OCR 中英混合 PDF：分别检查中文、英文和数字

要对中英混合 PDF 进行 OCR，需先识别页面上的文字脚本，选择能够使用相关识别语言处理 PDF 的工具，然后将提取出的文本与图像进行核对。 分别检查中文文本、英文文本、数字和标签关系。 在搜索中找到英文标题并不意味着中文正文已被正确识别。

添加另一种语言值得测试，但这并不自动意味着改进。在我们的小型中英实验中，添加英语修正了一个英文标签，却损坏了一个原本仅用中文配置就能正确识别的中文句子。我们的两个表格配置均未能从一个简单的有线表格中返回任何文本。

这并不是对多语言 OCR 的整体定论，而是提醒我们应当根据所需的输出来进行评估，而不是根据所选语言的数量来判断。

首先区分缺失文本与错误文本

保持原文件不变。在副本上，从具有代表性的页面中选择一个句子，并将其粘贴到纯文本编辑器中。尝试一段中文和一段英文，而不仅仅是文档标题。

现有的文本层非常重要。例如， NAPS2 的 OCR 文档 指出，导入的、已包含文本的 PDF 页面会被保持原样。因此，在该工作流程中，重新导入一个 OCR 效果很差的页面并不是一种可靠的修复方法。

如果真正的问题是分辨率低、页面弯曲或扫描倾斜，请在解释语言设置对比之前先解决这些问题。我们更广泛的 扫描版 PDF 指南 涵盖了这些准备工作以及后续的翻译阶段。

选择识别语言，而非翻译目标

识别回答的是“页面上有哪些字符？”而翻译回答的是“此内容在另一种语言中该如何表达？”切勿要求 OCR 默默地将繁体中文简化、翻译英文引文，或重写不熟悉的标识符。

做一个简短的清单：

• 中文字符： 简体、繁体或两者兼有，包括标题和注释。
• 拉丁文字： 英文句子、作者姓名、参考文献、缩写以及型号。
• 受控值： 日期、小数点、单位、负号、标识符以及大小写敏感的代码。
• 区域： 正文、表格、图表说明、脚注或独立语言的附录。

例如，一份繁体中文报告可能包含英文摘要和参考文献。一个简体中文章节可能包含一个带有 A-01, 23.5和 °C的表格。不应仅通过检查最长的中文段落来评估这两者。

Tesseract在其 chi_sim, chi_tra和 eng 模型中提供了独立的 官方模型仓库。其 命令文档 支持组合语言选择，并指出语言顺序会影响结果。这些是配置上的可能性，并不能保证每个额外的模型都有帮助。

如果您的文档包含竖排日文和假名，请使用 日文竖排 OCR 指南。这是一个不同的版式和批注问题，而不仅仅是另一个语言勾选框。

使用真正接受 PDF 的工作流

桌面端路径：NAPS2

NAPS2 为使扫描版 PDF 可搜索提供了有据可查的路径：

1. 导入文件副本并打开其 OCR 设置。
2. 下载该文档所需的识别语言。
3. 选择 多种语言 并选中相关语言。
4. 启用可搜索 PDF 的 OCR 并保存为新文件。
5. 重新打开该文件，并将复制的中文、英文和数字文本与可见页面进行对比。

下载了多种语言后才会显示“多种语言”选项。这些步骤遵循 官方 NAPS2 指南；我们未对本文进行 NAPS2 实操测试。

命令行路径：OCRmyPDF

对于纯图片的简体中文/英文 PDF，基于官方文档的示例如下：

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

请先安装所需的 语言包 。如果要进行繁体中文测试，请使用 chi_tra ，而不是假设这两种文字可以通用。

The OCRmyPDF 指南 记录了 PDF 和边车文本（sidecar-text）输出。其边车文件不一定包含整个文档：原本就包含文本的页面，或在 OCR 过程中跳过的页面可能会缺失。请检查输出 PDF 本身。现有的错误 OCR 需要刻意重新执行工作流；切勿在不了解其影响的情况下盲目栅格化每个页面。

这是一条基于文档的路径，并非我们测得的测试环境。我们在此处没有运行 OCRmyPDF。

纯粹的 Tesseract 需要渲染后的页面

不要将 tesseract input.pdf ... 当作 PDF 阅读器使用。 Tesseract 不接受 PDF 输入，尽管它能够生成 PDF 输出。 Tesseract.js 也有同样的 PDF 输入区分：先用 PDF 库渲染页面，再识别图像。

这就是我们下面实验所走的路径。它会生成文本和 TSV 证据，而不是经过测试的可搜索输出 PDF。

十次本地 OCR 调用的实际情况

我们创建了一个 三页纯图像 PDF ，包含：

1. 带有英文引用、标识符、小数和单位的简体中文散文；
2. 相应的繁体中文页面；
3. 一个包含三个数据行的小型中英文表格。

文本和值是自编的教学材料，而非客户文件或真实测量数据。每个散文目标包含 124 个非空白码位，其中包括 41 个汉字。表格包含 79 个非空白码位。

该 PDF 的源页面没有可提取的文本。我们使用 Poppler 26.08.0 以 300 dpi 的分辨率对其进行渲染，生成了 1600×1000 像素的图像。Noto Sans CJK SC/TC Regular 中的字号为 48 像素。所有标点符号均来自字体常规的水平字形。

2026 年 9 月 8 日，我们在 macOS ARM64 本地运行了带有 tesseract.js-core 7.0.0 的 Tesseract.js 7.0.0。官方 tessdata_fast 模型被固定在提交 87416418657359cb625c412a48b6e1d6d41c29bd。每次调用都使用 OEM 1 和 PSM 6（即统一文本块设置），并在每次语言比较中使用相同的页面图像。

每个散文页面有四种语言方案，表格有两。所有十次调用均已完成；未丢弃任何结果，也未在看到输出后调整任何参数。准确的 输入、模型哈希、版本和原始结果 以及 复现说明 可用。

一个设置可能会修复一个字段却损坏另一个字段

在传统页面上， chi_tra 按顺序保留了全部 41 个汉字，但它依然产生了非中文错误。例如，它将英文标签 Document ID 改为了 Document 1ID 并且误读了度数符号。

添加 eng 恢复了 Document ID，但“温度与质量”句子的部分内容变成了类似拉丁文的碎片：

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。

该行中的数字得以保留，而周围的中文却没有。仅检查 23.5 和 1.08 就会漏掉这种损坏。

简化版页面则展现了另一种权衡。添加英文恢复了 BK-2026-A07，纯中文运行将其返回为了 BK-2026-AO7。但它也将其他地方的 与 改为了 5 。视觉上具有歧义的标识符 O0I1-l 依然是错的。

以下诊断说明了我们为什么没有宣布胜者：

“汉字序列编辑距离”仅比较汉字。它不对英文、标点符号或空格进行评分。“已找到受保护的字符串”仅是对预定义标识符、数字、单位和参考符号的存在性检查；它不验证它们的位置或关系。纯英文输出揭示了其中的陷阱：大多数受保护的字符串都存在，但没有返回任何汉字。

完整的 比较 CSV 文件也报告了全文编辑距离。比较过程应用了 Unicode NFC 并移除了空格；它不修正标点符号、改变大小写、转换中文简繁体或对字符重新排序。颠覆语言顺序改变了这些散文输出中的空格，但没有改变规范化的字符序列。该观察结果并非关于语言顺序的普遍规律。

空表格并非成功的提取

尽管两次表格调用均在没有发生 OCR 执行错误的情况下完成，但返回的文本均为空。添加中文并没有挽救固定的统一分块方案。

我们没有测试其他分段模式、单元格裁剪或表格识别引擎。因此，该结果 并非 表明 Tesseract 无法读取表格。它表明在我们的设置下，仅更改识别语言并未解决此样本的问题。

对于真正的表格，需要完整的关系 Temperature → A-01 → 23.5 → °C，而不是页面某处找到的四个标记。如果输出为空或无法检查关系，请停止将其视为可信的转录。尝试采用具备版面感知的工作流，或参照图像转录必要的单元格。

本实验无法确定的内容

这些是来自一个字体系列的三个干净的合成页面，由一个编写代理进行了审查。没有经过盲法人工审查、生产文档语料库，也没有测试模糊扫描件、手写体、复杂表格、垂直文本或历史字符。

这些结果是对无条件“添加更多语言”规则的有益反例。它们不是引擎排名、通用准确率，也不是针对您的 PDF 的预测。这不是 BookTranslator 测试，纯图像源 PDF 也不是完成 OCR 的阅读副本。

对您自己的文件使用四部分验收检查

下载 空白审查表。选择包含实际难点的页面，然后在处理整个文件之前添加以下检查：

1. 中文文本： 比较一个完整的句子，包括较少见字符以及预期的简体/繁体形式。不要默默地将错误的字符规范化为您期望的字符。
2. 英文与标识符： 检查作者姓名、参考文献、缩写、大小写以及形似字符，例如 O/0 或 I/l/1。不熟悉的代号不是需要自动更正的单词。
3. 数字与单位： 比较每个值及其符号、小数点、单位和标签。 0.05 和 0.50 必须保持不同；识别出的 23.5 如果没有正确的单位则是不完整的。
4. 关系与完整性： 检查每个段落或表格行是否属于预期的位置。确认标题、注释和小型第二语言段落都存在，而不仅仅是正文。

记录原始文本、观察到的结果、页面/区域以及所需的操作。当某个配置改善了一项检查但恶化了另一项检查时，请保留这两项观察结果。不要仅凭单一的置信度得分或平均字符数来接受该文件。

区分三种结果：可直接用于您的既定目的、需要特定修改，或尚不可信。查找任务可能只需要一个已验证的段落；完整的阅读副本需要覆盖整篇文档，而不仅仅是一个清晰的封面。

只有在了解原文含义后才进行翻译

如果搜索和可复制的原文已能解决您的需求，请到此为止。OCR 已完成其工作；翻译是另一个独立的决定。

如果您需要阅读另一种语言的完整文档，请保留原始扫描件和校正后的文本作为参考，然后遵循 扫描版 PDF 翻译工作流。对于符合条件的文件， BookTranslator 的 PDF 翻译器 可以作为下一步。其 OCR 模式会重建翻译内容，而不是承诺与原始页面布局完全一致；但这并不能免除检查恢复的文本和表格关系的需要。

翻译完成后，使用 PDF 翻译 QA 检查清单 来区分源识别错误与翻译或布局错误。在错误的阶段进行纠正，往往会使可读的错误保留在最终文件中。