Silniki OCR są przeznaczone głównie dla języków pisanych od lewej do prawej. Angielski, francuski, hiszpański, niemiecki. Tekst płynie od lewej do prawej. Modele rozpoznawania znaków są trenowane w oparciu o alfabet łaciński. Kiedy uruchamiasz OCR na pliku PDF napisanym w języku arabskim, hebrajskim, urdu lub perskim, silnik napotyka tekst przepływający od prawej do lewej, napisany pismem, do którego rozpoznawania nie został zaprojektowany. Rezultatem są zniekształcone dane wyjściowe: znaki rozpoznawane w niewłaściwej kolejności, słowa pisane od tyłu i znaki diakrytyczne umieszczone w niewłaściwym miejscu lub w ogóle ich brak.
OCR w plikach PDF w języku pisanym od prawej do lewej wymaga silnika OCR, który wyraźnie obsługuje skrypty RTL. Silnik musi rozpoznawać znaki arabskie, hebrajskie lub inne znaki RTL, zachowywać prawidłową kolejność znaków i obsługiwać znaki diakrytyczne, które są niezbędne do znaczenia w tych językach. W tym przewodniku opisano, jak wybrać odpowiedni silnik i skonfigurować go pod kątem dokładnego OCR RTL.
Wyzwanie OCR PDF w przypadku języków RTL zasadniczo różni się od języków LTR. Kierunek tekstu, zestaw znaków i obsługa znaków diakrytycznych wymagają specjalnego wsparcia.
Wybór silnika OCR obsługującego RTL
| Typ silnika | Wsparcie RTL | Najlepsze dla |
|---|---|---|
| OCR ogólnego przeznaczenia | Ograniczone lub żadne. Może rozpoznawać pojedyncze znaki arabskie, ale nie zachowuje prawidłowej kolejności słów od prawej do lewej | Niezalecane w przypadku dokumentów RTL. Dane wyjściowe będą wymagały obszernej ręcznej korekty |
| Wielojęzyczny OCR z obsługą RTL | Obsługuje arabski, hebrajski i inne skrypty RTL jako języki dodatkowe. Prawidłowo obsługuje kierunek tekstu, jeśli określony jest język | Dokumenty w różnych językach, w których obok tekstu LTR pojawia się tekst RTL |
| Specjalistyczny OCR RTL | Zaprojektowany specjalnie do arabskiego lub hebrajskiego OCR. Najwyższa dokładność dla języka docelowego. Poprawnie obsługuje znaki diakrytyczne i ligatury | Dokumenty w całości lub głównie w jednym języku RTL |
Konfigurowanie ustawień językowych dla RTL OCR
Wybierz konkretny język RTL w ustawieniach silnika OCR. Nie polegaj na automatycznym wykrywaniu, które może błędnie zidentyfikować tekst RTL jako inny skrypt. Jeśli dokument zawiera zarówno tekst RTL, jak i LTR, określ oba języki i pozwól silnikowi wykryć język na poziomie bloku tekstu. Ustawienie języka określa, jakiego modelu znaków używa silnik.
WukongPDF Narzędzia OCR obsługują wiele języków. W przypadku dokumentów RTL określ wyraźnie język. Zeskanowany plik PDF z zawartością RTL wymaga prawidłowej konfiguracji języka, aby uzyskać użyteczne wyniki.
Weryfikacja danych wyjściowych RTL OCR
Po OCR sprawdź wynik, czytając przykładowy akapit. Tekst powinien płynąć od prawej do lewej. Wyrazy należy pisać poprawnie, stosując znaki diakrytyczne we właściwych miejscach. Wyszukaj znane słowo w dokumencie, aby potwierdzić, że zostało rozpoznane. Jeśli wydruk jest zniekształcony, sprawdź ustawienia języka i przetwórz ponownie.
Obieg pracy Translate PDF dla dokumentów RTL wymaga w pierwszym kroku dokładnego OCR. Jakość tłumaczenia zależy od jakości OCR.
Obsługa mieszanego tekstu RTL i LTR na tej samej stronie
Dokumenty zawierające tekst w języku arabskim i angielskim na tej samej stronie wymagają, aby silnik OCR wykrywał język na poziomie bloku tekstu. Każdy blok jest przetwarzany przy użyciu odpowiedniego modelu językowego. Dane wyjściowe zachowują prawidłowy kierunek tekstu dla każdego bloku.
Wykrywanie kierunku mieszanego OCR PDF musi działać na poziomie akapitu lub bloku tekstu, a nie na poziomie strony. Ustawienie języka na poziomie strony będzie nieprawidłowe w przypadku połowy treści.
Zachowywanie znaków diakrytycznych podczas RTL OCR
Arabskie i hebrajskie znaki diakrytyczne to małe kropki i kreski nad, pod lub wewnątrz znaków. Są niezbędne dla znaczenia. Mechanizm OCR, który rozpoznaje znak podstawowy, ale pomija znak diakrytyczny, generuje tekst o nieprawidłowej pisowni. Sprawdź dokładność znaków diakrytycznych na wyjściu OCR.
Weryfikacja diakrytyczna Skanowany plik PDF dla języków RTL sprawdza, czy obecny jest każdy znak. Brakujący znak diakrytyczny zmienia słowo.
Edycja po OCR dla kierunku tekstu RTL
Nawet przy prawidłowym OCR kierunek tekstu w pliku wyjściowym może wymagać dostosowania. Niektóre edytory tekstu wyświetlają tekst RTL niepoprawnie, nawet jeśli znaki są poprawne. Sprawdź kierunek tekstu w aplikacji docelowej i dostosuj w razie potrzeby.
Krok edycji Translate PDF RTL potwierdza, że tekst płynie we właściwym kierunku dla języka docelowego.
Szkolenie niestandardowych modeli OCR dla określonych skryptów RTL
W przypadku organizacji przetwarzających duże ilości dokumentów RTL niestandardowe modele OCR trenowane pod kątem konkretnego skryptu i typu dokumentu zapewniają większą dokładność niż silniki ogólnego przeznaczenia. Inwestycja w szkolenie zwraca się w postaci skróconego czasu korekty.
Niestandardowy model OCR PDF dla skryptów RTL jest odpowiedni dla typów dokumentów o dużej objętości i powtarzalności.
Obsługa tekstu dwukierunkowego w wynikach OCR
Gdy tekst RTL zawiera osadzone elementy LTR, takie jak angielskie terminy techniczne w zdaniach arabskich, dane wyjściowe OCR muszą zachować poprawną kolejność dwukierunkową. Sprawdź, czy osadzony tekst LTR jest poprawnie odczytywany w przepływie RTL.
Dwukierunkowa weryfikacja tekstu Skanowany plik PDF sprawdza, czy przełączanie języków w zdaniach odbywa się prawidłowo.
Korzystanie z natywnych aplikacji RTL do weryfikacji OCR
Sprawdź dane wyjściowe OCR za pomocą aplikacji zaprojektowanej dla języka RTL. Procesor tekstu obsługujący język arabski lub hebrajski wyświetla poprawnie tekst i umożliwia edycję w języku ojczystym.
Weryfikacja Translate PDF RTL w aplikacjach natywnych wychwytuje błędy, których aplikacje LTR mogą nie wyświetlać.
Budowanie linii bazowej jakości RTL OCR
Przetwórz przykładowy dokument za pomocą potoku OCR i zmierz dokładność. Użyj tego pomiaru jako punktu odniesienia. Po zmianie silników lub ustawień OCR porównaj nową dokładność z wartością bazową.
Bazowa wersja RTL OCR narzędzi PDF Tools umożliwia poprawę jakości w oparciu o dane w miarę upływu czasu.
Obsługa ligatur w języku arabskim OCR
Pismo arabskie wykorzystuje ligatury, w których dwa lub więcej znaków łączy się w jeden glif. Silnik OCR musi rozpoznawać ligatury i przypisywać je do prawidłowej sekwencji znaków. Nieprawidłowe rozpoznawanie ligatur powoduje powstawanie błędnie napisanych słów, nawet jeśli poszczególne znaki są poprawne.
Obsługa ligatur OCR PDF dla języka arabskiego to funkcja wyspecjalizowana. Silniki OCR ogólnego przeznaczenia mogą go nie obsługiwać.
OCR dla wariantów pisma urdu i perskiego
Urdu i perski używają pisma arabskiego z dodatkowymi znakami. Silnik OCR skonfigurowany dla języka arabskiego nie rozpozna znaków specyficznych dla języka urdu ani języka perskiego. Wybierz dokładny język, a nie tylko rodzinę skryptów.
Wybór języka Skanowanego PDF dla wariantów pisma musi być precyzyjny. Arabskie ustawienia OCR nie będą poprawnie przetwarzać dokumentów w języku urdu.
Weryfikacja RTL OCR z recenzją native speakera
Maszynowy OCR tekstu RTL zawsze wymaga weryfikacji przez człowieka w przypadku krytycznych dokumentów. Native speaker czyta wynik OCR i porównuje go z oryginałem. Osoba weryfikująca wyłapuje błędy, które przeoczają automatyczne wskaźniki dokładności.
Recenzja Translate PDF dla RTL OCR stanowi bramę jakościową pomiędzy akceptowalnym a niewiarygodnym wynikiem.
Obsługa mieszanych cyfr arabskich i hindi
Dokumenty arabskie mogą zawierać zarówno cyfry arabskie (٠١٢٣٤٥٦٧٨٩), jak i cyfry hindi (0123456789), czasami na tej samej stronie. Silnik OCR musi poprawnie rozpoznać oba systemy liczbowe i zachować oryginalne cyfry.
Rozpoznawanie podwójnych cyfr OCR PDF w dokumentach arabskich wymaga mechanizmu obsługującego oba systemy liczbowe.
OCR dla historycznych dokumentów RTL
Dokumenty historyczne w językach RTL mogą wykorzystywać starsze warianty pisma, niestandardowe formy znaków lub gorszą jakość druku. Silniki OCR ogólnego przeznaczenia przeszkolone w zakresie nowoczesnego tekstu drukowanego będą miały trudności. Konieczne mogą być specjalistyczne historyczne modele OCR lub ręczna transkrypcja.
Skanowany plik PDF Wyzwaniem dla historycznych dokumentów RTL jest dokładność. Zaakceptuj niższą dokładność OCR i zaplanuj więcej czasu na ręczną korektę.