Механизмы OCR в первую очередь предназначены для языков с письмом слева направо. Английский, французский, испанский, немецкий. Текст течет слева направо. Модели распознавания символов обучены на латинице. Когда вы запускаете распознавание текста в PDF-файле, написанном на арабском, иврите, урду или персидском языке, движок обнаруживает текст, идущий справа налево, написанный шрифтом, который изначально не был предназначен для распознавания. В результате вывод получается искаженным: символы распознаются в неправильном порядке, слова написаны задом наперед, а диакритические знаки расположены неправильно или полностью отсутствуют.
Для оптического распознавания PDF-файлов с письмом справа налево требуется механизм оптического распознавания символов, который явно поддерживает сценарии RTL. Механизм должен распознавать символы арабского языка, иврита и других символов с письмом справа налево, сохранять правильный порядок символов и обрабатывать диакритические знаки, необходимые для определения значения на этих языках. В этом руководстве рассказывается, как выбрать правильный механизм и настроить его для точного распознавания RTL.
Проблема OCR PDF с языками RTL принципиально отличается от языков LTR. Направление текста, набор символов и обработка диакритических знаков требуют специальной поддержки.
Выбор механизма OCR с поддержкой RTL
| Тип двигателя | Поддержка RTL | Наилучший вариант для |
|---|---|---|
| OCR общего назначения | Ограничено или нет. Может распознавать отдельные арабские символы, но не сохраняет правильный порядок слов справа налево. | Не рекомендуется для документов RTL. Вывод потребует обширной ручной коррекции. |
| Многоязычное распознавание символов с поддержкой RTL | Поддерживает арабский, иврит и другие сценарии с письмом справа налево в качестве дополнительных языков. Правильно обрабатывает направление текста, если указан язык | Документы на смешанных языках, в которых текст RTL отображается рядом с текстом LTR. |
| Специализированное RTL-распознавание текста | Специально создан для распознавания текста на арабском или иврите. Высочайшая точность для целевого языка. Правильно обрабатывает диакритические знаки и лигатуры. | Документы полностью или преимущественно на одном языке с письмом справа налево. |
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.
Настройка языковых настроек для RTL OCR
Выберите конкретный язык RTL в настройках механизма OCR. Не полагайтесь на автоматическое обнаружение, которое может ошибочно идентифицировать текст RTL как другой сценарий. Если документ содержит текст как RTL, так и LTR, укажите оба языка и позвольте механизму определять язык на уровне текстового блока. Настройка языка определяет, какую модель символов использует движок.
WukongPDF Инструменты оптического распознавания символов поддерживают несколько языков. Для документов с письмом справа налево укажите язык явно. Сканированный PDF с содержимым RTL требует правильной настройки языка для получения пригодных для использования результатов.
Проверка вывода RTL OCR
После OCR проверьте вывод, прочитав образец абзаца. Текст должен течь справа налево. Слова должны быть написаны правильно, с диакритическими знаками на соответствующих позициях. Найдите известное слово в документе, чтобы убедиться, что оно распознано. Если вывод искажен, проверьте настройки языка и повторите обработку.
Рабочий процесс Translate PDF для документов RTL требует на первом этапе точного распознавания текста. Качество перевода зависит от качества оптического распознавания символов.
Обработка смешанного текста RTL и LTR на одной странице
Документы с арабским и английским текстом на одной странице требуют, чтобы механизм OCR определял язык на уровне текстового блока. Каждый блок обрабатывается с использованием правильной языковой модели. Вывод сохраняет правильное направление текста для каждого блока.
Обнаружение смешанного направления OCR PDF должно работать на уровне абзаца или текстового блока, а не на уровне страницы. Настройка языка на уровне страницы будет неправильной для половины контента.
Сохранение диакритических знаков при распознавании RTL
Диакритические знаки на арабском и иврите представляют собой маленькие точки и штрихи над, под или внутри символов. Они необходимы для смысла. Механизм оптического распознавания символов, который распознает основной символ, но пропускает диакритический знак, создает текст с неправильным написанием. Проверьте диакритическую точность выходных данных OCR.
Диакритическая проверка Scanned PDF для языков с письмом справа налево проверяет наличие каждой метки. Отсутствующий диакритический знак меняет слово.
Редактирование после оптического распознавания символов для направления текста с письмом справа налево
Даже при правильном распознавании текста направление текста в выходном файле может нуждаться в корректировке. Некоторые текстовые редакторы отображают текст с написанием справа налево неправильно, даже если символы правильные. Проверьте направление текста в целевом приложении и при необходимости откорректируйте его.
Шаг редактирования Translate PDF RTL подтверждает, что текст движется в правильном направлении для целевого языка.
Обучение пользовательским моделям OCR для конкретных сценариев RTL
Для организаций, обрабатывающих большие объемы документов RTL, специальные модели OCR, обученные на конкретном сценарии и типе документа, обеспечивают более высокую точность, чем механизмы общего назначения. Инвестиции в обучение окупаются за счет сокращения времени на коррекцию.
Пользовательская модель OCR PDF для сценариев RTL подходит для повторяющихся типов документов большого объема.
Обработка двунаправленного текста в выходных данных OCR
Если текст с письмом справа налево содержит встроенные элементы LTR, например технические термины на английском языке в предложениях на арабском языке, выходные данные OCR должны сохранять правильный двунаправленный порядок. Убедитесь, что встроенный текст LTR правильно читается в потоке RTL.
Проверка двунаправленного текста Scanned PDF проверяет правильность обработки переключения языка внутри предложений.
Использование собственных приложений RTL для проверки OCR
Проверьте вывод OCR с помощью приложения, разработанного для языка RTL. Текстовый процессор с поддержкой арабского или иврита отображает текст правильно и позволяет редактировать его на родном языке.
Проверка Translate PDF RTL в собственных приложениях выявляет ошибки, которые приложения LTR могут не отображать.
Создание базовой линии качества RTL OCR
Обработайте образец документа с помощью конвейера OCR и измерьте точность. Используйте это измерение в качестве базовой линии. При изменении механизмов или настроек OCR сравнивайте новую точность с базовой.
Базовый уровень PDF Tools RTL OCR позволяет со временем улучшать качество на основе данных.
Обработка лигатур в арабском алфавите OCR
В арабском письме используются лигатуры, в которых два или более символов объединяются в один глиф. Механизм OCR должен распознавать лигатуры и сопоставлять их с правильной последовательностью символов. Неправильное распознавание лигатуры приводит к появлению слов с ошибками, даже если отдельные символы верны.
Обработка лигатур OCR PDF для арабского языка является специализированной возможностью. Механизмы оптического распознавания символов общего назначения могут его не поддерживать.
OCR для вариантов письма на урду и персидском языке
Урду и персидский язык используют арабскую графику с дополнительными символами. Механизм оптического распознавания символов, настроенный для арабского языка, не распознает символы урду или персидского языка. Выберите точный язык, а не только семейство алфавитов.
Выбор языка Scanned PDF для вариантов сценария должен быть точным. Настройки оптического распознавания символов на арабском языке не позволяют правильно обрабатывать документы на урду.
Проверка RTL OCR с помощью проверки носителя языка
Машинное распознавание текста RTL всегда требует проверки человеком важных документов. Носитель языка считывает результат оптического распознавания символов и сравнивает его с оригиналом. Человек-рецензент выявляет ошибки, которые не учитываются автоматическими показателями точности.
Обзор Translate PDF, проведенный носителем языка для RTL OCR, — это качественный переход между приемлемым и ненадежным результатом.
Обработка смешанных арабских цифр и цифр хинди
В арабских документах могут использоваться как арабские цифры (٠١٢٣٤٥٦٧٨٩), так и цифры хинди (0123456789), иногда на одной странице. Механизм OCR должен правильно распознавать обе системы счисления и сохранять исходные цифры.
Для распознавания двойных цифр OCR PDF для документов на арабском языке требуется механизм, который обрабатывает обе системы счисления.
OCR для исторических документов RTL
Исторические документы на языках с письмом справа налево могут использовать старые варианты алфавита, нестандартные формы символов или ухудшение качества печати. Механизмы оптического распознавания символов общего назначения, обученные на современном печатном тексте, будут испытывать трудности. Могут потребоваться специализированные исторические модели OCR или ручная транскрипция.
Проблема Scanned PDF с историческим документом RTL заключается в точности. Примите более низкую точность оптического распознавания символов и выделите больше времени на ручную коррекцию.
Попробуйте PDF-распознавание текста
Никакой установки не требуется. Работает прямо в вашем браузере.