OCR-Engines sind in erster Linie für Sprachen mit Leserichtung von links nach rechts konzipiert. Englisch, Französisch, Spanisch, Deutsch. Der Text fließt von links nach rechts. Die Zeichenerkennungsmodelle werden auf lateinische Schrift trainiert. Wenn Sie OCR für eine PDF-Datei ausführen, die auf Arabisch, Hebräisch, Urdu oder Persisch geschrieben ist, erkennt die Engine Text, der von rechts nach links fließt und in einem Skript geschrieben ist, für dessen Erkennung sie ursprünglich nicht entwickelt wurde. Das Ergebnis ist eine verstümmelte Ausgabe: Zeichen werden in der falschen Reihenfolge erkannt, Wörter werden rückwärts geschrieben und diakritische Zeichen sind falsch platziert oder fehlen ganz.
OCR für von rechts nach links geschriebene PDFs erfordert eine OCR-Engine, die explizit RTL-Skripte unterstützt. Die Engine muss arabische, hebräische oder andere RTL-Zeichen erkennen, die richtige Zeichenreihenfolge beibehalten und die diakritischen Zeichen verarbeiten, die für die Bedeutung in diesen Sprachen wesentlich sind. In diesem Leitfaden erfahren Sie, wie Sie die richtige Engine auswählen und für eine genaue RTL-OCR konfigurieren.
Die OCR PDF Herausforderung mit RTL-Sprachen unterscheidet sich grundlegend von LTR-Sprachen. Die Textrichtung, der Zeichensatz und die Behandlung diakritischer Zeichen erfordern jeweils eine spezielle Unterstützung.
Auswahl einer RTL-fähigen OCR-Engine
| Motortyp | RTL-Unterstützung | Am besten für |
|---|---|---|
| Allzweck-OCR | Begrenzt oder nicht. Erkennt möglicherweise einzelne arabische Zeichen, behält jedoch nicht die korrekte Wortreihenfolge von rechts nach links bei | Für RTL-Dokumente nicht empfohlen. Die Ausgabe erfordert umfangreiche manuelle Korrekturen |
| Mehrsprachige OCR mit RTL-Unterstützung | Unterstützt Arabisch, Hebräisch und andere RTL-Skripte als Sekundärsprachen. Behandelt die Textrichtung korrekt, wenn die Sprache angegeben ist | Dokumente in gemischten Sprachen, in denen RTL-Text neben LTR-Text erscheint |
| RTL-spezialisierte OCR | Speziell für Arabisch oder Hebräisch OCR entwickelt. Höchste Genauigkeit für die Zielsprache. Behandelt diakritische Zeichen und Ligaturen korrekt | Dokumente vollständig oder überwiegend in einer einzigen RTL-Sprache |
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Konfigurieren der Spracheinstellungen für RTL OCR
Wählen Sie in den OCR-Engine-Einstellungen die spezifische RTL-Sprache aus. Verlassen Sie sich nicht auf die automatische Erkennung, die RTL-Text möglicherweise fälschlicherweise als ein anderes Skript identifiziert. Wenn das Dokument sowohl RTL- als auch LTR-Text enthält, geben Sie beide Sprachen an und lassen Sie die Engine die Sprache auf Textblockebene erkennen. Die Spracheinstellung bestimmt, welches Zeichenmodell die Engine verwendet.
WukongPDF OCR-Tools unterstützen mehrere Sprachen. Geben Sie für RTL-Dokumente die Sprache explizit an. Das Gescannte PDF mit RTL-Inhalt erfordert für brauchbare Ergebnisse eine korrekte Sprachkonfiguration.
Überprüfung der RTL-OCR-Ausgabe
Überprüfen Sie nach der OCR die Ausgabe, indem Sie einen Beispielabsatz lesen. Der Text sollte von rechts nach links fließen. Wörter sollten korrekt geschrieben werden und diakritische Zeichen an der richtigen Position haben. Suchen Sie im Dokument nach einem bekannten Wort, um zu bestätigen, dass es erkannt wurde. Wenn die Ausgabe verstümmelt ist, überprüfen Sie die Spracheinstellungen und verarbeiten Sie sie erneut.
Der Translate PDF-Workflow für RTL-Dokumente erfordert als ersten Schritt eine genaue OCR. Die Übersetzungsqualität hängt von der OCR-Qualität ab.
Umgang mit gemischtem RTL- und LTR-Text auf derselben Seite
Bei Dokumenten mit arabischem und englischem Text auf derselben Seite muss die OCR-Engine die Sprache auf Textblockebene erkennen. Jeder Block wird mit dem richtigen Sprachmodell verarbeitet. Die Ausgabe behält die korrekte Textrichtung für jeden Block bei.
Die Erkennung gemischter Richtungen OCR PDF muss auf Absatz- oder Textblockebene funktionieren, nicht auf Seitenebene. Eine Spracheinstellung auf Seitenebene ist für die Hälfte des Inhalts falsch.
Beibehaltung diakritischer Zeichen während der RTL-OCR
Arabische und hebräische diakritische Zeichen sind kleine Punkte und Striche über, unter oder innerhalb von Zeichen. Sie sind wesentlich für die Bedeutung. Eine OCR-Engine, die das Grundzeichen erkennt, aber das diakritische Zeichen vermisst, erzeugt Text, der falsch geschrieben ist. Überprüfen Sie die diakritische Genauigkeit in der OCR-Ausgabe.
Die diakritische Überprüfung Gescanntes PDF für RTL-Sprachen prüft, ob alle Markierungen vorhanden sind. Ein fehlendes diakritisches Zeichen ändert das Wort.
Post-OCR-Bearbeitung für RTL-Textrichtung
Auch bei korrekter OCR muss die Textrichtung in der Ausgabedatei möglicherweise angepasst werden. Einige Texteditoren zeigen RTL-Text falsch an, selbst wenn die Zeichen korrekt sind. Überprüfen Sie die Textrichtung in der Zielanwendung und passen Sie sie bei Bedarf an.
Der RTL-Bearbeitungsschritt PDF übersetzen bestätigt, dass der Text in die richtige Richtung für die Zielsprache fließt.
Trainieren benutzerdefinierter OCR-Modelle für bestimmte RTL-Skripte
Für Unternehmen, die große Mengen an RTL-Dokumenten verarbeiten, erzielen benutzerdefinierte OCR-Modelle, die auf das spezifische Skript und den Dokumenttyp trainiert wurden, eine höhere Genauigkeit als Allzweck-Engines. Die Schulungsinvestition zahlt sich durch eine verkürzte Korrekturzeit aus.
Das benutzerdefinierte OCR PDF-Modell für RTL-Skripte eignet sich für wiederkehrende Dokumenttypen mit hohem Volumen.
Umgang mit bidirektionalem Text in der OCR-Ausgabe
Wenn RTL-Text eingebettete LTR-Elemente enthält, beispielsweise englische Fachbegriffe in arabischen Sätzen, muss die OCR-Ausgabe die korrekte bidirektionale Reihenfolge beibehalten. Stellen Sie sicher, dass eingebetteter LTR-Text im RTL-Fluss korrekt gelesen wird.
Die bidirektionale Textprüfung Gescanntes PDF prüft, ob die Sprachumschaltung innerhalb von Sätzen korrekt gehandhabt wird.
Verwendung nativer RTL-Anwendungen zur OCR-Verifizierung
Überprüfen Sie die OCR-Ausgabe mit einer für die RTL-Sprache entwickelten Anwendung. Ein Textverarbeitungsprogramm mit Arabisch- oder Hebräisch-Unterstützung stellt den Text korrekt dar und ermöglicht die Bearbeitung in der Muttersprache.
Die Translate PDF RTL-Überprüfung in nativen Anwendungen fängt Fehler ab, die LTR-Anwendungen möglicherweise nicht anzeigen.
Aufbau einer RTL-OCR-Qualitätsbasislinie
Verarbeiten Sie ein Beispieldokument durch die OCR-Pipeline und messen Sie die Genauigkeit. Verwenden Sie diese Messung als Basis. Wenn Sie OCR-Engines oder -Einstellungen ändern, vergleichen Sie die neue Genauigkeit mit der Basislinie.
Die RTL-OCR-Basislinie von PDF Tools ermöglicht eine datengesteuerte Qualitätsverbesserung im Laufe der Zeit.
Umgang mit Ligaturen in arabischer Schrift OCR
Die arabische Schrift verwendet Ligaturen, bei denen zwei oder mehr Zeichen zu einer einzigen Glyphe kombiniert werden. Die OCR-Engine muss Ligaturen erkennen und sie der richtigen Zeichenfolge zuordnen. Eine fehlerhafte Ligaturerkennung führt zu falsch geschriebenen Wörtern, selbst wenn einzelne Zeichen korrekt sind.
Die Ligaturverarbeitung OCR PDF für Arabisch ist eine spezielle Funktion. Allzweck-OCR-Engines unterstützen dies möglicherweise nicht.
OCR für Urdu- und persische Schriftvarianten
Urdu und Persisch verwenden die arabische Schrift mit zusätzlichen Zeichen. Eine für Arabisch konfigurierte OCR-Engine erkennt keine Urdu- oder Persisch-spezifischen Zeichen. Wählen Sie die genaue Sprache aus, nicht nur die Skriptfamilie.
Die Gescannte PDF Sprachauswahl für Skriptvarianten muss präzise sein. Arabische OCR-Einstellungen verarbeiten Urdu-Dokumente nicht korrekt.
Überprüfung der RTL-OCR mit Muttersprachlerüberprüfung
Die maschinelle OCR von RTL-Text erfordert bei kritischen Dokumenten immer eine menschliche Überprüfung. Ein Muttersprachler liest die OCR-Ausgabe und vergleicht sie mit dem Original. Der menschliche Prüfer erkennt Fehler, die automatisierte Genauigkeitsmetriken übersehen.
Die Translate PDF Muttersprachlerbewertung für RTL OCR ist das Qualitätsgatter zwischen akzeptabler und unzuverlässiger Ausgabe.
Umgang mit gemischten arabischen und hindiistischen Ziffern
In arabischen Dokumenten können sowohl arabische Ziffern (٠١٢٣٤٥٦٧٨٩) als auch Hindi-Ziffern (0123456789) verwendet werden, manchmal auf derselben Seite. Die OCR-Engine muss beide Zahlensysteme korrekt erkennen und die Originalziffern beibehalten.
Die OCR PDF Zwei-Zahlen-Erkennung für arabische Dokumente erfordert eine Engine, die beide Zahlensysteme verarbeitet.
OCR für historische RTL-Dokumente
Historische Dokumente in RTL-Sprachen verwenden möglicherweise ältere Skriptvarianten, nicht standardmäßige Zeichenformen oder eine schlechtere Druckqualität. Allzweck-OCR-Engines, die auf modernen gedruckten Text ausgelegt sind, werden Schwierigkeiten haben. Möglicherweise sind spezielle historische OCR-Modelle oder eine manuelle Transkription erforderlich.
Die Herausforderung bei Gescannten PDF historischen RTL-Dokumenten liegt in der Genauigkeit. Akzeptieren Sie eine geringere OCR-Genauigkeit und planen Sie mehr Zeit für die manuelle Korrektur ein.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.