I motori OCR sono progettati principalmente per le lingue da sinistra a destra. Inglese, francese, spagnolo, tedesco. Il testo scorre da sinistra a destra. I modelli di riconoscimento dei caratteri sono addestrati sulla scrittura latina. Quando esegui l'OCR su un PDF scritto in arabo, ebraico, urdu o persiano, il motore rileva testo che scorre da destra a sinistra, scritto in uno script che non è stato progettato per riconoscere. Il risultato è un output confuso: caratteri riconosciuti nell'ordine sbagliato, parole scritte al contrario e segni diacritici fuori posto o mancanti del tutto.
L'OCR sui PDF in lingua da destra a sinistra richiede un motore OCR che supporti esplicitamente gli script RTL. Il motore deve riconoscere i caratteri arabi, ebraici o altri caratteri RTL, preservare l'ordine corretto dei caratteri e gestire i segni diacritici essenziali per il significato in queste lingue. Questa guida spiega come selezionare il motore giusto e configurarlo per un OCR RTL accurato.
La sfida OCR PDF con i linguaggi RTL è fondamentalmente diversa da quella dei linguaggi LTR. La direzione del testo, il set di caratteri e la gestione dei segni diacritici richiedono tutti un supporto specifico.
Selezione di un motore OCR compatibile con RTL
| Tipo motore | Supporto RTL | Ideale per |
|---|---|---|
| OCR per scopi generici | Limitato o nessuno. Può riconoscere singoli caratteri arabi ma non manterrà l'ordine corretto delle parole da destra a sinistra | Non consigliato per documenti RTL. L'output richiederà un'ampia correzione manuale |
| OCR multilingue con supporto RTL | Supporta l'arabo, l'ebraico e altri script RTL come lingue secondarie. Gestisce correttamente la direzione del testo quando viene specificata la lingua | Documenti in lingue miste in cui il testo RTL appare accanto al testo LTR |
| OCR specializzato in RTL | Progettato appositamente per l'OCR arabo o ebraico. Massima precisione per la lingua di destinazione. Gestisce correttamente i segni diacritici e le legature | Documenti interamente o principalmente in un'unica lingua RTL |
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Configurazione delle impostazioni della lingua per RTL OCR
Seleziona la lingua RTL specifica nelle impostazioni del motore OCR. Non fare affidamento sul rilevamento automatico, che potrebbe identificare erroneamente il testo RTL come uno script diverso. Se il documento contiene sia testo RTL che LTR, specifica entrambe le lingue e lascia che il motore rilevi la lingua a livello di blocco di testo. L'impostazione della lingua determina quale modello di carattere utilizza il motore.
WukongPDF Gli strumenti OCR supportano più lingue. Per i documenti RTL, specificare esplicitamente la lingua. Il PDF scansionato con contenuto RTL richiede la corretta configurazione della lingua per ottenere risultati utilizzabili.
Verifica dell'output OCR RTL
Dopo l'OCR, verificare l'output leggendo un paragrafo di esempio. Il testo dovrebbe scorrere da destra a sinistra. Le parole devono essere scritte correttamente con segni diacritici nelle posizioni corrette. Cerca una parola conosciuta nel documento per confermare che è stata riconosciuta. Se l'output è confuso, controllare le impostazioni della lingua e rielaborare.
Il flusso di lavoro Translate PDF per i documenti RTL richiede un OCR accurato come primo passaggio. La qualità della traduzione dipende dalla qualità dell'OCR.
Gestione di testo misto RTL e LTR sulla stessa pagina
I documenti con testo sia in arabo che in inglese sulla stessa pagina richiedono che il motore OCR rilevi la lingua a livello di blocco di testo. Ogni blocco viene elaborato con il modello linguistico corretto. L'output conserva la direzione corretta del testo per ogni blocco.
Il rilevamento della direzione mista OCR PDF deve funzionare a livello di paragrafo o blocco di testo, non a livello di pagina. L'impostazione della lingua a livello di pagina sarà errata per metà del contenuto.
Conservazione dei segni diacritici durante l'OCR RTL
I segni diacritici arabi ed ebraici sono piccoli punti e tratti sopra, sotto o all'interno dei caratteri. Sono essenziali per il significato. Un motore OCR che riconosce il carattere di base ma non riconosce il segno diacritico produce un testo scritto in modo errato. Verificare la precisione dei segni diacritici nell'output OCR.
La verifica diacritica PDF scansionato per le lingue RTL verifica che ogni contrassegno sia presente. Un segno diacritico mancante cambia la parola.
Modifica post-OCR per la direzione del testo RTL
Anche con l'OCR corretto, potrebbe essere necessario regolare la direzione del testo nel file di output. Alcuni editor di testo visualizzano il testo RTL in modo errato anche quando i caratteri sono corretti. Verificare la direzione del testo nell'applicazione di destinazione e modificarla se necessario.
La fase di modifica Translate PDF RTL conferma che il testo scorre nella direzione corretta per la lingua di destinazione.
Addestramento di modelli OCR personalizzati per script RTL specifici
Per le organizzazioni che elaborano grandi volumi di documenti RTL, i modelli OCR personalizzati addestrati sullo script specifico e sul tipo di documento producono una precisione maggiore rispetto ai motori generici. L'investimento nella formazione viene ripagato in tempi di correzione ridotti.
Il modello personalizzato OCR PDF per gli script RTL è appropriato per tipi di documenti ricorrenti a volume elevato.
Gestione del testo bidirezionale nell'output OCR
Quando il testo RTL contiene elementi LTR incorporati, come termini tecnici inglesi all'interno di frasi arabe, l'output OCR deve preservare il corretto ordinamento bidirezionale. Verificare che il testo LTR incorporato venga letto correttamente all'interno del flusso RTL.
La verifica bidirezionale del testo PDF scansionato controlla che il cambio di lingua all'interno delle frasi venga gestito correttamente.
Utilizzo di applicazioni RTL native per la verifica OCR
Verificare l'output OCR utilizzando un'applicazione progettata per il linguaggio RTL. Un elaboratore di testi con supporto per l'arabo o l'ebraico visualizza il testo correttamente e consente la modifica nella lingua madre.
La verifica Translate PDF RTL nelle applicazioni native rileva gli errori che le applicazioni LTR potrebbero non visualizzare.
Costruire una linea di base della qualità dell'OCR RTL
Elabora un documento di esempio attraverso la pipeline OCR e misura la precisione. Utilizzare questa misurazione come riferimento. Quando modifichi i motori o le impostazioni OCR, confronta la nuova precisione con la linea di base.
La linea di base OCR di PDF Tools RTL consente il miglioramento della qualità basato sui dati nel tempo.
Gestione delle legature in caratteri arabi OCR
La scrittura araba utilizza legature, dove due o più caratteri si combinano in un singolo glifo. Il motore OCR deve riconoscere le legature e mapparle nella sequenza di caratteri corretta. Il riconoscimento errato della legatura produce parole errate anche quando i singoli caratteri sono corretti.
La gestione della legatura OCR PDF per l'arabo è una funzionalità specializzata. I motori OCR generici potrebbero non supportarlo.
OCR per varianti di scrittura urdu e persiana
L'urdu e il persiano utilizzano la scrittura araba con caratteri aggiuntivi. Un motore OCR configurato per l'arabo non riconoscerà i caratteri specifici dell'urdu o del persiano. Seleziona la lingua esatta, non solo la famiglia di script.
La selezione della lingua PDF scansionato per le varianti di script deve essere precisa. Le impostazioni OCR per l'arabo non elaboreranno correttamente i documenti in urdu.
Verifica dell'OCR RTL con la revisione dei madrelingua
L'OCR automatico del testo RTL richiede sempre la verifica umana per i documenti critici. Un madrelingua legge l'output OCR e lo confronta con l'originale. Il revisore umano rileva gli errori che non vengono rilevati dalle metriche di precisione automatizzate.
La recensione Translate PDF di madrelingua per RTL OCR è il confine di qualità tra output accettabile e inaffidabile.
Gestione di numeri arabi e hindi misti
I documenti arabi possono utilizzare sia numeri arabi (٠١٢٣٤٥٦٧٨٩) che numeri hindi (0123456789), a volte sulla stessa pagina. Il motore OCR deve riconoscere correttamente entrambi i sistemi numerici e preservare le cifre originali.
Il riconoscimento della doppia cifra OCR PDF per i documenti arabi richiede un motore che gestisca entrambi i sistemi numerici.
OCR per documenti storici RTL
I documenti storici nelle lingue RTL possono utilizzare varianti di script più vecchie, forme di caratteri non standard o qualità di stampa degradata. I motori OCR generici addestrati sul testo stampato moderno avranno difficoltà. Potrebbero essere necessari modelli OCR storici specializzati o trascrizione manuale.
La sfida relativa ai documenti RTL storici PDF scansionato è l'accuratezza. Accetta una precisione OCR inferiore e dedica più tempo alla correzione manuale.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.