چگونه یک PDF اسکن‌شده را با OCR ترجمه کنیم (و صفحه‌آرایی را حفظ کنیم)
TABLE OF CONTENTS
ترجمه یک PDF اسکن‌شده یک کار واحد نیست؛ اول OCR است و بعد بازسازی صفحه‌آرایی. اگر اسکن خراب باشد، هیچ مترجمی نمی‌تواند صفحه را نجات دهد.
چرا PDFهای اسکن‌شده مسیر معمول «حفظ صفحه‌آرایی» را می‌شکنند
یک PDF بومی دیجیتال از پیش متن قابل انتخاب و (اغلب) ساختار را در خود ذخیره کرده است. یک PDF اسکن‌شده بیشتر مجموعه‌ای از عکس‌های صفحه است. پیش از آنکه هر مترجمی بتواند واژه‌ها را به زبان دیگری منتقل کند، یک موتور OCR باید آن واژه‌ها را از پیکسل‌ها حدس بزند و سپس چیز دیگری باید ترجمه را به ستون‌ها، جدول‌ها و حاشیه‌ها برگرداند.
همین زنجیره دو مرحله‌ای است که باعث می‌شود «OCR + حفظ صفحه‌آرایی» با ترجمه یک PDF بومی و حفظ قالب‌بندی متفاوت به نظر برسد. مستندات ترجمه اسناد Google Cloud در این باره صریح است: PDFهای اسکن‌شده معمولاً بیش از PDFهای بومی قالب‌بندی خود را از دست می‌دهند، به‌ویژه در جدول‌های پرجزئیات، صفحه‌های چندستونه و نمودارهای برچسب‌دار. OCR رشته‌های متنی را بازیابی می‌کند؛ بازسازی یک طراحی آراسته از پیکسل‌ها کاری دوم و سخت‌تر است.
این راهنما به نقطه تلاقی این دو می‌پردازد؛ یعنی چطور فایل خود را دسته‌بندی کنید، اسکن را آماده کنید، انتظارات صادقانه‌ای از صفحه‌آرایی داشته باشید و یک جریان کاری عملی OCR→ترجمه را اجرا کنید؛ نه یک مرور کلی دیگر از روش‌ها (برای آن چگونه در 2026 یک PDF اسکن‌شده را ترجمه کنیم را ببینید) و نه یک مقایسه ابزارها (وقتی به انتخاب محصول نیاز دارید، بهترین ابزارهای OCR برای PDFهای اسکن‌شده یا بهترین مترجم‌های PDF اسکن‌شده را ببینید).
چطور PDF تصویرمحور را از بومی و ترکیبی تشخیص دهیم
این کار را پیش از آپلود هر چیزی انجام دهید. خط لوله اشتباه (OCR روی فایل بومی، یا تجزیه فقط متنی روی یک اسکن) هم وقت تلف می‌کند و هم خطا وارد کار می‌کند.
| نوع | آزمون‌های سریع در نمایشگر PDF | چه کاری انجام دهید |
|---|---|---|
| بومی (دیجیتال‌زاد) | می‌توانید واژه‌های واقعی را برجسته و کپی کنید؛ جست‌وجو عبارت‌ها را پیدا می‌کند | تجزیه لایه متنی را ترجیح دهید. OCR تمام‌صفحه را به‌زور اعمال نکنید؛ در این حالت متن دقیق را با حدس جایگزین می‌کنید |
| تصویرمحور / اسکن‌شده | انتخاب، کل صفحه را به‌عنوان یک تصویر (یا هیچ چیز) برجسته می‌کند؛ جست‌وجو چیز مفیدی پیدا نمی‌کند | برای OCR برنامه‌ریزی کنید. کیفیت صفحه‌آرایی با کیفیت اسکن پیش می‌رود |
| اسکن قابل جست‌وجو | صفحه شبیه عکس است، اما جست‌وجو/کپی گاهی کار می‌کند | ممکن است متن نامرئی OCR از قبل زیر تصویر نشسته باشد. چند صفحه را آزمایش کنید؛ اگر لایه پنهان به‌هم‌ریخته یا ناقص است، به آن اعتماد نکنید و دوباره OCR کنید |
| ترکیبی | برخی صفحه‌ها قابل انتخاب و برخی تصویرمحور هستند (رایج در اسکن بسته‌های اداری همراه با جلدهای دیجیتال) | مسیریابی را صفحه‌به‌صفحه انجام دهید. ابزارهایی که «همه بومی» یا «همه اسکن» را فرض می‌کنند، کمتر از حد ترجمه می‌کنند یا بیش از حد OCR می‌زنند |
بررسی‌های عملی (بدون نیاز به نرم‌افزار خاص):
- صفحه اول، صفحه میانی و صفحه آخر را باز کنید. روی هر کدام تلاش کنید یک جمله را انتخاب کنید.
- از Find برای یک واژه یکتا که روی صفحه می‌بینید استفاده کنید. اگر هیچ نتیجه‌ای نداد → آن را اسکن (یا لایه متنی خراب) در نظر بگیرید.
- تا 200% بزرگ‌نمایی کنید. حروف نرم و پیکسلی معمولاً یعنی عکسِ کاغذ؛ حروف برداری و شارپ معمولاً یعنی بومی.
- مراقب دام‌های ترکیبی باشید: یک جلد دیجیتال + بدنه اسکن‌شده، یا یک گزارش بومی با یک پیوست عکس‌برداری‌شده. دسته‌بندی را به تفکیک بخش انجام دهید، نه فقط بر اساس صفحه اول.
اگر هنوز فایل منبع Word / Google Docs / InDesign را دارید، همان را ترجمه کنید و یک PDF جدید بگیرید. OCR روی یک اسکن تخت‌شده راهی جایگزین است؛ نه مسیر ایده‌آل برای کارهایی که صفحه‌آرایی در آن‌ها حیاتی است.
چک‌لیست کیفیت اسکن پیش از OCR
دقت OCR و بقای صفحه‌آرایی از یک ورودی مشترک تغذیه می‌شوند. راهنمایی‌های فروشندگان (مثلاً یادداشت‌های پردازش PDF در RWS Language Weaver و آماده‌سازی OCR در Pairaphrase) همه بر یک حداقل مشترک توافق دارند:
| عامل | هدف | چرا مهم است |
|---|---|---|
| تفکیک‌پذیری | ≥ 300 DPI برای متن بدنه؛ تا حدود ~600 DPI برای پانویس‌های ریز یا جدول‌های پرتراکم | زیر حدود 150–200 DPI، اشتباه‌های کلاسیک بیشتر می‌شوند (rn→m، 0→O). DPI بالاتر به حروف کوچک کمک می‌کند؛ اما از یک نقطه به بعد بیشتر حجم فایل را زیاد می‌کند |
| کجی / جهت صفحه | صفحه‌ها صاف و مستطیل؛ حالت یکنواخت عمودی یا افقی | عکس‌های کج با موبایل و چرخش‌های ناهمگون، تشخیص خط و ترتیب خواندن را به‌هم می‌ریزند. برخی APIها تصحیح چرخش ارائه می‌دهند؛ با این حال اصلاح در مبدأ بهتر است |
| کنتراست | متن تیره روی پس‌زمینه روشن و تمیز؛ پرهیز از سیاه‌وسفید سوخته یا خاکستری رنگ‌پریده | کنتراست بسیار بالا یا بسیار پایین، خطوط نازک را به لکه یا شبح تبدیل می‌کند. برای جوهر کمرنگ، خاکستری اغلب از دوسطحی تهاجمی بهتر عمل می‌کند |
| موانع | بدون مهر، واترمارک سنگین، تای خوردگی، نفوذ پشت‌صفحه یا دست‌نوشته روی متن بدنه | هر چیزی که روی گلیف‌ها را بپوشاند، به «متنی» تبدیل می‌شود که OCR آن را از خود می‌سازد یا نادیده می‌گیرد |
| یکنواختی صفحه‌آرایی | قالب‌های صفحه مشابه در یک فایل، وقتی می‌توانید اسکن را کنترل کنید | درهم‌آمیختن صفحه‌های چندستونه مجله با نامه‌های ساده در یک مرحله OCR به بخش‌بندی آسیب می‌زند |
| دست‌نوشته و عکس متن | انتظار نتیجه ضعیف داشته باشید | یادداشت‌های دست‌نویس، عکس وایت‌برد و نقشه‌ها همچنان سخت هستند؛ استخراج دستی یا بازبینی انسانی را در برنامه بگذارید |
| زبان | در صورت امکان یک زبان اصلی در هر فایل؛ تنظیم نشانه‌های زبان در ابزار OCR | دیکشنری‌ها و مدل‌های خط وقتی فضای جست‌وجو محدود باشد بهتر کار می‌کنند |
اگر می‌توانید دوباره اسکن کنید: از اسکنر تخت یا فیدر با 300 DPI+ استفاده کنید، خروجی PDF بگیرید (نه انبوهی از JPEGهای نرم)، صفحه‌ها را صاف کنید، حاشیه‌های سیاه را اگر تشخیص ناحیه را گیج می‌کنند حذف کنید و روشنایی را متعادل نگه دارید. اگر نمی‌توانید دوباره اسکن کنید: با یک ابزار PDF/OCR کجی را اصلاح کنید، حاشیه‌های جای پانچ را برش دهید و بپذیرید که فکس‌های تار از گزارش‌های پیچیده پس از ترجمه به یک مرحله پاک‌سازی نیاز دارند.
«OCR + حفظ صفحه‌آرایی» واقع‌بینانه چه می‌تواند بکند
معیار را با شکل سند تعیین کنید، نه با متن تبلیغاتی.
معمولاً قوی
- اسکن‌های تمیز، با DPI بالا و صاف از نامه‌های یک‌ستونه، فاکتورهایی با بلوک‌های ساده، یا گزارش‌هایی با سرتیترهای روشن
- لوگوها و عکس‌هایی که به‌صورت تصویر می‌مانند، در حالی که زیرنویس‌های مجاورشان ترجمه می‌شوند
- حفظ تقریبی ستون‌ها و حاشیه‌ها در صفحه‌های ساده
اغلب نیازمند بازبینی
- جدول‌هایی که از خط ساخته شده‌اند نه از اشیای واقعی جدول؛ مرزهای سلول پس از کشیدگی متن جابه‌جا می‌شوند
- مجله‌های دو یا سه‌ستونه؛ ستون‌های کنار صفحه؛ نقل‌قول‌های برجسته
- فرم‌ها، مهرها و امضاها درهم‌آمیخته با متن بدنه
- زبان‌های مقصدی که کشیده می‌شوند (مثلاً بسیاری از زبان‌های اروپایی در برابر انگلیسی)؛ کادرهایی که برای زبان مبدأ اندازه گرفته شده‌اند حتی وقتی OCR بی‌نقص بوده سرریز می‌کنند
ضعیف یا خارج از حوزه OCR→PDF خالص
- دست‌نوشته، کاغذهای کاربن کم‌کنتراست، عکس‌های کج با موبایل
- نمودارهای برچسب‌دار و پرتراکم که برچسب‌ها بخشی از خود طرح هستند
- بروشورهای چاپی با دقت پیکسل‌به‌پیکسل؛ منابع قابل ویرایش را ترجیح دهید
یک بررسی صادقانه: OCR به شما واژه‌ها و کادرها می‌دهد. «حفظ صفحه‌آرایی» پس از OCR یعنی ابزار رشته‌های ترجمه‌شده را در همان نواحی می‌گذارد (یا صفحه‌ای مشابه را بازمی‌سازد). این به معنی یک نسخه دوقلوی تضمینی از اسکن نیست. ابزارهایی را ترجیح دهید که یک PDF بازسازی‌شده و قابل پیش‌نمایش برمی‌گردانند، نه فقط یک خروجی متنی ساده. برای اینکه «حفظ قالب‌بندی» در چک‌لیست خریدار چه معنایی باید داشته باشد (جدول‌ها، فونت‌ها، تصاویر، صفحه‌آرایی صفحه)، از راهنمای همراه استفاده کنید: ترجمه PDF و حفظ صفحه‌آرایی. اگر فایل شما از قبل یک PDF بومی است (متن قابل انتخاب)، به‌جای مسیر OCR اسکن، از مترجم PDF OpenL برای ترجمه با حفظ صفحه‌آرایی استفاده کنید.
گام‌های عملی: PDF اسکن‌شده → OCR → ترجمه آگاه به صفحه‌آرایی
- فایل را دسته‌بندی کنید با آزمون‌های بالا. روی صفحه‌های واقعاً بومی از OCR صرف‌نظر کنید.
- اسکن را آماده کنید با استفاده از چک‌لیست (DPI، کجی، کنتراست، موانع). اگر فایل زیر حدود ~200 DPI است و کاغذ هنوز موجود است، دوباره اسکن کنید.
- مسیر را انتخاب کنید
- OCR + ترجمه یکپارچه — وقتی اسکن تمیز است و نیازهای صفحه‌آرایی متوسط (اشتراک با مشتری، بازبینی داخلی)، یک بار آپلود کنید.
- اول OCR، بعد ترجمه — وقتی اصطلاحات یا عبارات حقوقی مهم است: یک فایل میانی قابل جست‌وجو/ویرایش تولید کنید، خطاهای OCR (نام‌ها، اعداد، سلول‌های جدول) را اصلاح کنید و بعد ترجمه کنید.
- نشانه‌های زبان و خط را در ابزار OCR یا ابزار سند تنظیم کنید. بسته‌های زبانی اشتباه بی‌سروصدا صفحه‌های CJK، عربی، سیریلیک و چندخطی را تنزل می‌دهند.
- با در نظر گرفتن بازسازی صفحه‌آرایی ترجمه کنید — یک خط لوله سندی انتخاب کنید که خروجی PDF (یا DOCX) با ساختار می‌دهد، نه فقط پاراگراف‌های شبیه چت.
- اول صفحه‌های سخت را نقطه‌ای بررسی کنید — هر جدول، هر صفحه چندستونه، سرصفحه/پاصفحه و هر صفحه‌ای که مهر یا شکل دارد.
- وقتی PDF به بن‌بست می‌رسد، کار را ارجاع دهید — اگر صفحه‌آرایی حیاتی است (چاپ، پرونده‌های مقرراتی)، نسخه اصلی قابل ویرایش را بخواهید.
مسیر نرم‌محور محصول، وقتی می‌خواهید OCR روی اسکن‌های واضح و یک پیش‌نمایش صفحه‌آرایی را در یک جا داشته باشید: مترجم اسناد اسکن‌شده OpenL روی doc.openl.io. از آن برای سنجش تناسب روی یک نمونه استفاده کنید؛ اجرای کل سند پولی است چون سنگین از نظر پردازشی است. اپ iOS Doc Translator زمانی که از دسکتاپ دور هستید، جریان‌های سند روی دستگاه و مبتنی بر OCR را پوشش می‌دهد.
پیش از پرداخت، پیش‌نمایش بگیرید
پرداخت برای یک بسته اسکن‌شده کامل پیش از دیدن کیفیت OCR + صفحه‌آرایی، همان راهی است که خریدار را با فایل‌های بی‌استفاده زمین‌گیر می‌کند.
- تأیید کنید که فایل واقعاً اسکن است (یا کدام صفحه‌ها اسکن هستند).
- یک نمونه معرف آپلود کنید — یک صفحه آسان و یک صفحه سخت (جدول یا دوستونه) را بگنجانید.
- یک پیش‌نمایش رایگان یا محدود که صفحه‌آرایی را نشان می‌دهد را ترجیح دهید، نه فقط یک برآورد بر اساس تعداد واژه. در doc.openl.io/translate/scanned-document می‌توانید پیش از متعهد شدن به کل فایل، یک پیش‌نمایش رایگان روزانه را بررسی کنید.
- نشانه‌های OCR را بررسی کنید: نام‌های به‌هم‌ریخته، ستون‌های ادغام‌شده، اعداد جابه‌جاشده در جدول‌ها، ستون‌های کنار صفحه حذف‌شده.
- تنها پس از آن برای کل سند پرداخت کنید — و همچنان صفحه اول/آخر و هر جدول را قبل از اشتراک‌گذاری بیرونی بازبینی کنید.
Sources
- Translate documents — Google Cloud Translation — یادداشت رسمی که PDFهای اسکن‌شده بیش از PDFهای بومی قالب‌بندی از دست می‌دهند؛ هشدارهای محتوای ترکیبی بومی/اسکن‌شده؛ جهت صفحه در ترجمه PDFهای اسکن‌شده
- PDF processing guidelines — RWS Language Weaver — حداقل 300 dpi، کجی/کنتراست، محدودیت دست‌نوشته و یکنواختی صفحه‌آرایی پیش از MT
- How to Extract Text From Scanned PDFs Reliably — OCRByte — جایگزین متن بومی، اصلاح کجی، کنتراست، نشانه‌های زبان و چک‌لیست OCR آگاه به صفحه‌آرایی
- Highest quality scanned document translation with OCR — Pairaphrase — حذف موانع و راهنمای اسکن دوباره با 300–600 DPI
- Detect Scanned PDF Document — UniDoc — روش‌های اکتشافی برای تفکیک PDF اسکن‌شده از متنی و موارد لبه‌ای اسکن قابل جست‌وجو
- Scanned Document Translator — OpenL Doc — OCR برای اسکن‌های واضح، خروجی متمرکز بر صفحه‌آرایی و پیش‌نمایش رایگان پیش از پرداخت
