Cum să corectezi întreruperile de rând și despărțirile în silabe din OCR înainte de traducere
Corectează textul OCR fragmentat fără a șterge cratimele reale, paragrafele, listele sau versurile. Folosește un flux de lucru reversibil și 12 exemple descărcabile.
Pentru a corecta întreruperile de rând din OCR, identifică mai întâi textul care aparține aceluiași paragraf. Înlocuiește doar sfârșiturile de rând nedorite cu spații. Pentru un cuvânt despărțit pe rânduri diferite, decide separat dacă elimini cratima sau o păstrezi: trans- urmat de lation devine translation, dar well- urmat de known devine well-known. Păstrează un jurnal al modificărilor și compară îmbinările incerte cu pagina originală.
Nu rula comenzi precum „elimină toate întreruperile de rând” sau „șterge toate cratimele” pe o carte întreagă. Un extras curățat poate părea mai cursiv, dar poate pierde un paragraf, îmbina două elemente dintr-o listă sau modifica un identificator tehnic. Scopul este obținerea unei copii fidele pentru lectură sau traducere — nu cel mai mic număr de caractere de linie nouă.
Acest ghid începe după recunoașterea textului. Dacă prin copierea dintr-un PDF obții litere sau cifre greșite, mai întâi verifică stratul de text. Modificarea întreruperilor de rând nu poate transforma un B-2O4 recunoscut greșit în caracterul dorit B-204.
Stabilește ce reprezintă fiecare întrerupere de rând
Păstrează neschimbate scanarea originală și extrasul brut. Într-o copie de lucru, activează în editor afișarea spațiilor albe sau a semnelor de paragraf. Redimensionează fereastra editorului: un rând care se rearanjează fără un caracter newline salvat este doar o încadrare vizuală pe ecran; nu este nimic de șters.
Caracterele newline salvate necesită o verificare diferită. Compară un paragraf continuu, un titlu, o listă și orice structură de pagină diferită cu imaginea paginii originale. Nu deduce structura întregului document doar din pagina de titlu.
| Ce reprezintă întreruperea | Acțiune recomandată | Dovada necesară |
|---|---|---|
| O trecere vizuală pe rândul următor între cuvinte din cadrul aceluiași paragraf | Înlocuiți întreruperea stocată cu un spațiu | Ambele rânduri aparțin aceluiași paragraf din sursă |
| O despărțire în interiorul unui cuvânt | Uniți fragmentele, eliminând de regulă cratima de așezare în pagină | Ortografia dorită, contextul sursă și orice regulă specifică limbii |
| O trecere la rând nou după o cratimă veritabilă de cuvânt compus | Eliminați întreruperea, păstrați cratima | Cuvântul păstrează acea cratimă indiferent de formatarea de sfârșit de rând |
| O delimitare de paragraf, titlu, element de listă sau vers | Păstrați delimitarea | Structura sursă, nu doar punctuația propoziției |
| O tranziție între coloane sau pagini cu ordine incertă | Lăsați nerezolvat și inspectați pagina | Continuarea, ordinea coloanelor, legendele și notele de subsol |
Rândurile goale și indentarea pot ajuta la identificarea paragrafelor, dar sunt indicii, nu garanții. Este posibil ca un titlu să nu aibă niciun rând gol după el. Un rând indentat poate fi continuarea unei liste, nu un paragraf nou. Un rând scurt care se termină cu punct poate fi fie ultimul rând al unui paragraf, fie o propoziție aflată la mijlocul unuia.
Dacă exporturile OCR oferă informații despre machetă sau blocuri, păstrați-le în timp ce verificați textul. Un simplu export în format text simplu poate elimina exact dovezile de care aveți nevoie pentru a reconstrui acele delimitări.
Separați cuvintele despărțite la capăt de rând de cratimele autentice
Trei cazuri similare vizual necesită editări diferite:
trans- → translation
lation
well- → well-known
known
trans\u00ADlation → translation in a verified reading copy
Ultimul rând folosește \u00AD pentru a evidenția explicit un caracter altfel greu de observat. Unicode distinge U+00AD SOFT HYPHEN, un marcator discreționar de despărțire în interiorul cuvântului, de o cratimă vizibilă precum U+2010 HYPHEN. Acestea nu sunt caractere interschimbabile. Specificația Unicode pentru întreruperea rândurilor descrie, de asemenea, modificări ortografice specifice limbii la o despărțire în silabe; simpla ștergere a unei cratime vizibile și concatenarea literelor nu este întotdeauna suficientă.
Pentru proza obișnuită, eliminarea unui marcator opțional verificat poate produce o copie ușor de citit. Pentru o transcriere de arhivă, păstrați originalul separat: eliminarea unui marcator modifică textul codificat, chiar dacă vizual cuvântul pare neschimbat.
Folosiți un dicționar în limba sursă pentru a verifica o variantă ortografică propusă, apoi reveniți la pasaj. O intrare de dicționar este o dovadă suplimentară, nu o permisiune de a suprascrie un nume, un identificator sau o grafie istorică. Aparițiile repetate în document sunt, de asemenea, utile, însă o eroare OCR se poate repeta la fel de consecvent.
De exemplu, eșantionul nostru în limba germană este:
Die Auf-
gabe ist klar.
Cuvântul vizat în acest exemplu redactat este Aufgabe; Intrarea din Duden indică despărțirea sa ca Auf|ga|be. Unirea segmentelor Auf- și gabe este pe deplin justificată aici. Acel singur exemplu nu constituie o regulă generală de eliminare a cratimelor în germană, iar ortografia dintr-un dicționar modern nu ar trebui să înlocuiască discret grafia dintr-o ediție mai veche.
Tratați URL-urile, codurile de catalog, denumirile chimice, valorile negative și alți termeni tehnici ca pe cazuri distincte de verificare. Păstrarea unei cratime sau a unei linii de pauză trebuie să respecte sursa și semnificația termenului respectiv, nu o euristică bazată pe limba engleză.
Ce demonstrează douăsprezece exemple controlate
Am creat o demonstrație descărcabilă de curățare a textului care conține douăsprezece șiruri de text originale. Cuvintele și structura lor vizată au fost definite în momentul redactării; ulterior, am inserat intenționat întreruperi de rând și artefacte de despărțire în silabe. Acestea sunt exemple de text sintetice, nu rezultate provenite dintr-un motor OCR sau din scanări ale unei cărți.
Abordarea de bază, intenționat simplistă, aplică trei înlocuiri: elimină secvența cratimă-urmată-de-linie-nouă, înlocuiește restul sfârșiturilor de rând cu spații și elimină cratimele condiționale (soft hyphens). O a doua abordare aplică doar modificări aprobate individual pe fragmente exacte de text. Aceasta nu încearcă să recunoască paragrafele sau să decidă automat ortografia cuvintelor.
| Eșantion | Abordare simplistă | Decizie aprobată |
|---|---|---|
| Rupere de rând în proză engleză | Unește corect cele două rânduri | Înlocuiește trecerea verificată pe rând nou cu un spațiu |
trans- / lation | Produce corect translation | Elimină cratima inserată și întreruperea de rând |
well- / known | Produce wellknown | Păstrează cratima autentică |
Germană Auf- / gabe | Produce corect Aufgabe | Unește doar această grafie verificată |
| U+00AD integrat | Elimină marcatorul opțional de despărțire | Elimină-l din această copie de lectură redactată |
| Puncte de suspensie în franceză, apoi un nou paragraf | Îmbină paragrafele | Păstrează delimitarea stabilită de autor |
| Listă numerotată, vers, cod și titlu | Aplatizează structurile distincte | Păstrează caracterele de linie nouă |
| Două paragrafe fără o linie goală | Le unește într-unul singur | Păstrează paragrafele stabilite de autor |
| Marcator de pagină neverificat | Aplatizează tranziția dintre pagini | Lasă-l intact până la verificarea ordinii |
Pe 3 octombrie 2026, rularea setului de teste cu Node.js 25.2.1 a produs un text identic cu referința pentru 4 din 12 exemple folosind abordarea de bază simplistă. Calea aprobată a corespuns tuturor celor douăsprezece referințe și a restaurat toate cele douăsprezece intrări prin funcția de anulare (undo). De asemenea, a respins intrările învechite, potrivirile non-unice și potrivirile lipsă.
Aceste rezultate testează aplicarea exactă a patch-urilor în raport cu referințe cunoscute, stabilite de autori. Ele nu estimează acuratețea din lumea reală: deciziile aprobate conțin deja răspunsurile, iar corpusul a fost ales în mod deliberat pentru a evidenția cazurile de eroare. Nu am testat un instrument comercial de curățare, un motor OCR, un model de traducere sau o încărcare în BookTranslator. Nu au existat reîncercări sau eșantioane excluse.
Descărcați fișierele reale de intrare/ieșire și jurnalul de patch-uri și instrucțiunile de reproducere. Codul JavaScript rulează local, fără dependențe sau apeluri de rețea, și afișează rezultatele; nu vă suprascrie fișierele. Verificările sale împiedică aplicarea unei modificări aprobate pe un text diferit. Ele nu vă pot spune dacă o modificare este corectă din punct de vedere lingvistic.
Curățați câte un bloc verificat pe rând
Începeți cu un bloc scurt de proză a cărui ordine de citire și ale cărui delimitări de paragrafe le puteți stabili clar. Nu începeți cu un capitol întreg care conține legende, citate, liste și note de subsol.
- Salvați o copie brută și notați locația sursei. Păstrați numele fișierului, numărul paginii, paragraful sau blocul și limba pentru fiecare pasaj revizuit.
- Marcați mai întâi delimitările structurale. Separați titlurile, elementele de listă, versurile, tabelele și codul de proza obișnuită. Păstrați referințele de pagină în afara textului de lectură dacă le eliminați ulterior marcajele.
- Uniți trecerile obișnuite pe rând nou dintre cuvinte în cadrul acelui bloc. Înlocuiți fiecare întrerupere de rând confirmată cu un spațiu. Verificați ca termenii să nu se fi lipit și ca un spațiu deja existent să nu se fi dublat deranjant.
- Revizuiți separat cuvintele despărțite. Afișați tokenul complet și propoziția înconjurătoare. Înregistrați „elimină cratima de așezare în pagină”, „păstrează cratima autentică” sau „nerezolvat”. Nu tratați un candidat nerezolvat ca pe o modificare aprobată.
- Inspectați diferențele (diff) înainte de a le accepta. Compară fiecare linie sau cratimă eliminată cu sursa. Salvează versiunea curățată sub un nume nou de fișier, alături de deciziile luate.
- Redeschide și copiază din rezultatul salvat. Verifică fișierul efectiv pe care îl vei folosi, nu doar previzualizarea din editor.
Pentru un fragment scurt, editările manuale cu urmărirea modificărilor sau o comparație înainte/după pot fi suficiente. Pentru un fragment mai lung, o listă de corecții ar trebui să înregistreze subșirul original exact, înlocuirea, locația, motivul și persoana care a revizuit. O sumă de control a sursei ajută la prevenirea aplicării aprobărilor vechi după ce conținutul inițial se schimbă.
Dacă editorul tău oferă un mod de curățare care păstrează paragrafele, testează acel mod pe blocurile dificile — nu doar pe proza cursivă. Păstrarea liniilor noi duble nu va recupera o delimitare de paragraf pe care OCR-ul a reprezentat-o printr-o singură linie nouă. Nu șterge indentările și nu comasa toate spațiile înainte de a analiza tabelele și blocurile de cod.
Află când să revii la imaginea paginii
Punctuația franceză ilustrează de ce detectarea sfârșitului de propoziție nu este același lucru cu detectarea paragrafului. În exemplul creat de noi, Il attend… și Le lendemain, il part. aparțin unor paragrafe separate. Punctele de suspensie singure nu stabilesc această delimitare. Ghidul Office québécois de la langue française privind punctele de suspensie descrie utilizări precum întreruperea sau o idee incompletă; folosește structura paginii pentru a decide dacă unești sau nu linia următoare.
Fă obligatorie verificarea pe baza imaginii sursă pentru următoarele situații:
| Candidat | De ce textul singur este insuficient | Ce trebuie comparat |
|---|---|---|
| Titlu urmat imediat de text cursiv | Este posibil ca nicio linie goală să nu fi supraviețuit extragerii | Fontul, alinierea, spațierea și rolul în secțiune |
| Un fragment care traversează o pagină sau o coloană | Un antet, o legendă sau o notă de subsol îl pot întrerupe | Ultima linie sursă, continuarea și ordinea de citire |
| Un nume, un cod, o cantitate sau un termen necunoscut | O unire plauzibilă poate schimba totuși sensul sau valoarea | Fiecare caracter, inclusiv tipul de cratimă și cifrele |
| O despărțire specifică unei limbi vechi sau istorice | Ortografia de la o întrerupere tipărită poate diferi de cuvântul legat | Ediția, grafia din sursă și o lucrare de referință adecvată pentru limba respectivă |
| Versuri, liste, tabele sau cod | Sfârșiturile de rând pot reda sensul sau structura | Așezarea în versuri, limitele elementelor, celulele și indentarea |
| Puncte de suspensie, abrevieri sau un rând final scurt | Punctuația nu dovedește poziția în cadrul paragrafului | Paragraful complet și blocurile înconjurătoare |
Dacă mai multe pagini prezintă aceeași problemă, căutați acel tipar în întregul document și verificați potrivirile. Dacă literele din sursă, ordinea de citire sau pasaje întregi sunt greșite, opriți normalizarea și reluați etapa de recunoaștere sau extragere. Pentru recunoașterea textelor în mai multe limbi, utilizați fluxul separat pentru OCR pe PDF-uri în limbi mixte.
Verificați sursa curățată înainte de a o traduce
Comparați un bloc editat cu pagina originală, apoi verificați un alt bloc și fiecare tip de structură distinct prezent în textul extras. Păstrați erorile cunoscute în eșantionul de verificare. Eșantionarea oferă indicii doar despre pasajele verificate; ea nu garantează restul cărții.
- Confirmați că numele, numerele, datele și codurile corespund în continuare cu originalul.
- Verificați fiecare cratimă eliminată și orice ortografie reconstruită peste o întrerupere de rând.
- Comparați limitele paragrafelor, titlurilor, elementelor de listă și versurilor.
- Confirmați că primele și ultimele rânduri s-au păstrat la fiecare trecere de la o pagină la alta.
- Căutați cazurile nerezolvate și păstrați-le vizibile în jurnalul de verificare.
- Asigurați-vă că versiunea salvată finală este cea pe care o preia următorul flux de lucru.
Dacă tot ce vă trebuia era un text căutabil sau notițe, acest extras verificat poate fi rezultatul final. Nu aveți nevoie de traducere pentru a-l repara.
Dacă aveți nevoie de document într-o altă limbă, pregătiți conținutul verificat într-un format de document compatibil și utilizați fluxul de lucru pentru traducerea documentelor complete. Modul OCR din BookTranslator reconstruiește un PDF tradus pornind de la conținutul recunoscut, în loc să reproducă macheta paginii originale; acesta nu este un editor extern de curățare a textului și nici o dovadă că fiecare întrerupere din sursă a fost interpretată corect. Consultați ghidul pentru PDF-uri scanate explică momentul în care recunoașterea este necesară.
Păstrați paginile originale și jurnalul de curățare pentru etapa finală de verificare a calității (QA) a traducerii PDF-ului. O frază tradusă fluent nu vă poate indica dacă textul sursă ar fi trebuit să conțină o cratimă autentică — sau dacă două propoziții aparent continue erau, de fapt, paragrafe separate.
Articole asociate
