OCR 引擎主要针对从左到右的语言设计。英语、法语、西班牙语、德语。文本从左向右流动。字符识别模型是根据拉丁文字进行训练的。当您对用阿拉伯语、希伯来语、乌尔都语或波斯语编写的 PDF 运行 OCR 时，引擎会遇到从右向左流动的文本，这些文本是用它最初设计不识别的脚本编写的。结果是乱码输出：字符以错误的顺序识别，单词反向拼写，变音符号放错位置或完全丢失。
从右到左语言 PDF 上的 OCR 需要明确支持 RTL 脚本的 OCR 引擎。引擎必须识别阿拉伯语、希伯来语或其他 RTL 字符，保留正确的字符顺序，并处理对这些语言的含义至关重要的变音标记。本指南介绍如何选择正确的引擎并对其进行配置以实现准确的 RTL OCR。
RTL 语言的OCR PDF 挑战与 LTR 语言有着根本的不同。文本方向、字符集和变音符号处理都需要特定的支持。
选择支持 RTL 的 OCR 引擎
| 发动机类型 | RTL 支持 | 最适合 |
|---|---|---|
| 通用 OCR | 有限或没有。可以识别单个阿拉伯字符，但不会保留正确的从右到左的词序 | 不建议用于 RTL 文档。输出需要大量的手动校正 |
| 支持 RTL 的多语言 OCR | 支持阿拉伯语、希伯来语和其他 RTL 脚本作为第二语言。指定语言时正确处理文本方向 | RTL 文本与 LTR 文本一起出现的混合语言文档 |
| RTL 专用 OCR | 专为阿拉伯语或希伯来语 OCR 设计。目标语言的最高准确度。正确处理变音符号和连字 | 完全或主要使用单一 RTL 语言编写文档 |
配置 RTL OCR 的语言设置
在 OCR 引擎设置中选择特定的 RTL 语言。不要依赖自动检测，这可能会将 RTL 文本误识别为不同的脚本。如果文档同时包含 RTL 和 LTR 文本，请指定两种语言并让引擎在文本块级别检测语言。语言设置决定引擎使用哪种字符模型。
WukongPDF OCR 工具支持多种语言。对于 RTL 文档，明确指定语言。具有 RTL 内容的扫描 PDF 需要正确的语言配置才能获得可用结果。
验证 RTL OCR 输出
OCR 后，通过读取示例段落来验证输出。文本应从右向左排列。单词拼写应正确，并在适当的位置添加变音符号。在文档中搜索已知单词以确认它已被识别。如果输出乱码，请检查语言设置并重新处理。
RTL 文档的翻译 PDF工作流程第一步需要准确的 OCR。翻译质量取决于 OCR 质量。
处理同一页面上的混合 RTL 和 LTR 文本
同一页面上同时包含阿拉伯语和英语文本的文档需要 OCR 引擎在文本块级别检测语言。每个块都使用正确的语言模型进行处理。输出保留每个块的正确文本方向。
OCR PDF混合方向检测必须在段落或文本块级别工作，而不是页面级别。页面级语言设置一半的内容都是错误的。
在 RTL OCR 期间保留变音标记
阿拉伯语和希伯来语变音标记是字符上方、下方或内部的小点和笔划。它们对于意义来说是必不可少的。识别基本字符但错过变音标记的 OCR 引擎会生成拼写错误的文本。验证 OCR 输出中的变音精度。
RTL 语言的扫描 PDF变音符号验证检查每个标记是否存在。缺少变音符号会改变单词。
RTL 文本方向的 OCR 后编辑
即使 OCR 正确，输出文件中的文本方向也可能需要调整。即使字符正确，某些文本编辑器也会错误地显示 RTL 文本。验证目标应用程序中的文本方向并根据需要进行调整。
翻译 PDFRTL 编辑步骤确认文本以目标语言的正确方向流动。
为特定 RTL 脚本训练自定义 OCR 模型
对于处理大量 RTL 文档的组织来说，针对特定脚本和文档类型进行训练的自定义 OCR 模型比通用引擎具有更高的准确性。培训投资的回报是纠正时间的缩短。
RTL 脚本的OCR PDF 自定义模型适用于大容量、重复出现的文档类型。
处理 OCR 输出中的双向文本
当 RTL 文本包含嵌入的 LTR 元素（例如阿拉伯语句子中的英语技术术语）时，OCR 输出必须保留正确的双向排序。验证嵌入的 LTR 文本在 RTL 流中是否正确读取。
扫描的 PDF双向文本验证可检查句子内的语言切换处理是否正确。
使用本机 RTL 应用程序进行 OCR 验证
使用专为 RTL 语言设计的应用程序验证 OCR 输出。支持阿拉伯语或希伯来语的文字处理器可以正确显示文本并启用母语编辑。
本机应用程序中的翻译 PDF RTL 验证可捕获 LTR 应用程序可能无法显示的错误。
建立 RTL OCR 质量基线
通过 OCR 管道处理示例文档并测量准确性。使用此测量结果作为基线。当您更改 OCR 引擎或设置时，请将新的准确性与基线进行比较。
PDF Tools RTL OCR 基线可随着时间的推移实现数据驱动的质量改进。
处理阿拉伯文字 OCR 中的连字
阿拉伯文字使用连字，将两个或多个字符组合成一个字形。 OCR 引擎必须识别连字并将其映射到正确的字符序列。即使单个字符正确，不正确的连字识别也会产生拼写错误的单词。
阿拉伯语的OCR PDF 连字处理是一项专门功能。通用 OCR 引擎可能不支持它。
乌尔都语和波斯语文字变体的 OCR
乌尔都语和波斯语使用带有附加字符的阿拉伯文字。配置为阿拉伯语的 OCR 引擎将无法识别乌尔都语特定或波斯语特定字符。选择确切的语言，而不仅仅是脚本系列。
扫描的 PDF脚本变体的语言选择必须精确。阿拉伯语 OCR 设置将无法正确处理乌尔都语文档。
通过母语者审核验证 RTL OCR
RTL 文本的机器 OCR 始终需要对关键文档进行人工验证。母语人士读取 OCR 输出并将其与原始内容进行比较。人工审核员会发现自动准确性指标遗漏的错误。
RTL OCR 的翻译 PDF母语人士审核是可接受和不可靠输出之间的质量关口。
处理混合的阿拉伯语和印地语数字
阿拉伯文档可能同时使用阿拉伯数字 (٠١٢٣٤٥٦٧٨٩) 和印地语数字 (0123456789)，有时在同一页上。 OCR 引擎必须正确识别两种数字系统并保留原始数字。
阿拉伯文档的OCR PDF双数字识别需要一个能够处理两种数字系统的引擎。
历史 RTL 文档的 OCR
RTL 语言的历史文档可能使用较旧的脚本变体、非标准字符形式或降低的打印质量。在现代印刷文本上训练的通用 OCR 引擎将会遇到困难。可能需要专门的历史 OCR 模型或手动转录。
扫描的 PDF历史 RTL 文档的挑战是准确性。接受较低的 OCR 准确度并预算更多时间进行手动校正。