Os mecanismos de OCR são projetados principalmente para idiomas com escrita da esquerda para a direita. Inglês, francês, espanhol, alemão. O texto flui da esquerda para a direita. Os modelos de reconhecimento de caracteres são treinados na escrita latina. Quando você executa o OCR em um PDF escrito em árabe, hebraico, urdu ou persa, o mecanismo encontra texto que flui da direita para a esquerda, escrito em um script que não foi projetado principalmente para reconhecer. O resultado é uma saída distorcida: caracteres reconhecidos na ordem errada, palavras escritas ao contrário e sinais diacríticos mal colocados ou totalmente ausentes.
OCR em PDFs com idiomas da direita para a esquerda requer um mecanismo de OCR que suporte explicitamente scripts RTL. O mecanismo deve reconhecer caracteres árabes, hebraicos ou outros caracteres RTL, preservar a ordem correta dos caracteres e lidar com os sinais diacríticos que são essenciais para o significado nesses idiomas. Este guia aborda como selecionar o mecanismo certo e configurá-lo para OCR RTL preciso.
O desafio OCR PDF com linguagens RTL é fundamentalmente diferente das linguagens LTR. A direção do texto, o conjunto de caracteres e o tratamento diacrítico requerem suporte específico.
Selecionando um mecanismo de OCR compatível com RTL
| Tipo de motor | Suporte RTL | Melhor para |
|---|---|---|
| OCR de uso geral | Limitado ou nenhum. Pode reconhecer caracteres árabes individuais, mas não preservará a ordem correta das palavras da direita para a esquerda | Não recomendado para documentos RTL. A saída exigirá extensa correção manual |
| OCR multilíngue com suporte RTL | Suporta árabe, hebraico e outros scripts RTL como idiomas secundários. Manipula a direção do texto corretamente quando o idioma é especificado | Documentos de idiomas mistos onde o texto RTL aparece ao lado do texto LTR |
| OCR especializado em RTL | Desenvolvido especificamente para OCR árabe ou hebraico. Maior precisão para o idioma alvo. Lida corretamente com diacríticos e ligaduras | Documentos total ou principalmente em uma única linguagem RTL |
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Definindo configurações de idioma para RTL OCR
Selecione o idioma RTL específico nas configurações do mecanismo de OCR. Não confie na detecção automática, que pode identificar erroneamente o texto RTL como um script diferente. Se o documento contiver texto RTL e LTR, especifique ambos os idiomas e deixe o mecanismo detectar o idioma no nível do bloco de texto. A configuração de idioma determina qual modelo de personagem o mecanismo usa.
WukongPDF As ferramentas de OCR suportam vários idiomas. Para documentos RTL, especifique explicitamente o idioma. O PDF digitalizado com conteúdo RTL requer configuração de idioma correta para resultados utilizáveis.
Verificando a saída RTL OCR
Após o OCR, verifique o resultado lendo um exemplo de parágrafo. O texto deve fluir da direita para a esquerda. As palavras devem ser escritas corretamente com sinais diacríticos nas posições adequadas. Procure uma palavra conhecida no documento para confirmar se ela foi reconhecida. Se a saída estiver distorcida, verifique as configurações de idioma e processe novamente.
O fluxo de trabalho Traduzir PDF para documentos RTL requer OCR preciso como primeira etapa. A qualidade da tradução depende da qualidade do OCR.
Tratamento de texto RTL e LTR misto na mesma página
Documentos com texto em árabe e inglês na mesma página exigem que o mecanismo de OCR detecte o idioma no nível do bloco de texto. Cada bloco é processado com o modelo de linguagem correto. A saída preserva a direção correta do texto para cada bloco.
A detecção de direção mista OCR PDF deve funcionar no nível do parágrafo ou bloco de texto, não no nível da página. Uma configuração de idioma no nível da página estará errada para metade do conteúdo.
Preservando marcas diacríticas durante o OCR RTL
As marcas diacríticas árabes e hebraicas são pequenos pontos e traços acima, abaixo ou dentro dos caracteres. Eles são essenciais para o significado. Um mecanismo de OCR que reconhece o caractere base, mas perde a marca diacrítica, produz texto escrito incorretamente. Verifique a precisão diacrítica na saída do OCR.
A verificação diacrítica PDF digitalizado para idiomas RTL verifica se todas as marcas estão presentes. Um diacrítico ausente altera a palavra.
Edição pós-OCR para direção de texto RTL
Mesmo com o OCR correto, a direção do texto no arquivo de saída pode precisar de ajuste. Alguns editores de texto exibem texto RTL incorretamente, mesmo quando os caracteres estão corretos. Verifique a direção do texto no aplicativo de destino e ajuste se necessário.
A etapa de edição Translate PDF RTL confirma que o texto flui na direção correta para o idioma de destino.
Treinamento de modelos de OCR personalizados para scripts RTL específicos
Para organizações que processam grandes volumes de documentos RTL, modelos de OCR personalizados treinados no script e tipo de documento específicos produzem maior precisão do que mecanismos de uso geral. O investimento em treinamento compensa em tempo de correção reduzido.
O modelo personalizado OCR PDF para scripts RTL é apropriado para tipos de documentos recorrentes e de alto volume.
Tratamento de texto bidirecional na saída de OCR
Quando o texto RTL contém elementos LTR incorporados, como termos técnicos em inglês em frases em árabe, a saída do OCR deve preservar a ordem bidirecional correta. Verifique se o texto LTR incorporado é lido corretamente no fluxo RTL.
A verificação de texto bidirecional PDF digitalizado verifica se a mudança de idioma nas frases é tratada corretamente.
Usando aplicativos RTL nativos para verificação de OCR
Verifique a saída do OCR usando um aplicativo desenvolvido para a linguagem RTL. Um processador de texto com suporte para árabe ou hebraico exibe o texto corretamente e permite a edição no idioma nativo.
A verificação RTL Translate PDF em aplicativos nativos detecta erros que os aplicativos LTR podem não exibir.
Construindo uma linha de base de qualidade RTL OCR
Processe um documento de amostra por meio do pipeline de OCR e meça a precisão. Use esta medida como linha de base. Ao alterar os mecanismos ou configurações de OCR, compare a nova precisão com a linha de base.
A linha de base do PDF Tools RTL OCR permite a melhoria da qualidade baseada em dados ao longo do tempo.
Tratamento de ligaduras em OCR de escrita árabe
A escrita árabe usa ligaduras, onde dois ou mais caracteres se combinam em um único glifo. O mecanismo de OCR deve reconhecer as ligaduras e mapeá-las para a sequência correta de caracteres. O reconhecimento incorreto da ligadura produz palavras com erros ortográficos, mesmo quando os caracteres individuais estão corretos.
O manuseio de ligaduras OCR PDF para árabe é um recurso especializado. Mecanismos de OCR de uso geral podem não suportar isso.
OCR para variantes de escrita urdu e persa
Urdu e persa usam a escrita árabe com caracteres adicionais. Um mecanismo de OCR configurado para árabe não reconhecerá caracteres específicos do urdu ou do persa. Selecione o idioma exato, não apenas a família de scripts.
A seleção do idioma PDF digitalizado para variantes de script deve ser precisa. As configurações de OCR em árabe não processarão corretamente documentos em urdu.
Verificando OCR RTL com análise de falante nativo
O OCR de máquina de texto RTL sempre requer verificação humana para documentos críticos. Um falante nativo lê a saída do OCR e a compara com o original. O revisor humano detecta erros que as métricas de precisão automatizadas não percebem.
A análise de falantes nativos Translate PDF para OCR RTL é a porta de qualidade entre resultados aceitáveis e não confiáveis.
Lidando com números mistos de árabe e hindi
Documentos árabes podem usar algarismos arábicos (٠١٢٣٤٥٦٧٨٩) e hindi (0123456789), às vezes na mesma página. O mecanismo de OCR deve reconhecer corretamente ambos os sistemas numéricos e preservar os dígitos originais.
O reconhecimento de números duplos OCR PDF para documentos árabes requer um mecanismo que lide com ambos os sistemas numéricos.
OCR para documentos RTL históricos
Documentos históricos em linguagens RTL podem usar variantes de escrita mais antigas, formatos de caracteres não padronizados ou qualidade de impressão degradada. Os mecanismos de OCR de uso geral treinados em texto impresso moderno terão dificuldades. Modelos históricos especializados de OCR ou transcrição manual podem ser necessários.
O desafio do documento RTL histórico PDF digitalizado é a precisão. Aceite menor precisão de OCR e reserve mais tempo para correção manual.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.