Convertir PDF bengalí a Word

Qué tiene de distinto un PDF en bengalí

El reordenamiento es todo el asunto. La capa de texto de un PDF guarda los glifos en orden de dibujo, y un motor de composición bengalí dibuja los signos vocálicos antepuestos (ি, ে, ৈ) antes de la consonante y divide ো y ৌ en dos glifos a sus lados; el texto que sale de un extractor normal es, por tanto, “স্ব␃াভািবক” donde la página dice “স্বাভাবিক”. Cada línea se devuelve al orden lógico (el signo vocálico después de su grupo, el reph como র্ antes del grupo sobre el que se apoya, las vocales de dos partes como un solo punto de código) antes de que pase cualquier otra cosa. El resultado del OCR no necesita nada de esto, porque el lector ya produce el orden lógico.

Los títulos, párrafos, enlaces, imágenes y saltos de página se deducen exactamente igual que en la página general de PDF a Word: las palabras que comparten línea base forman una línea, un espacio más amplio inicia un párrafo, una línea corta a 1.6 veces el tamaño del cuerpo es un título, y una anotación de enlace se convierte en un hipervínculo de Word. “Aspecto exacto” renderiza el diseño de la página a 144 DPI y coloca el texto real encima; “Texto editable” reconstruye párrafos limpios en orden de lectura.

Los dígitos bengalíes se conservan como dígitos bengalíes, y una palabra en letras latinas en la página (una dirección de correo, un número de referencia) sigue en latín. Con un escaneo, el paquete que se carga es el de bengalí, así que una página en bengalí con un membrete en inglés lee bien el bengalí y puede leer el membrete como disparates con forma de bengalí; agrega inglés en la lista de idiomas si el inglés importa.

Si buscas otra cosa

Un PDF hecho a partir de un archivo de Word es una reconstrucción en espera; pide el .docx si puedes. Y un .docx en Bijoy conviene convertirlo con Bijoy a Unicode antes que imprimirlo a PDF y volverlo a convertir: las pulsaciones se convierten sin un solo error, el formato se conserva y nada se vuelve a leer a partir de píxeles.

Para una colección de libros escaneados en bengalí, una herramienta OCR de escritorio con el modelo de bengalí lee una carpeta entera durante la noche, y OCRmyPDF agrega una capa buscable a cada PDF sin cambiar su aspecto: la forma correcta de herramienta para cientos de archivos, mientras que esta página es para uno.