OCR al unui PDF în limba mixtă: Verificați separat chineza, engleza și numerele

Pentru a efectua OCR pe un PDF în limba mixtă, identificați scripturile de pe pagină, alegeți un instrument care poate procesa PDF-ul cu limbile de recunoaștere relevante, apoi verificați textul extras în raport cu imaginea. Verificați separat textul în limba chineză, textul în limba engleză, numerele și relațiile etichetelor. Găsirea unui titlu în limba engleză în căutare nu vă spune dacă corpul în limba chineză a fost recunoscut.

Adăugarea unei alte limbi merită testată, nu este automat o îmbunătățire. În micul nostru experiment chinez-englez, adăugarea limbii engleze a corectat o etichetă în engleză, dar a deteriorat o propoziție chineză pe care configurația exclusiv chineză o recunoscuse. Niciuna dintre cele două configurații de tabel nu a returnat text dintr-un tabel simplu cu linii.

Acesta nu este un verdict privind OCR-ul multilingv în general. Este un motiv pentru a judeca rezultatul de care aveți nevoie, mai degrabă decât numărul de limbi selectate.

Mai întâi distingeți textul lipsă de textul incorect

Păstrați fișierul original neschimbat. Pe o copie, selectați o propoziție d dintr-o pagină reprezentativă și inserați-o într-un editor de text simplu. Încercați un pasaj în limba chineză și un pasaj în limba engleză, nu doar titlul documentului.

Un strat de text existent contează. De exemplu, documentația OCR a NAPS2 spune că paginile PDF importate care conțin deja text sunt lăsate în pace. Reimportarea unei pagini cu un OCR defectuos nu este, prin urmare, o metodă de reparare fiabilă în acest flux de lucru.

Dacă problema reală este o scanare de joasă rezoluție, curbată sau înclinată, remediați acest lucru înainte de a interpreta o comparație a setărilor de limbă. Ghidul nostru mai amplu pentru PDF-uri scanate acoperă această pregătire și etapele ulterioare de traducere.

Alegeți limbile de recunoaștere, nu o țintă de traducere

Recunoașterea răspunde la „ce caractere sunt pe această pagină?” Traducerea răspunde la „cum ar trebui să sune acest conținut în altă limbă?” Nu cereți OCR-ului să simplifice în tăcere chineza tradițională, să traducă un citat în engleză sau să rescrie un identificator necunoscut.

Faceți un inventar scurt:

• Scriere chineză: simplificată, tradițională sau ambele, inclusiv titluri și note.
• Text latin: propoziții în limba engleză, nume de autori, referințe, abrevieri și numere de model.
• Valori controlate: date, zecimale, unități, semne minus, identificatori și coduri sensibile la majuscule.
• Regiuni: proză, tabele, subtitluri, note de subsol sau o anexă în altă limbă.

De exemplu, un raport în chineză tradițională poate conține un rezumat și referințe în limba engleză. Un capitol în chineză simplificată poate include un tabel cu A-01, 23.5, și °C. Niciunul nu ar trebui evaluat verificând doar cel mai lung paragraf în chineză.

Tesseract oferă separat chi_sim, chi_tra, și eng modele în depozitul său oficial de modele. Documentația comenzilor sale acceptă selecții de limbi combinate și menționează că ordinea limbilor poate afecta rezultatele. Acestea sunt posibilități de configurare, nu garanții că fiecare model suplimentar ajută.

Dacă documentul dvs. conține în schimb coloane verticale în japoneză și furigana, folosiți ghidul de OCR vertical pentru japoneză. Aceasta este o problemă diferită de aspect și adnotare, nu doar un simplu bifare a unei alte limbi.

Folosiți un flux de lucru care acceptă efectiv fișiere PDF

O variantă desktop: NAPS2

NAPS2 oferă o cale documentată pentru a face PDF-urile scanate căutabile:

1. Importați o copie a fișierului și deschideți setările sale OCR.
2. Descărcați limbile de recunoaștere necesare pentru document.
3. Alegeți Multiple Languages și selectați limbile relevante.
4. Activați OCR-ul pentru PDF-uri căutabile și salvați într-un fișier nou.
5. Redeschideți acel fișier și comparați textul chinezesc, englezesc și numeric copiat cu pagina vizibilă.

Opțiunea pentru mai multe limbi apare după descărcarea a mai mult de o limbă. Acești pași urmează ghidul oficial NAPS2; nu am efectuat un test practic cu NAPS2 pentru acest articol.

O variantă în linie de comandă: OCRmyPDF

Pentru un PDF chinezesc simplificat/englezesc care conține doar imagini, un exemplu bazat pe documentația oficială este:

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

Instalați mai întâi pachetele lingvistice necesare. Folosiți chi_tra pentru un test în chineză tradițională, în loc să presupuneți că scripturile sunt interschimbabile.

Ghidul OCRmyPDF cookbook documentează ieșirile PDF și textul asociat (sidecar). Fișierul sidecar nu reprezintă neapărat întregul document: textul de pe paginile care aveau deja text sau paginile omise în timpul OCR poate lipsi. Verificați fișierul PDF de ieșire în sine. OCR-ul incorect existent necesită un flux de lucru deliberat de re-procesare; nu obligați rasterizarea fiecărei pagini fără să înțelegeți ce schimbă acest lucru.

Aceasta este o rută bazată pe documentație, nu mediul nostru de testare măsurat. Nu am rulat OCRmyPDF aici.

Tesseractul clasic are nevoie de pagini randate

Nu utiliza tesseract input.pdf ... ca și cum ar fi un cititor de PDF-uri. Tesseract nu acceptă fișiere PDF ca intrare, deși poate produce fișiere PDF ca ieșire. Tesseract.js are aceeași distincție în privința intrării PDF: randează mai întâi paginile cu o bibliotecă PDF, apoi recunoaște imaginile.

Aceasta este calea utilizată pentru experimentul nostru de mai jos. Produce dovezi sub formă de text și TSV, nu un PDF testat cu căutare activată.

Ce s-a întâmplat în zece apeluri locale de OCR

Am creat un PDF de trei pagini format exclusiv din imagini care conține:

1. proză în chineză simplificată cu referințe în engleză, identificatori, zecimale și unități de măsură;
2. o pagină corespunzătoare în chineză tradițională;
3. un mic tabel chinez-englez cu trei rânduri de date.

Textul și valorile sunt materiale didactice auto-create, nu fișiere ale clienților sau măsurători reale. Fiecare țintă de proză conține 124 de caractere fără spații albe, incluzând 41 de caractere Han. Tabelul conține 79 de caractere fără spații albe.

Paginile sursă ale PDF-ului nu aveau text extractibil. Le-am randedat folosind Poppler 26.08.0 la 300 dpi, producând imagini de 1600×1000 pixeli. Dimensiunea fontului a fost de 48 de pixeli în Noto Sans CJK SC/TC Regular. Toată punctuația a provenit din glifele orizontale obișnuite ale fonturilor.

La 8 septembrie 2026, am rulat Tesseract.js 7.0.0 cu tesseract.js-core 7.0.0 local pe macOS ARM64. Modelele tessdata_fast oficiale au fost fixate la commitul 87416418657359cb625c412a48b6e1d6d41c29bd. Fiecare apel a folosit OEM 1 și PSM 6, setarea pentru blocuri de text uniform, cu aceeași imagine de pagină pentru fiecare comparație de limbă.

Au existat patru rețete de limbă pentru fiecare pagină de proză și două pentru tabel. Toate cele zece apeluri s-au finalizat; niciun rezultat nu a fost eliminat și niciun parametru nu a fost ajustat după vizualizarea rezultatului. Intrările exacte, hash-urile modelelor, versiunile și rezultatele brute și instrucțiunile de reproducere sunt disponibile.

O setare poate remedia un câmp și poate deteriora altul

Pe pagina tradițională, chi_tra a păstrat toate cele 41 de caractere Han în secvență, dar a comis totuși erori non-chineze. De exemplu, a schimbat eticheta în engleză Document ID în Document 1ID și a interpretat greșit simbolul gradului.

Adăugarea eng a restabilit Document ID, dar o parte din propoziția referitoare la temperatură și masă s-a transformat în fragmente cu aspect latin:

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。

Numerele au supraviețuit în acea linie, în timp ce textul chinezesc din jur nu. Verificarea doar a 23.5 și 1.08 ar fi ratat deteriorarea.

Pagina simplificată a arătat un alt compromis. Adăugarea limbii engleze a restabilit BK-2026-A07, pe care rularea exclusiv în limba chineză o returnase ca BK-2026-AO7. Dar a modificat, de asemenea, 与 în 5 în altă parte. Identificatorul ambiguu vizual O0I1-l a rămas incorect.

Următoarele diagnostice arată de ce nu am declarat un câștigător:

„Editările secvenței Han” compară doar ideogramele chinezești. Nu punctează limba engleză, punctuația sau spațierea. „Șirurile protejate găsite” este doar o verificare a prezenței pentru identificatorii predefiniți, numere, unități și jetoane de referință; nu le verifică poziția sau relația. Rezultatele exclusiv în limba engleză demonstrează capcana: majoritatea șirurilor protejate au fost prezente, totuși niciunul dintre caracterele chinezești nu a fost returnat.

Completul CSV de comparație raportează, de asemenea, distanțele de editare pentru textul întreg. Comparația aplică Unicode NFC și elimină spațiile albe; nu remediază punctuația, nu schimbă majusculele/minusculele, nu convertește scrierile chinezești și nici nu reordonează caracterele. Inversarea ordinii limbilor a modificat spațierea în aceste rezultate în proză, dar nu și secvența de caractere normalizată. Această observație nu este o regulă generală privind ordinea limbilor.

Un tabel gol nu reprezintă o extracție reușită

Ambele apeluri de tabel au returnat text gol, în ciuda faptului că s-au finalizat fără o eroare de execuție OCR. Adăugarea limbii chineze nu a salvat rețeta fixă ​​cu blocuri uniforme.

Nu am testat alte moduri de segmentare, decupări de celule sau un motor de recunoaștere a tabelelor. Prin urmare, rezultatul nu arată că Tesseract nu poate citi tabele. Arată că simpla schimbare a limbii de recunoaștere nu a rezolvat acest eșantion în setările pe care le-am folosit.

Pentru un tabel real, este necesară relația completă Temperature → A-01 → 23.5 → °C, nu patru tokenuri găsite undeva pe pagină. Dacă rezultatul este gol sau relațiile nu pot fi verificate, încetați să îl tratați ca pe o transcriere demnă de încredere. Încercați un flux de lucru conștient de aspect sau transcrieți celulele necesare făcând referire la imagine.

Ce nu poate stabili acest experiment

Acestea sunt trei pagini sintetice curate dintr-o singură familie de fonturi, revizuite de un singur agent scriitor. Nu a existat nicio revizuire umană în orb, un corpus de documente de producție sau un test pentru scanări încețoșate, scris de mână, tabele complexe, text vertical sau caractere istorice.

Rezultatele sunt contraexemple utile la o regulă necondiționată de „adăugare a mai multor limbi”. Ele nu reprezintă o clasificare a motoarelor, o rată generală de precizie sau o prognoză pentru PDF-ul dumneavoastră. Acesta nu a fost un test BookTranslator, iar PDF-ul sursă doar cu imagini nu este o copie de lectură finalizată prin OCR.

Utilizați o verificare de acceptare în patru pași pe propriul fișier

Descărcați foaia de revizuire goală. Alegeți o pagină care conține dificultatea efectivă, apoi adăugați următoarele verificări înainte de a procesa întregul fișier:

1. Text chinezesc: comparați o propoziție completă, inclusiv caractere mai puțin obișnuite și formele simplificate/tradiționale dorite. Nu normalizați în mod silențios un caracter greșit în cel la care vă așteptați.
2. Engleză și identificatori: inspectați numele autorilor, referințele, abrevierile, scrierea cu majuscule și caracterele asemănătoare, cum ar fi O/0 sau I/l/1. Un cod necunoscut nu este un cuvânt care trebuie corectat automat.
3. Numere și unități: comparați fiecare valoare cu semnul, zecimala, unitatea și eticheta sa. 0.05 și 0.50 trebuie să rămână distincte; un 23.5 recunoscut fără unitatea corectă este incomplet.
4. Relații și completitudine: verificați dacă fiecare paragraf sau rând de tabel aparține locului unde este așteptat. Confirmați că subtitlurile, notele și pasajele mici în limba secundară sunt prezente, nu doar textul principal.

Înregistrați textul original, rezultatul observat, pagina/regiunea și acțiunea necesară. Atunci când o configurație îmbunătățește o verificare, dar o înrăutățește pe alta, păstrați ambele observații. Nu acceptați fișierul pe baza unui singur scor de încredere sau a unei medii a numărului de caractere.

Separă trei rezultate posibile: utilizabil ca atare pentru scopul propus, necesită corecții specifice sau nu poate fi încă de încredere. O sarcină de căutare poate necesita doar un singur pasaj verificat; o copie completă pentru lectură necesită acoperirea întregului document, nu doar a unei pagini de titlu curate.

Tradu doar după ce știi ce spune sursa

Dacă funcția de căutare și textul original care poate fi copiat îți rezolvă problema, oprește-te aici. OCR-ul și-a făcut treaba; traducerea este o decizie separată.

Dacă trebuie să citești documentul complet într-o altă limbă, păstrează scanarea originală și textul corectat ca referințe, apoi urmează fluxul de lucru pentru traducerea PDF-urilor scanate. Pentru un fișier eligibil, traducătorul PDF de la BookTranslator poate fi următorul pas. Modul său OCR reconstruiește conținutul tradus în loc să promită o potrivire exactă cu aspectul paginii originale; acesta nu elimină necesitatea de a verifica textul recuperat și relațiile dintre tabele.

După traducere, folosește lista de verificare QA pentru traducerea PDF-urilor pentru a distinge o eroare de recunoaștere a sursei de o eroare de traducere sau de așezare în pagină. Corectarea etapei greșite este modul în care o greșeală lizibilă supraviețuiește în fișierul final.