Trích xuất văn bản PDF và OCR: Chọn đúng hướng đi trước khi dịch thuật

Hãy dùng phương pháp trích xuất văn bản khi tệp PDF đã có sẵn văn bản chuẩn dạng máy đọc được đáng tin cậy. Hãy dùng OCR khi trang tài liệu chỉ chứa hình ảnh của chữ viết. Nếu một trang có lớp văn bản hiện hữu nhưng bị sai lệch, cả hai quy tắc trên đều chưa đủ: bạn cần đối chiếu các từ được trích xuất với trang hiển thị thực tế trước khi quyết định giữ lại, thay thế hay xử lý lại lớp văn bản đó.

Quyết định đó cần được đưa ra trước khi dịch. Công cụ dịch thuật không thể khôi phục lại số lượng, tên riêng hay câu văn đã bị đưa vào quy trình sai ngay từ đầu. Hệ thống chỉ có thể dịch chính xác những gì nó nhận được từ nguồn.

Bảng quyết định nhanh

Hãy kiểm tra theo từng trang chứ đừng chỉ kiểm tra cả tệp. Một tệp PDF duy nhất có thể xen lẫn trang bìa kỹ thuật số nguyên bản, các chương được quét lại và các trang chèn thêm chứa lớp OCR cũ.

Việc có thể bôi đen từ ngữ chỉ chứng minh rằng có đối tượng văn bản tồn tại. Điều đó không chứng minh văn bản khớp với nội dung trên trang. Ngược lại, việc không sao chép được văn bản cũng không khẳng định toàn bộ tệp PDF chỉ gồm toàn hình ảnh.

Thử nghiệm PDF kết hợp gồm bốn trang của chúng tôi

Chúng tôi đã tạo một tệp PDF bốn trang có thể tải xuống với nội dung đã được xác định trước. Tệp này không chứa tài liệu riêng tư hay của bên thứ ba nào:

1. một trang kỹ thuật số gốc;
2. một trang chỉ toàn hình ảnh;
3. một trang trông như bản quét nhưng có lớp văn bản ẩn chính xác;
4. một trang trông như bản quét với lớp văn bản ẩn cố tình làm sai lệch.

Với mỗi trang, chúng tôi chạy Poppler pdftotext trên dữ liệu PDF hiện có. Độc lập với thao tác đó, chúng tôi xuất trang thành hình ảnh ở độ phân giải 300 dpi và chạy Tesseract trên hình ảnh đó. Nội dung tham chiếu trực quan đã được cố định trước cả hai thử nghiệm.

Vấn đề không phải là Tesseract luôn vượt trội. Công cụ này hoạt động tốt trên tệp mẫu tiếng Anh rõ ràng này vì chúng tôi thiết kế trang để cô lập quá trình ra quyết định. Đối với các bản quét nhiều nhiễu, chữ viết khác lạ, bảng biểu, chữ viết tay hoặc bố cục phức tạp, việc chạy OCR mới có thể gặp lỗi theo nhiều cách khác nhau.

Phần kết quả theo từng trang, bảng hướng dẫn quyết định, ghi chú tái hiện, và công cụ tạo mẫu có sẵn trong bộ dữ liệu kiểm thử. Tính đến ngày 21 tháng 9 năm 2026, các phiên bản được ghi nhận là Poppler pdftotext 26.08.0 và Tesseract 5.5.3.

Bài kiểm tra chứng minh được điều gì—và không chứng minh điều gì

Nó chứng minh rằng bốn trang trông đều dễ đọc bằng mắt thường có thể đòi hỏi ba quy trình tiền dịch thuật hoàn toàn khác nhau. Nó cũng chứng minh rằng lớp văn bản cho phép tìm kiếm có thể sai lệch so với trang hiển thị mà thoạt nhìn vẫn rất hợp lý.

Nó không đo lường độ chính xác tổng quát của OCR, khả năng tiếp cận của người đọc, việc khôi phục bảng biểu, khả năng nhận dạng đa ngôn ngữ hay hành vi tải tệp lên của BookTranslator. Các trang tài liệu này khá đơn giản và các lỗi ở trang bốn được cố tình tạo ra; Tesseract không phải là bên gây ra chúng.

Tại sao trích xuất và OCR là hai thao tác khác nhau

Trích xuất văn bản đọc các đối tượng văn bản vốn đã được lưu sẵn trong PDF. OCR nhận dạng ký tự từ các điểm ảnh (pixel). Bản hướng dẫn trích xuất của pypdf hiện tại cũng phân định ranh giới tương tự: pypdf có thể đọc lớp văn bản sẵn có nhưng không thể nhận diện các từ ngữ nằm bên trong một hình ảnh.

Sự phân biệt đó rất quan trọng vì tệp PDF kỹ thuật số có thể chứa những thông tin mà việc raster hóa sẽ loại bỏ hoặc gây khó khăn cho việc khôi phục: mã hóa ký tự, thông tin phông chữ, liên kết, đồ họa vector và các đối tượng tài liệu khác. pypdf khuyên rõ ràng rằng không nên xem OCR là giải pháp vạn năng cho các tệp vốn được tạo bằng kỹ thuật số. Thư viện này cũng giải thích một hạn chế khác: PDF thường lưu trữ văn bản nhằm phục vụ việc sắp đặt vị trí hiển thị trực quan, chứ không phải dưới dạng các đoạn văn, bảng biểu hay tiêu đề có ngữ nghĩa.

Vì vậy, có hai câu hỏi độc lập cần được đặt ra trong bước kiểm tra sơ bộ:

1. Các ký tự có chính xác không? Hãy so sánh tên riêng, số liệu, dấu câu và các thuật ngữ lạ đã trích xuất với trang gốc.
2. Cấu trúc có sử dụng được không? Hãy đọc thử một đoạn văn hoàn chỉnh, sau đó kiểm tra các cột, chú thích cuối trang, bảng biểu, chú thích hình ảnh và ranh giới giữa các trang.

Ký tự dù đúng nhưng bị đảo lộn thứ tự thì vẫn là một văn bản nguồn hỏng, không thể dùng cho dịch thuật.

Quy trình kiểm tra sơ bộ từng trang trước khi dịch

1. Giữ nguyên tệp gốc

Hãy giữ lại một tệp nguồn nguyên bản và ghi lại mã hash nếu tài liệu đó quan trọng. Chỉ thử nghiệm trên các bản sao. Việc thay thế một lớp văn bản chưa hoàn hảo có thể làm phẳng nội dung vector hoặc vô tình xóa mất thông tin bạn cần sau này.

2. Phân loại các kiểu trang

Đừng vội quyết định chỉ dựa vào trang đầu tiên. Hãy lấy mẫu từ phần mở đầu, các trang nội dung thông thường, phụ lục, bảng biểu, hình minh họa, trang chèn và bất kỳ trang nào trông giống như được chụp lại hay photocopy.

Đối với tài liệu dài, hãy ghi lại các khoảng trang:

Tệp CSV có thể tải xuống áp dụng cùng cấu trúc này cho bộ dữ liệu mẫu của chúng tôi.

3. So sánh các chuỗi ký tự phức tạp, không chỉ các đoạn văn xuôi đơn giản

Những câu văn đọc trôi chảy chưa chắc đã là thước đo chuẩn xác. Hãy kiểm tra thêm:

• tên riêng của một người;
• ngày tháng và số lượng;
• mã định danh kết hợp cả chữ lẫn số;
• văn bản có dấu hoặc không thuộc hệ chữ Latinh;
• một câu ngắt qua dòng tiếp theo;
• đoạn văn nằm gần chú thích cuối trang, hình minh họa hoặc cột thứ hai.

Trang bốn trong tệp mẫu của chúng tôi thoạt nhìn có vẻ dùng được nếu việc kiểm tra chỉ dừng lại ở các từ thông dụng. Các lỗi tập trung ở O/0, 58/53, và 7.5/7.8—chính là kiểu chuỗi ký tự có thể làm sai lệch tài liệu tham khảo và dữ kiện sau khi dịch thuật.

4. Đánh giá mức độ bất định một cách trung thực

Hãy sử dụng bốn kết quả: mẫu đạt, mẫu hỏng, không có văn bản trích xuất được, hoặc chưa được kiểm tra. “Có thể bôi đen chọn văn bản” không phải là một kết quả. “OCR đã chạy xong” cũng vậy.

Việc lấy mẫu luôn có giới hạn. Việc ba trang đạt chuẩn không thể đảm bảo cho một cuốn sách dày 400 trang, đặc biệt là khi tệp chứa các bản scan hoặc bố cục khác nhau. Hãy tăng mật độ kiểm tra ở những phần tài liệu gốc có sự thay đổi.

Chỉ chọn chế độ OCRmyPDF sau khi đã chẩn đoán

Tài liệu hướng dẫn hiện tại của OCRmyPDF mô tả một số cơ chế xử lý đối với các trang vốn đã chứa văn bản. Đây là các tùy chọn định tuyến, không phải là cam kết đảm bảo chất lượng.

• Hành vi mặc định sẽ dừng lại khi một trang đã chứa văn bản có thể in hoặc một lớp OCR ẩn, vì nó không thể phân biệt một cách đáng tin cậy loại văn bản nào đang hiện diện.
• Skip text (Bỏ qua văn bản) sao chép nguyên trạng các trang có văn bản mà không sửa đổi và chỉ OCR các trang còn lại. Chế độ này chỉ hữu ích cho một tệp hỗn hợp khi văn bản hiện có thực sự đáng tin cậy.
• Redo OCR (Làm lại OCR) xóa văn bản OCR ẩn hiện có và nhận dạng lại trang, đồng thời loại trừ văn bản vector có thể in. Nó có thể phù hợp với tệp kết hợp giữa các trang kỹ thuật số và các trang đã OCR trước đó, nhưng không thể nhận diện được mọi cấu trúc trong lịch sử chỉnh sửa.
• Force OCR (Bắt buộc OCR) raster hóa nội dung vector thành hình ảnh rồi OCR hình ảnh đó. Chế độ này có thể thay thế một lớp văn bản bị lỗi, nhưng sẽ làm mất mát thông tin và có thể làm phẳng các nội dung tương tác.

Các ngữ nghĩa đó được trích từ tài liệu hướng dẫn xử lý lỗi văn bản hiện cócủa OCRmyPDF 17.12.1. Hãy đọc kỹ tài liệu dành cho phiên bản bạn đang cài đặt trước khi chạy xử lý hàng loạt. Tên của một cờ lệnh không phải là bằng chứng cho thấy đầu ra vẫn giữ nguyên dấu trang, thẻ tag, liên kết, biểu mẫu hay cấu trúc hỗ trợ tiếp cận.

Trong tệp mẫu của chúng tôi, tùy chọn skip-text sẽ giữ nguyên lớp văn bản ẩn vốn đã cố tình bị sai ở trang bốn. Đó là lý do bước kiểm tra sao chép và đối chiếu phải được thực hiện trước khi chọn chế độ xử lý hàng loạt.

Những ngộ nhận phổ biến

“Nếu văn bản bôi đen chọn được, hãy bỏ qua OCR”

Trang bốn đã chứng minh quy tắc đó là sai. Việc bôi đen chọn được chỉ cho thấy văn bản có tồn tại, chứ không phản ánh độ chính xác.

“Cứ OCR toàn bộ PDF cho chắc chắn”

Điều đó có thể làm giảm chất lượng các trang kỹ thuật số rõ nét và loại bỏ các đối tượng PDF hữu ích. Nó cũng tạo ra phạm vi cần rà soát lớn hơn mà không tự động sửa được thứ tự đọc ngữ nghĩa.

“Cứ dùng kết quả nào đọc trôi chảy hơn”

Sự trôi chảy trong trường hợp này rất nguy hiểm. Hãy đối chiếu với trang tài liệu trực quan. Đừng để mô hình ngôn ngữ âm thầm tự sửa một mã định danh hay số lượng rồi sau đó lại coi kết quả đó là bằng chứng từ nguồn gốc.

“Một trang rõ ràng đại diện cho cả tệp”

Các tệp PDF dạng hỗn hợp rất phổ biến: một trang bìa kỹ thuật số có thể đi trước các chương quét scan, hoặc một cuốn sách cho phép tìm kiếm có thể chứa các trang chèn chỉ toàn hình ảnh. Hãy ghi lại các quyết định xử lý theo từng phạm vi trang.

Tiêu chuẩn phê duyệt cho tệp PDF sẵn sàng dịch

Trước khi đưa tệp vào quy trình dịch thuật, hãy đảm bảo đáp ứng tất cả các yêu cầu sau:

1. Mọi phạm vi trang đều được phân loại là kỹ thuật số, chỉ có hình ảnh hoặc đã có sẵn lớp OCR.
2. Các lớp văn bản sẵn có bị lỗi đều có phương án thay thế được ghi chép rõ ràng.
3. Tên riêng, số liệu, mã định danh và các thuật ngữ lạ đều vượt qua bước đối chiếu với bản gốc trên các trang mẫu.
4. Thứ tự đoạn văn và cột đọc được liền mạch, chuẩn xác trong văn bản nguồn đã trích xuất.
5. Bảng biểu, hình ảnh, chú thích cuối trang và phương trình đều đã được xác minh hoặc được theo dõi riêng biệt như các thành phần độc lập.
6. Tệp PDF gốc luôn sẵn có để đối chiếu sau khi dịch xong.

Hãy sử dụng hướng dẫn chẩn đoán lỗi sao chép-dán riêng biệt khi tệp PDF có chứa văn bản bị lỗi. Sử dụng quy trình xử lý PDF quét scan khi các trang chỉ toàn hình ảnh, và hướng dẫn OCR đa ngôn ngữ khi việc chọn ngôn ngữ là một phần nguyên nhân gây ra lỗi.

Dịch văn bản nguồn đã xác minh, sau đó rà soát kết quả

Nếu mục tiêu cuối cùng là đọc toàn bộ tài liệu bằng một ngôn ngữ khác, hãy tải tệp PDF đã xác minh lên Trình dịch PDF. Đối với các trang quét scan hoặc nhiều hình ảnh, Chế độ OCR của BookTranslator sẽ trích xuất nội dung có thể nhận diện được và tái tạo lại một tệp PDF bản dịch sạch sẽ; tính năng này không cam kết giữ nguyên bố cục trang, phông chữ hoặc kích thước gốc chính xác tuyệt đối, cũng như không sửa được mọi lớp văn bản ẩn hiện có.

Hãy giữ lại bảng kiểm kê trang và tệp gốc của bạn. Sau khi dịch, hãy lặp lại các bước kiểm tra rủi ro cao trên bản dịch đích: tên riêng, số lượng, mã định danh, độ bao phủ trang, thứ tự đoạn văn và bất kỳ cấu trúc nào bạn cần dựa vào. Danh sách kiểm tra QA dịch thuật PDF sẽ bao quát bước nghiệm thu cuối cùng đó.

Quy tắc cốt lõi rất đơn giản: trích xuất những gì vốn đã chuẩn xác, chỉ OCR những nội dung thực sự cần nhận dạng, và chỉ thay thế lớp văn bản sau khi bạn đã chứng minh được nó bị sai.