Sacar el texto bengalí de una imagen

Qué cambia al leer bengalí

El modelo de bengalí lee grupos y no letras. Una ligadura como ক্ষ o ন্ত্র es una sola forma en la página, y el modelo tiene que decidir a la vez qué es y cómo se descompone en Unicode; por eso un error de lectura en bengalí suele producir una ligadura equivocada o un signo vocálico sobre la letra equivocada, y no directamente una letra equivocada. El resultado sale en el orden que espera Unicode: el signo vocálico va después de su grupo consonántico, el reph se escribe como র + hasanta antes del grupo sobre el que se apoya, y las vocales de dos partes salen como un solo punto de código. Es el orden que esperan todos los cuadros de búsqueda, correctores ortográficos y fuentes, y es el contrario del orden visual con el que trabaja quien escribe en Bijoy.

Todo lo que hace el lector normal se hace aquí también: se nivela el papel, se endereza la página, las tablas con líneas se leen celda por celda para que una etiqueta y su valor no se mezclen, y el resultado vuelve con el diseño de la página o unido en párrafos. Los números se leen como dígitos bengalíes cuando están impresos en dígitos bengalíes; un formulario que mezcla ০১২ y 012 conserva ambos.

El bengalí no comparte su modelo con ningún otro idioma, pero la imagen puede contener igualmente inglés (un membrete, un número de referencia, un bloque de firma), y cada idioma lee el otro como disparates. Agregar inglés desde la lista hace que la página se lea con ambos paquetes y que cada palabra quede en la escritura en que se imprimió.

Si buscas otra cosa

Un documento en Bijoy que todavía existe como archivo conviene convertirlo, no fotografiarlo. El OCR reconstruye el texto a partir de píxeles y se equivoca en unos pocos caracteres por cada mil incluso en la mejor página; el conversor Bijoy a Unicode lo reconstruye a partir de las pulsaciones de teclado, no se equivoca en ninguno y conserva la negrita y las tablas. Fotografía una página solo cuando el archivo ya no existe.

Para un libro entero o una colección de escaneos, la forma correcta es una herramienta de escritorio: una herramienta OCR de línea de comandos con el mismo modelo de bengalí lee una carpeta entera durante la noche, y OCRmyPDF agrega una capa de texto buscable a cada PDF que contenga. Esta página es para la página que tienes delante.