벵골어 PDF를 워드로 변환

벵골어 PDF는 무엇이 다른가

재배열이 핵심입니다. PDF 텍스트 레이어는 글리프를 그리는 순서로 담고 있고, 벵골어 셰이핑 엔진은 자음 앞에 붙는 모음 기호(ি, ে, ৈ)를 자음보다 먼저 그리며 ো와 ৌ를 자음 양쪽의 글리프 두 개로 나눕니다. 그래서 단순 추출기에서 나오는 텍스트는 페이지에 “স্বাভাবিক”라고 적혀 있어도 “স্ব␃াভািবক”가 됩니다. 각 줄은 다른 어떤 처리보다 먼저 논리 순서로 되돌립니다. 모음 기호는 묶음 뒤에, 레프는 그것이 올라앉는 묶음 앞에 র্로, 두 부분 모음은 하나의 코드 포인트로. OCR 출력에는 이 과정이 필요 없습니다. 엔진이 이미 논리 순서로 내놓기 때문입니다.

제목, 문단, 링크, 이미지, 페이지 나누기는 일반 PDF 워드 변환 페이지와 똑같이 판단합니다. 같은 기준선의 단어는 한 줄이 되고, 간격이 벌어지면 새 문단이 시작되며, 본문 크기의 1.6배인 짧은 줄은 제목이 되고, 링크 주석은 워드 하이퍼링크가 됩니다. “원본 모양 그대로”는 페이지 그래픽을 144 DPI로 렌더링하고 그 위에 실제 텍스트를 놓으며, “편집 가능한 텍스트”는 읽는 순서대로 깔끔한 문단을 다시 만듭니다.

벵골 숫자는 벵골 숫자로 유지되고, 이메일 주소나 참조 번호처럼 페이지에 있는 라틴 문자 단어는 라틴 문자로 남습니다. 스캔본에서는 벵골어 팩이 로드되므로, 영어 레터헤드가 있는 벵골어 페이지는 벵골어는 올바르게 읽되 레터헤드는 벵골어 모양의 엉터리로 읽힐 수 있습니다. 영어가 중요하다면 언어 목록에서 영어를 추가하세요.

다른 작업이 필요할 때

Word 파일로 만든 PDF는 재구성을 기다리는 파일일 뿐이니, 가능하다면 .docx를 요청하세요. 그리고 Bijoy .docx는 PDF로 인쇄해 다시 변환하기보다 Bijoy Unicode 변환으로 변환하는 편이 낫습니다. 키 입력은 오류 하나 없이 변환되고, 서식이 유지되며, 픽셀에서 다시 읽어 내는 것이 없습니다.

스캔한 벵골어 책 아카이브라면, 벵골어 모델이 있는 데스크톱 OCR 도구가 폴더를 밤새 읽어 내고 OCRmyPDF가 각 PDF의 모양을 바꾸지 않고 검색 가능한 레이어를 넣어 줍니다. 수백 개 파일에는 그런 도구가 맞고, 이 페이지는 한 개를 위한 것입니다.