Karışık Dilli Bir PDF'yi OCR'dan Geçirme: Çince, İngilizce ve Sayıları Ayrı Ayrı Kontrol Edin

Karışık dilli bir PDF'yi OCR'dan geçirmek için sayfadaki alfabeleri belirleyin, PDF'yi ilgili tanıma dilleriyle işleyebilecek bir araç seçin ve ardından çıkarılan metni görselle karşılaştırın. Çince metni, İngilizce metni, sayıları ve etiket ilişkilerini ayrı ayrı kontrol edin. Aramada bir İngilizce başlığın bulunması, Çince gövdenin tanınıp tanınmadığını size söylemez.

Başka bir dil eklemek test etmeye değerdir, otomatik olarak bir iyileştirme değildir. Küçük Çince-İngilizce deneyimizde, İngilizce eklemek bir İngilizce etiketi düzeltmiş ancak yalnızca Çince yapılandırmanın tanıdığı bir Çince cümleye zarar vermiştir. İki tablo yapılandırmamızın hiçbiri basit çizgili bir tablodan metin döndürmedi.

Bu, genel olarak çok dilli OCR hakkında bir hüküm değildir. Seçilen dil sayısından ziyade, ihtiyacınız olan çıktıyı değerlendirmeniz için bir sebeptir.

İlk olarak eksik metni yanlış metinden ayırt edin

Orijinal dosyayı değiştirmeyin. Bir kopya üzerinde, temsilci bir sayfadan bir cümle seçin ve bunu düz metin düzenleyicisine yapıştırın. Yalnızca belge başlığını değil, bir Çince pasajı ve bir İngilizce pasajı deneyin.

Mevcut bir metin katmanı önemlidir. Örneğin, NAPS2'nin OCR belgeleri , halihazırda metin içeren içe aktarılan PDF sayfalarının olduğu gibi bırakıldığını söyler. Bu nedenle, kötü bir şekilde OCR'dan geçirilmiş bir sayfayı yeniden içe aktarmak, bu iş akışında güvenilir bir onarım yöntemi değildir.

Gerçek sorun düşük çözünürlüklü, kavisli veya eğri bir tarama ise, bir dil ayarı karşılaştırmasını yorumlamadan önce bunu düzeltin. Daha kapsamlı taranmış PDF kılavuzumuz bu hazırlığı ve sonraki çeviri aşamalarını kapsar.

Çeviri hedefini değil, tanıma dillerini seçin

Tanıma şu soruyu yanıtlar: “Bu sayfada hangi karakterler var?” Çevirisi ise şu soruyu yanıtlar: “Bu içerik başka bir dilde nasıl okunmalı?” OCR'den geleneksel Çinceyi sessizce basitleştirmesini, İngilizce bir alıntıyı çevirmesini veya yabancı bir tanımlayıcıyı yeniden yazmasını istemeyin.

Kısa bir envanter çıkarın:

• Çince yazı: başlıklar ve notlar dahil olmak üzere basitleştirilmiş, geleneksel veya her ikisi.
• Latin metni: İngilizce cümleler, yazar adları, referanslar, kısaltmalar ve model numaraları.
• Kontrollü değerler: tarihler, ondalık basamaklar, birimler, eksi işaretleri, tanımlayıcılar ve büyük-küçük harfe duyarlı kodlar.
• Bölgeler: düz metin, tablolar, resim yazıları, dipnotlar veya ayrı bir dilde ek.

Örneğin, geleneksel Çince bir rapor İngilizce bir özet ve referanslar içerebilir. Basitleştirilmiş Çince bir bölüm, şununla bir tablo içerebilir: A-01, 23.5, ve °C. Hiçbiri yalnızca en uzun Çince paragraf kontrol edilerek değerlendirilmemelidir.

Tesseract, resmi model havuzunda ayrı chi_sim, chi_tra, ve eng modelleri sunar resmi model deposu. Onun komut belgeleri birleştirilmiş dil seçimlerini destekler ve dil sırasının sonuçları etkileyebileceğini belirtir. Bunlar yapılandırma olasılıklarıdır, eklenen her modelin yardımcı olacağının garantisi değildir.

Belgeniz bunun yerine dikey Japonca sütunlar ve furigana içeriyorsa, şunu kullanın: Japonca dikey OCR kılavuzu. Bu, yalnızca başka bir dil seçeneği kutusu değil, farklı bir düzen ve açıklama sorunudur.

PDF'leri gerçekten kabul eden bir iş akışı kullanın

Masaüstü yöntemi: NAPS2

NAPS2, taranmış PDF'leri aranabilir hale getirmek için belgelenmiş bir yol sunar:

1. Dosyanın bir kopyasını içe aktarın ve OCR ayarlarını açın.
2. Belge için gereken tanıma dillerini indirin.
3. " Birden Fazla Dil " seçeneğini belirleyin ve ilgili dilleri seçin.
4. Aranabilir PDF OCR'sini etkinleştirin ve yeni bir dosya olarak kaydedin.
5. Bu dosyayı yeniden açın ve kopyalanan Çince, İngilizce ve sayısal metni görünen sayfa ile karşılaştırın.

Birden fazla dil seçeneği, birden fazla dil indirildikten sonra görünür. Bu adımlar, resmi NAPS2 kılavuzunutakip eder; bu makale için uygulamalı bir NAPS2 testi gerçekleştirmedik.

Komut satırı yöntemi: OCRmyPDF

Yalnızca resim içeren basitleştirilmiş Çince/İngilizce bir PDF için resmi belgelere dayanan bir örnek:

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

Önce gerekli dil paketlerini yükleyin. Betiklerin birbirinin yerine geçebileceğini varsaymak yerine geleneksel Çince testi için chi_tra kullanın.

Şu kaynak: OCRmyPDF tarif defteri , PDF ve yan metin (sidecar-text) çıktılarını belgeler. Yan metin mutlaka belgenin tamamı değildir: halihazırda metin içeren sayfalardaki veya OCR sırasında atlanan sayfalardaki metinler eksik olabilir. Çıktı PDF'sinin kendisini kontrol edin. Mevcut yanlış OCR, bilinçli bir yeniden yapma iş akışı gerektirir; neyi değiştirdiğini anlamadan her sayfanın rasterleştirilmesini zorlamayın.

Bu, ölçülen test ortamımız değil, belgelere dayalı bir yöntemdir. Burada OCRmyPDF çalıştırmadık.

Düz Tesseract işlenmiş sayfalara ihtiyaç duyar

Şunu kullanmayın: tesseract input.pdf ... sanki bir PDF okuyucusuymuş gibi. Tesseract PDF girdisi kabul etmez, her ne kadar PDF çıktısı üretebilse de. Tesseract.js de aynı PDF girdisi ayrımına sahiptir: sayfaları önce bir PDF kütüphanesiyle işleyin, ardından görselleri tanıyın.

Aşağıdaki denememiz için kullanılan yol budur. Test edilmiş aranabilir çıktılı bir PDF değil, metin ve TSV kanıtı üretir.

On yerel OCR çağrısında ne oldu

Şunu oluşturduk: üç sayfalık, yalnızca görsel içeren bir PDF şunları içeren:

1. İngilizce referanslar, tanımlayıcılar, ondalık sayılar ve birimler içeren basitleştirilmiş Çince düz metin;
2. karşılık gelen geleneksel Çince bir sayfa;
3. üç veri satırına sahip küçük bir Çince-İngilizce tablo.

Metin ve değerler müşteri dosyaları veya gerçek ölçümler değil, kendi yazdığımız öğretim materyalleridir. Her düz metin hedefi, 41 Han karakteri dahil olmak üzere 124 boşluk olmayan kod noktası içerir. Tablo 79 boşluk olmayan kod noktası içermektedir.

PDF'in kaynak sayfalarında çıkarılabilir metin yoktu. Bunları Poppler 26.08.0 kullanarak 300 dpi çözünürlükte işledik ve 1600×1000 piksel boyutunda görseller elde ettik. Yazı tipi boyutu Noto Sans CJK SC/TC Regular formatında 48 pikseldi. Tüm noktalama işaretleri yazı tiplerinin normal yatay gliflerinden geliyordu.

8 Eylül 2026 tarihinde, macOS ARM64 üzerinde yerel olarak tesseract.js-core 7.0.0 ile Tesseract.js 7.0.0 çalıştırdık. Resmi tessdata_fast modelleri şu şova sabitlendi: 87416418657359cb625c412a48b6e1d6d41c29bd. Her çağrı, her dil karşılaştırması için aynı sayfa görseliyle birlikte OEM 1 ve tekdüzen metin bloğu ayarı olan PSM 6'yı kullandı.

Her düz metin sayfası için dört, tablo için ise iki dil tarifi vardı. On çağrının tümü tamamlandı; hiçbir sonuç atılmadı ve çıktı görüldükten sonra hiçbir parametre ayarlanmadı. Kesin girdiler, model hash'leri, sürümler ve ham sonuçlar ve şu: yeniden üretim talimatları mevcuttur.

Bir ayar bir alanı düzeltirken diğerine zarar verebilir

Geleneksel sayfada, chi_tra art arda gelen 41 Han karakterinin tümünü korudu, ancak yine de Çince dışı hatalar yaptı. Örneğin, İngilizce etiketini Document ID 'den Document 1ID 'e değiştirdi ve derece işaretini yanlış okudu.

Eklemek eng şunu geri getirdi: Document ID, ancak sıcaklık ve kütle cümlesinin bir kısmı Latinceye benzer fragmanlar haline geldi:

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。

Çevredeki Çince kaybolurken o satırdaki sayılar hayatta kaldı. Yalnızca şunu kontrol etmek: 23.5 ve 1.08 hasarı gözden kaçırırdı.

Basitleştirilmiş sayfa farklı bir ödünleşim gösterdi. İngilizce eklemek şunu geri getirdi: BK-2026-A07, ki bunu yalnızca Çince çalıştırma şu şekilde döndürmüştü: BK-2026-AO7. Ancak aynı zamanda şunu da değiştirdi: 与 başka bir yerde 5 olarak. Görsel olarak belirsiz tanımlayıcı O0I1-l yanlış kaldı.

Aşağıdaki tanılar neden bir kazanan ilan etmediğimizi göstermektedir:

"Han dizisi düzenlemeleri" yalnızca Çince ideogramları karşılaştırır. İngilizceyi, noktalama işaretlerini veya boşlukları puanlamaz. "Korunan dizeler bulundu", önceden tanımlanmış tanımlayıcılar, sayılar, birimler ve referans belirteçleri için yalnızca bir varlık kontrolüdür; bunların konumunu veya ilişkisini doğrulamaz. Yalnızca İngilizce çıktılar tuzağı göstermektedir: korunan dizelerin çoğu mevcuttu, ancak Çince karakterlerin hiçbirinden sonuç alınamadı.

Eksiksiz karşılaştırma CSV dosyası ayrıca tüm metin düzenleme mesafelerini rapor eder. Karşılaştırma, Unicode NFC uygular ve boşlukları kaldırır; noktalama işaretlerini düzeltmez, büyük/küçük harf değiştirmez, Çince karakter setlerini dönüştürmez veya karakterleri yeniden sıralamaz. Dil sırasını tersine çevirmek, bu düz metin çıktılarındaki boşlukları değiştirmiş ancak normalleştirilmiş karakter dizisini değiştirmemiştir. Bu gözlem, dil sırası hakkında genel bir kural değildir.

Boş bir tablo başarılı bir çıkarma işlemi değildir

Her iki tablo çağrısı da, OCR yürütme hatası olmadan tamamlanmasına rağmen boş metin döndürdü. Çince eklemek, sabit tekdüzen blok tarifini kurtarmadı.

Diğer segmentasyon modlarını, hücre kırpımlarını veya bir tablo tanıma motorunu test etmedik. Bu nedenle sonuç etmez Tesseract'ın tabloları okuyamadığını gösterir. Yalnızca tanıma dilini değiştirmenin, kullandığımız ayarlar altında bu örneği çözmediğini gösterir.

Gerçek bir tablo için, eksiksiz ilişkiyi zorunlu kılın Temperature → A-01 → 23.5 → °C, sayfanın herhangi bir yerinde bulunan dört simgeyi değil. Çıktı boşsa veya ilişkiler doğrulanamıyorsa, buna güvenilir bir transkripsiyon olarak işlem yapmayı bırakın. Düzen farkındalığına sahip bir iş akışı deneyin veya gerekli hücreleri görüntüye bakarak transkribe edin.

Bu deneyin kanıtlayamadığı şeyler

Bunlar, bir yazar ajan tarafından incelenmiş, tek bir yazı tipi ailesinden alınmış üç temiz sentetik sayfadır. Körlemesine insan incelemesi, üretim belgesi derlemesi veya bulanık taramalar, el yazısı, karmaşık tablolar, dikey metinler ya da tarihi karakterler üzerinde bir test yapılmamıştır.

Sonuçlar, koşulsuz bir “daha fazla dil ekleyin” kuralına karşı faydalı karşı örneklerdir. Bunlar bir motor sıralaması, genel bir doğruluk oranı veya PDF'niz için bir öngörü değildir. Bu bir BookTranslator testi değildi ve yalnızca görüntü içeren kaynak PDF, OCR'ı tamamlanmış bir okuma kopyası değildir.

Kendi dosyanızda dört aşamalı bir kabul kontrolü kullanın

Şunu indirin: boş inceleme formu. Gerçek zorluğu içeren bir sayfa seçin, ardından tüm dosyayı işlemeden önce aşağıdaki kontrolleri ekleyin:

1. Çince metin: daha az yaygın karakterler ve hedeflenen basitleştirilmiş/geleneksel biçimler dahil olmak üzere tam bir cümleyi karşılaştırın. Yanlış bir karakteri beklediğiniz karakterle sessizce normalleştirmeyin.
2. İngilizce ve tanımlayıcılar: yazar adlarını, referansları, kısaltmaları, büyük/küçük harf kullanımını ve şunun gibi birbirine benzeyen karakterleri inceleyin: O/0 veya I/l/1. Yabancı bir kod, otomatik düzeltmeye tabi tutulacak bir kelime değildir.
3. Sayılar ve birimler: her değeri işareti, ondalık noktası, birimi ve etiketi ile karşılaştırın. 0.05 ile 0.50 farklı kalmalıdır; doğru birim olmadan tanınan bir 23.5 eksiktir.
4. İlişkiler ve eksiksizlik: her paragrafın veya tablo satırının beklendiği yerde olup olmadığını kontrol edin. Yalnızca ana metnin değil, resim yazılarının, notların ve küçük ikincil dil pasajlarının mevcut olduğunu onaylayın.

Orijinal metni, gözlemlenen sonucu, sayfayı/bölgeyi ve gerekli eylemi kaydedin. Bir yapılandırma bir kontrolü iyileştirirken diğerini kötüleştirdiğinde, her iki gözlemi de saklayın. Dosyayı tek bir güven puanına veya ortalama karakter sayısına dayanarak kabul etmeyin.

Üç sonucu birbirinden ayırın: Belirtilen amacınız için olduğu gibi kullanılabilir, belirli düzeltmelere ihtiyaç duyuyor veya henüz güvenilemez. Bir arama görevi yalnızca doğrulanmış tek bir pasaj gerektirebilir; eksiksiz bir okuma kopyası ise temiz bir kapak sayfasını değil, belgenin tamamının kapsanmasını gerektirir.

Yalnızca kaynağın ne söylediğini bildikten sonra çevirin

Arama ve kopyalanabilir orijinal metin sorununuzu çözüyorsa orada durun. OCR işini yapmıştır; çeviri ayrı bir karardır.

Belgenin tamamını başka bir dilde okumanız gerekiyorsa, orijinal taramayı ve düzeltilmiş metni referans olarak saklayın, ardından şu adımları izleyin: taranmış PDF çevirisi iş akışı. Uygun bir dosya için, BookTranslator'ın PDF çevirmeni bir sonraki adım olabilir. OCR modu, orijinal sayfa düzeniyle tam bir eşleşme vaat etmek yerine çevrilmiş içeriği yeniden oluşturur; kurtarılan metin ile tablo ilişkilerini kontrol etme ihtiyacını ortadan kaldırmaz.

Çeviriden sonra, PDF çevirisi Kalite Güvencesi kontrol listesini kullanarak bir kaynak tanıma hatasını çeviri veya düzen hatasından ayırt edin. Yanlış aşamayı düzeltmek, okunabilir bir hatanın son dosyada hayatta kalmasının yoludur.