ベンガル語のPDFをWordに変換

ベンガル語のPDFは何が違うのか

並べ替えこそが要点です。PDFのテキストレイヤーはグリフを描画順で保持しており、ベンガル語のシェーピングエンジンは子音の前に付く母音記号（ি、ে、ৈ）を子音より先に描き、োとৌを子音の両側の2つのグリフに分割します。そのため、単純な抽出ツールから出てくるテキストは、ページに「স্বাভাবিক」とあっても「স্ব␃াভািবক」になります。各行は、ほかの処理の前に論理順に戻されます。母音記号はそのまとまりの後に、レフはその上に乗るまとまりの前にর্として、2つに分かれる母音記号は1つのコードポイントとして。OCRの出力にはこの処理は不要です。エンジンがすでに論理順で出力するからです。

見出し、段落、リンク、画像、改ページは、通常のPDF Word変換のページとまったく同じ方法で判定します。ベースラインが同じ単語は1行になり、間隔が広がると新しい段落になり、本文の1.6倍のサイズの短い行は見出しになり、リンク注釈はWordのハイパーリンクになります。「見た目を再現」はページのアートワークを144 DPIで描画してその上に本物のテキストを配置し、「編集できるテキスト」は読む順番にきれいな段落を作り直します。

ベンガル数字はベンガル数字のまま保たれ、メールアドレスや参照番号など、ページ上のラテン文字の単語はラテン文字のままです。スキャンの場合に読み込まれるのはベンガル語パックなので、英語のレターヘッドが付いたベンガル語のページはベンガル語を正しく読み取る一方、レターヘッドはベンガル文字のような意味不明の文字列になることがあります。英語が重要なら、言語一覧で英語を追加してください。

ほかの目的には

Wordファイルから作られたPDFは、再構築を待っているだけのものです。可能なら.docxをもらってください。また、Bijoyの.docxは、PDFに出力して戻すよりBijoy Unicode変換で変換するほうが確実です。キー入力は1文字も間違えずに変換され、書式も保たれ、ピクセルから読み直すものは何もありません。

スキャンしたベンガル語の本のアーカイブには、ベンガル語モデルを備えたデスクトップのOCRツールがフォルダー全体を一晩で読み取り、OCRmyPDFが見た目を変えずに各PDFへ検索可能なレイヤーを追加します。数百のファイルにはそうしたツールが適した形で、このページは1つのファイルのためのものです。