Extragerea textului din PDF vs. OCR: Alege calea corectă înainte de traducere

Folosește extragerea textului atunci când un PDF conține deja text digital de încredere. Folosește OCR atunci când o pagină conține doar o imagine a textului. Dacă o pagină are un strat de text existent care este incorect, niciuna dintre reguli nu este suficientă: trebuie să compari cuvintele extrase cu pagina vizibilă înainte de a decide dacă păstrezi, înlocuiești sau refaci acel strat.

Această decizie trebuie luată înainte de traducere. Un motor de traducere nu poate recupera o cantitate, un nume sau o propoziție care a intrat greșit în fluxul de lucru. Poate traduce doar textul sursă pe care îl primește.

Tabelul decizional rapid

Testează paginile, nu doar fișierele. Un singur PDF poate combina o pagină de titlu digitală, capitole scanate și inserții cu OCR învechit.

Faptul că puteți selecta cuvinte este doar o dovadă că există un obiect de tip text. Nu demonstrează că textul corespunde paginii. În mod similar, un test eșuat de copiere nu dovedește că întregul PDF conține exclusiv imagini.

Testul nostru pe un PDF mixt de patru pagini

Am creat un PDF de patru pagini descărcabil cu un conținut cunoscut. Acesta nu conține documente private sau aparținând unor terți:

1. o pagină digitală nativă;
2. o pagină exclusiv imagine;
3. o pagină cu aspect de scanare și un strat de text ascuns corect;
4. o pagină cu aspect de scanare și un strat de text ascuns indus intenționat în eroare.

Pentru fiecare pagină, am rulat Poppler pdftotext pe datele PDF existente. Separat, am randat pagina la 300 dpi și am rulat Tesseract pe acea imagine. Referința vizibilă a fost stabilită înainte de ambele teste.

Ideea nu este că Tesseract câștigă întotdeauna. A făcut-o pe această mostră clară în limba engleză deoarece am construit pagina special pentru a izola decizia. Pe scanări cu zgomot grafic, caractere neobișnuite, tabele, scris de mână sau machetări complicate, un nou OCR poate eșua în moduri diferite.

Sunt disponibile rezultatele pagină cu pagină, tabelul de decizie, notele de reproducereși generatorul sunt disponibile odată cu fișierul de test. La 21 septembrie 2026, versiunile înregistrate erau Poppler pdftotext 26.08.0 și Tesseract 5.5.3.

Ce demonstrează testul — și ce nu

Demonstrează că patru pagini perfect lizibile vizual pot necesita trei căi diferite de pregătire înainte de traducere. De asemenea, demonstrează că textul căutabil poate să difere de cel din pagină, părând totuși plauzibil.

Testul nu măsoară acuratețea generală a OCR-ului, accesibilitatea pentru cititori, recuperarea tabelelor, recunoașterea multilingvă sau comportamentul de încărcare din BookTranslator. Paginile sunt simple, iar erorile de pe pagina a patra au fost introduse deliberat; Tesseract nu le-a generat.

De ce extracția și OCR-ul sunt operațiuni diferite

Extracția de text citește obiectele de text deja stocate în PDF. OCR-ul recunoaște caracterele din pixeli. Actualul ghid de extracție pypdf trasează aceeași delimitare: pypdf poate citi un strat de text existent, dar nu poate recunoaște cuvinte dintr-o imagine.

Această distincție este importantă deoarece un PDF digital nativ poate conține informații pe care rasterizarea le elimină sau le face mai greu de recuperat: codificări de caractere, informații despre fonturi, linkuri, grafică vectorială și alte obiecte din document. pypdf recomandă explicit să nu se trateze OCR-ul ca pe o soluție universală pentru fișierele digitale native. De asemenea, explică o altă limitare: fișierele PDF stochează de obicei textul pentru afișarea vizuală, nu ca paragrafe, tabele sau titluri structurate semantic.

Astfel, verificarea preliminară trebuie să răspundă la două întrebări independente:

1. Sunt caracterele corecte? Comparați numele, numerele, punctuația și termenii necunoscuți extrași cu ceea ce apare pe pagină.
2. Este structura utilizabilă? Citiți un paragraf complet, apoi inspectați coloanele, notele de subsol, tabelele, legendele și limitele dintre pagini.

Caracterele corecte, dar puse în ordine greșită, reprezintă în continuare o sursă compromisă pentru traducere.

Verificarea preliminară pagină cu pagină înainte de traducere

1. Păstrați originalul

Păstrați fișierul sursă nemodificat și notați-i valoarea hash dacă documentul este important. Rulați testele doar pe copii. Înlocuirea unui strat de text imperfect poate aplatiza conținutul vectorial sau poate elimina informații de care veți avea nevoie mai târziu.

2. Inventariați tipurile de pagini

Nu luați decizia doar pe baza primei pagini. Verificați paginile introductive, paginile obișnuite de text, anexele, tabelele, ilustrațiile, inserțiile și orice pagină care pare fotografiată sau fotocopiată.

Pentru un document lung, notați intervalele de pagini:

Fișierul CSV descărcabil folosește același model pentru eșantionul nostru.

3. Comparați tokenurile dificile, nu doar proza simplă

Propozițiile care par cursive nu sunt verificări concludente. Includeți:

• un nume de persoană;
• o dată și o cantitate;
• un identificator care combină litere și cifre;
• text cu diacritice sau caractere non-latine;
• o propoziție întreruptă de un sfârșit de rând;
• un pasaj aflat lângă o notă de subsol, o figură sau o a doua coloană.

Pagina patru din fișierul nostru de test ar părea utilizabilă dacă verificarea s-ar opri la cuvintele comune. Erorile sunt concentrate în O/0, 58/53și 7.5/7.8—exact tipul de elemente care pot denatura referințele și faptele după traducere.

4. Clasifică incertitudinea în mod onest

Folosește patru rezultate posibile: eșantion validat, eșantion eșuat, fără text extractibil sau netestat încă. „Selectabil” nu este un rezultat. La fel cum nu este nici „procesul OCR s-a încheiat”.

Eșantionarea are limite. Validarea a trei pagini nu garantează o carte de 400 de pagini, mai ales când fișierul conține scanări sau machete diferite. Crește gradul de acoperire în zonele în care sursa se schimbă.

Alege un mod OCRmyPDF doar după diagnosticare

Documentația actuală a OCRmyPDF descrie mai multe comportamente pentru paginile care conțin deja text. Acestea sunt opțiuni de rutare, nu garanții ale calității.

• Comportamentul implicit se oprește atunci când o pagină conține deja text imprimabil sau un strat OCR ascuns, deoarece nu poate distinge cu certitudine tipul găsit.
• Omite textul (Skip text) copiază paginile care conțin text fără a le modifica și aplică OCR pe restul paginilor. Este util pentru un fișier mixt doar atunci când textul existent este de încredere.
• Refă OCR (Redo OCR) elimină textul OCR existent non-imprimabil și recunoaște din nou pagina, excluzând în același timp textul vectorial imprimabil. Poate fi potrivit pentru o combinație de pagini digitale și pagini procesate anterior prin OCR, dar nu poate identifica orice aranjament istoric.
• Forțează OCR (Force OCR) rasterizează conținutul vectorial și aplică OCR pe imaginea rezultată. Poate înlocui un strat eșuat, dar sacrifică informații și poate aplatiza conținutul interactiv.

Această semantică provine din documentația privind erorile legate de textul existentdin OCRmyPDF 17.12.1. Citește documentația pentru versiunea instalată înainte de a rula o procesare în serie. Numele unui parametru nu constituie o dovadă că rezultatul a păstrat semnele de carte, etichetele, linkurile, formularele sau structura de accesibilitate.

În fișierul nostru de test, omiterea textului ar păstra textul ascuns eronat în mod deliberat de pe pagina patru. De aceea, etapa de copiere și comparare trebuie să aibă loc înainte de a selecta un mod de procesare în serie.

Greșeli frecvente

„Dacă textul este selectabil, sari peste OCR”

Pagina patru infirmă această regulă. Selectarea detectează existența, nu fidelitatea.

„Aplică OCR pe întregul PDF pentru siguranță”

Acest lucru poate degrada paginile digitale curate și poate elimina obiecte PDF utile. De asemenea, creează o suprafață mai mare de revizuire fără a corecta automat ordinea semantică de citire.

„Folosiți rezultatul care pare mai fluent”

Fluența este periculoasă în acest caz. Comparați textul cu pagina vizibilă. Nu lăsați un model lingvistic să repare în mod silențios un identificator sau o cantitate și să trateze apoi rezultatul ca pe o dovadă din sursă.

„O pagină curată este reprezentativă pentru întregul fișier”

PDF-urile mixte sunt frecvente: o copertă digitală poate precede capitole scanate, sau o carte cu text căutabil poate conține inserții formate exclusiv din imagini. Consemnați deciziile pe intervale de pagini.

Criteriile de validare pentru un PDF gata de traducere

Înainte de a trimite fișierul într-un flux de lucru pentru traducere, asigurați-vă că sunt îndeplinite toate condițiile următoare:

1. Fiecare interval de pagini este clasificat ca fiind digital, doar imagine sau cu OCR existent.
2. Straturile existente compromise au o soluție documentată de înlocuire.
3. Numele, numerele, identificatorii și termenii necunoscuți trec verificarea prin comparare cu sursa pe paginile eșantionate.
4. Ordinea paragrafelor și a coloanelor este lizibilă în textul sursă extras.
5. Tabelele, figurile, notele de subsol și ecuațiile sunt fie verificate, fie urmărite explicit ca elemente separate.
6. PDF-ul original rămâne disponibil pentru comparația de după traducere.

Consultați ghidul dedicat de diagnosticare prin copiere și lipire atunci când un PDF care conține text dă deja erori. Folosiți fluxul de lucru pentru PDF-uri scanate când paginile conțin doar imagini și ghidul OCR pentru limbi mixte atunci când selectarea limbii este o cauză a eșecului.

Traduceți sursa verificată, apoi revizuiți rezultatul

Dacă obiectivul final este citirea unui document complet într-o altă limbă, încărcați PDF-ul verificat în PDF Translator. Pentru paginile scanate sau bogate în imagini, Modul OCR din BookTranslator extrage conținutul recognoscibil și reconstruiește un PDF tradus curat; acesta nu garantează păstrarea exactă a așezării în pagină, a fonturilor sau a dimensiunilor originale și nici repararea tuturor straturilor existente de text ascuns.

Păstrează inventarul paginilor și fișierul original. După traducere, repetă verificările cu risc ridicat pe documentul țintă: nume, cantități, identificatori, acoperirea paginilor, ordinea paragrafelor și orice structură esențială. Lista de verificare QA pentru traducerea PDF acoperă această etapă finală de recepție.

Regula de bază este simplă: extrage ceea ce este deja fiabil, aplică OCR doar la ce necesită recunoaștere și înlocuiește stratul de text numai după ce ai dovedit că este incorect.