo. A comparação aplica Unicode NFC e remove espaços em branco; não corrige a pontuação, altera maiúsculas/minúsculas, converte scripts chineses ou reordena carateres. Inverter a ordem dos idiomas alterou o espaçamento nestas saídas de prosa, mas não a sequência de carateres 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 devolveram texto vazio, apesar de terem terminado sem um erro de execução de OCR. Adicionar chinês não salvou a receita fixa de bloco uniforme.

Não testámos outros modos de segmentação, recortes de células ou um motor de reconhecimento de tabelas. 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 definições que utilizámos.

Para uma tabela real, é necessária a relação completa Temperature → A-01 → 23.5 → °C, e não quatro tokens encontrados algures na página. Se o resultado estiver em branco ou não for possível verificar as relações, deixe de o tratar como uma transcrição fiável. Experimente um fluxo de trabalho consciente do layout ou transcreva as células necessárias com recurso à imagem.

O que esta experiência não consegue determinar

Trata-se de três páginas sintéticas limpas de uma família de tipos de letra, revistas por um agente escritor. Não houve revisão humana cega, corpus de documentos de produção nem testes com digitalizações desfocadas, escrita à mão, tabelas complexas, texto vertical ou carateres históricos.

Os resultados são contra-exemplos úteis a uma regra incondicional de “adicionar mais idiomas”. Não constituem uma classificação de motores, uma taxa de precisão geral nem 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.

Utilize uma verificação de aceitação em quatro partes no seu próprio ficheiro

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

1. Texto em chinês: compare uma frase completa, incluindo carateres menos comuns e as formas simplificadas/tradicionais pretendidas. Não normalize silenciosamente um caráter incorreto para aquele que esperava.
2. Inglês e identificadores: inspecione nomes de autores, referências, abreviaturas, capitalização e carateres semelhantes, tais como O/0 ou I/l/1. Um código desconhecido não é uma palavra para correção automática.
3. Números e unidades: compare cada valor com o respetivo sinal, casa 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 local esperado. Confirme se as legendas, notas e pequenas passagens num segundo idioma estão presentes, e não apenas o texto principal.

Registe 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 ficheiro com base numa única pontuação de confiança ou contagem média de carateres.

Separe três resultados: utilizável tal como está para o seu objetivo declarado, necessita de correções específicas ou ainda não pode ser considerado fiável. Uma tarefa de consulta pode precisar apenas de uma passagem verificada; uma cópia de leitura completa requer a cobertura de todo o documento, e não apenas de uma página de rosto limpa.

Traduza apenas depois de saber o que o original diz

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

Se precisar de ler o documento completo noutro idioma, guarde o digitalizado original e o texto corrigido como referências e, em seguida, siga ofluxo de trabalho de tradução de PDF digitalizado. Para um ficheiro elegível, otradutor de PDF do BookTranslatorpode ser o passo seguinte. O seu modo de OCR reconstrói o conteúdo traduzido em vez de prometer uma correspondência exata com o esquema da página original; não elimina a necessidade de verificar o texto recuperado e as relações das tabelas.

Após a tradução, utilize alista de verificação de controlo de qualidade de tradução de PDFpara distinguir um erro de reconhecimento de fonte de um erro de tradução ou de esquema. Corrigir a etapa errada é a forma como um erro legível sobrevive até ao ficheiro final.