Extrair o texto bengali de uma imagem

O que muda na leitura do bengali

O modelo de bengali lê grupos, e não letras. Uma ligatura como ক্ষ ou ন্ত্র é uma única forma na página, e o modelo precisa decidir ao mesmo tempo o que ela é e como se decompõe em Unicode — por isso um erro de leitura em bengali costuma produzir uma ligatura errada ou um sinal de vogal na letra errada, e não simplesmente a letra errada. O resultado sai na ordem que o Unicode espera: o sinal de vogal vem depois do seu grupo consonantal, o reph é escrito como র + hasanta antes do grupo em que se apoia, e as vogais de duas partes saem como um único ponto de código. É a ordem que toda caixa de busca, corretor ortográfico e fonte espera, e é o contrário da ordem visual em que quem digita em Bijoy trabalha.

Tudo o que o leitor normal faz também é feito aqui: o papel é nivelado, a página é endireitada, tabelas com linhas de grade são lidas célula por célula para que um rótulo e seu valor fiquem separados, e o resultado volta com o layout da página ou junto em parágrafos. Os números são lidos como algarismos bengalis quando estão impressos em algarismos bengalis; um formulário que mistura ০১২ e 012 mantém os dois.

O bengali não compartilha o modelo com nenhum outro idioma, mas a imagem ainda pode trazer inglês — um timbre, um número de referência, um bloco de assinatura —, e cada idioma lê o outro como absurdo. Adicionar inglês na lista faz a página ser lida com os dois pacotes e mantém cada palavra na escrita em que foi impressa.

Quando você precisa de outra coisa

Um documento em Bijoy que ainda existe como arquivo é melhor convertido do que fotografado. O OCR reconstrói o texto a partir de pixels e erra alguns caracteres em mil mesmo na melhor página; o conversor Bijoy para Unicode reconstrói a partir das teclas digitadas, não erra nenhum e mantém o negrito e as tabelas. Fotografe uma página só quando o arquivo já não existe.

Para um livro inteiro ou um acervo de digitalizações, uma ferramenta para desktop é o formato certo: uma ferramenta de OCR de linha de comando com o mesmo modelo de bengali lê uma pasta inteira durante a noite, e o OCRmyPDF adiciona uma camada de texto pesquisável a cada PDF dela. Esta página é para a página que está na sua frente.