OCR 引擎主要針對從左到右的語言設計。英語、法語、西班牙語、德語。文字從左向右流動。字元辨識模型是根據拉丁文字進行訓練的。當您對用阿拉伯語、希伯來語、烏爾都語或波斯語編寫的 PDF 運行 OCR 時，引擎會遇到從右向左流動的文本，這些文本是用它最初設計不識別的腳本編寫的。結果是亂碼輸出：字元以錯誤的順序識別，單字反向拼寫，變音符號放錯位置或完全丟失。
從右到左語言 PDF 上的 OCR 需要明確支援 RTL 腳本的 OCR 引擎。引擎必須識別阿拉伯語、希伯來語或其他 RTL 字符，保留正確的字符順序，並處理對這些語言的含義至關重要的變音標記。本指南介紹如何選擇正確的引擎並對其進行配置以實現準確的 RTL OCR。
RTL 語言的OCR PDF 挑戰與 LTR 語言有著根本的不同。文字方向、字元集和變音符號處理都需要特定的支援。
選擇支援 RTL 的 OCR 引擎
| 引擎類型 | RTL 支持 | 最適合 |
|---|---|---|
| 通用 OCR | 有限或沒有。可以辨識單一阿拉伯字符，但不會保留正確的從右到左的詞序 | 不建議用於 RTL 文件。輸出需要大量的手動校正 |
| 支援 RTL 的多語言 OCR | 支援阿拉伯語、希伯來語和其他 RTL 腳本作為第二語言。指定語言時正確處理文字方向 | RTL 文字與 LTR 文字一起出現的混合語言文檔 |
| RTL 專用 OCR | 專為阿拉伯語或希伯來語 OCR 設計。目標語言的最高準確度。正確處理變音符號和連字 | 完全或主要使用單一 RTL 語言編寫文檔 |
配置 RTL OCR 的語言設置
在 OCR 引擎設定中選擇特定的 RTL 語言。不要依賴自動檢測，這可能會將 RTL 文字誤識別為不同的腳本。如果文件同時包含 RTL 和 LTR 文本，請指定兩種語言並讓引擎在文字區塊層級偵測語言。語言設定決定引擎使用哪種字元模型。
WukongPDF OCR 工具支援多種語言。對於 RTL 文檔，明確指定語言。具有 RTL 內容的掃描 PDF 需要正確的語言配置才能獲得可用結果。
驗證 RTL OCR 輸出
OCR 後，透過讀取範例段落來驗證輸出。文字應從右向左排列。單字拼字應正確，並在適當的位置添加變音符號。在文件中搜尋已知單字以確認它已被識別。如果輸出亂碼，請檢查語言設定並重新處理。
RTL 文件的翻譯 PDF工作流程第一步需要準確的 OCR。翻譯品質取決於 OCR 品質。
處理同一頁面上的混合 RTL 和 LTR 文本
同一頁面上同時包含阿拉伯語和英語文本的文檔需要 OCR 引擎在文字區塊層級檢測語言。每個區塊都使用正確的語言模型進行處理。輸出保留每個區塊的正確文字方向。
OCR PDF混合方向偵測必須在段落或文字區塊層級運作，而不是頁面層級。頁面層級語言設定一半的內容都是錯誤的。
在 RTL OCR 期間保留變音標記
阿拉伯語和希伯來語變音標記是字元上方、下方或內部的小點和筆畫。它們對於意義來說是必不可少的。辨識基本字元但錯過變音標記的 OCR 引擎會產生拼字錯誤的文字。驗證 OCR 輸出中的變音精度。
RTL 語言的掃描 PDF變音符號驗證檢查每個標記是否存在。缺少變音符號會改變單字。
RTL 文字方向的 OCR 後編輯
即使 OCR 正確，輸出檔案中的文字方向也可能需要調整。即使字元正確，某些文字編輯器也會錯誤地顯示 RTL 文字。驗證目標應用程式中的文字方向並根據需要進行調整。
翻譯 PDFRTL 編輯步驟確認文本以目標語言的正確方向流動。
為特定 RTL 腳本訓練自訂 OCR 模型
對於處理大量 RTL 文件的組織來說，針對特定腳本和文件類型進行訓練的自訂 OCR 模型比通用引擎具有更高的準確性。培訓投資的回報是糾正時間的縮短。
RTL 腳本的OCR PDF 自訂模型適用於大容量、重複出現的文件類型。
處理 OCR 輸出中的雙向文本
當 RTL 文字包含嵌入的 LTR 元素（例如阿拉伯語句子中的英語技術術語）時，OCR 輸出必須保留正確的雙向排序。驗證嵌入的 LTR 文字在 RTL 流中是否正確讀取。
掃描的 PDF雙向文字驗證可檢查句子內的語言切換處理是否正確。
使用本機 RTL 應用程式進行 OCR 驗證
使用專為 RTL 語言設計的應用程式驗證 OCR 輸出。支援阿拉伯語或希伯來語的文字處理器可以正確顯示文字並啟用母語編輯。
本機應用程式中的翻譯 PDF RTL 驗證可擷取 LTR 應用程式可能無法顯示的錯誤。
建立 RTL OCR 質量基線
透過 OCR 管道處理範例文件並測量準確性。使用此測量結果作為基線。當您變更 OCR 引擎或設定時，請將新的準確性與基準進行比較。
PDF Tools RTL OCR 基準可隨著時間的推移實現數據驅動的品質改進。
處理阿拉伯文字 OCR 中的連字
阿拉伯文字使用連字，將兩個或多個字元組合成一個字形。 OCR 引擎必須識別連字並將其對應到正確的字元序列。即使單字正確，不正確的連字辨識也會產生拼字錯誤的單字。
阿拉伯語的OCR PDF 連字處理是一項專門功能。通用 OCR 引擎可能不支援它。
烏爾都語和波斯語文字變體的 OCR
烏爾都語和波斯語使用帶有附加字符的阿拉伯文字。配置為阿拉伯語的 OCR 引擎將無法辨識烏爾都語特定或波斯語特定字元。選擇確切的語言，而不僅僅是腳本系列。
掃描的 PDF腳本變體的語言選擇必須精確。阿拉伯語 OCR 設定將無法正確處理烏爾都語文檔。
透過母語者審核驗證 RTL OCR
RTL 文字的機器 OCR 始終需要對關鍵文件進行人工驗證。母語人士讀取 OCR 輸出並與原始內容進行比較。人工審核員會發現自動準確性指標遺漏的錯誤。
RTL OCR 的翻譯 PDF母語人士審核是可接受和不可靠輸出之間的品質關口。
處理混合的阿拉伯語和印地語數字
阿拉伯文件可能同時使用阿拉伯數字 (٠١٢٣٤٥٦٧٨٩) 和印地語數字 (0123456789)，有時在同一頁上。 OCR 引擎必須正確識別兩種數字系統並保留原始數字。
阿拉伯文件的OCR PDF雙重數位辨識需要一個能夠處理兩個數位系統的引擎。
歷史 RTL 文件的 OCR
RTL 語言的歷史文件可能使用較舊的腳本變體、非標準字元形式或降低的列印品質。在現代印刷文本上訓練的通用 OCR 引擎將會遇到困難。可能需要專門的歷史 OCR 模型或手動轉錄。
掃描的 PDF歷史 RTL 文件的挑戰是準確性。接受較低的 OCR 準確度併預算更多時間進行手動校正。