Converter PDF bengali em Word

O que é diferente em um PDF em bengali

A reordenação é o ponto principal. A camada de texto de um PDF guarda os glifos na ordem de desenho, e um mecanismo de composição bengali desenha os sinais de vogal pré-base (ি, ে, ৈ) antes da consoante e divide ো e ৌ em dois glifos ao redor dela; o texto que sai de um extrator comum é, portanto, “স্ব␃াভািবক” onde a página diz “স্বাভাবিক”. Cada linha é devolvida à ordem lógica — sinal de vogal depois do seu grupo, reph como র্ antes do grupo em que se apoia, vogais de duas partes como um único ponto de código — antes de qualquer outra coisa acontecer. A saída do OCR não precisa de nada disso, porque o leitor já produz a ordem lógica.

Títulos, parágrafos, links, imagens e quebras de página são deduzidos exatamente como na página geral de PDF para Word: palavras na mesma linha de base viram uma linha, um espaço maior começa um parágrafo, uma linha curta com 1,6 vez o tamanho do corpo é um título, e uma anotação de link vira um hiperlink do Word. Aparência exata renderiza a arte da página a 144 DPI e coloca o texto real por cima; Texto editável reconstrói parágrafos limpos na ordem de leitura.

Algarismos bengalis são mantidos como algarismos bengalis, e uma palavra em letras latinas na página — um endereço de e-mail, um número de referência — continua em latim. Em uma digitalização, o pacote carregado é o de bengali, então uma página em bengali com um timbre em inglês lê o bengali corretamente e pode ler o timbre como um absurdo com cara de bengali; adicione inglês na lista de idiomas se o inglês importar.

Quando você precisa de outra coisa

Um PDF feito a partir de um arquivo do Word é uma reconstrução esperando para acontecer; peça o .docx se puder. E um .docx em Bijoy é melhor convertido com o Bijoy para Unicode do que impresso em PDF e convertido de volta — as teclas são convertidas sem um único erro, a formatação sobrevive e nada é relido a partir de pixels.

Para um acervo de livros digitalizados em bengali, uma ferramenta de OCR para desktop com o modelo de bengali lê uma pasta inteira durante a noite, e o OCRmyPDF adiciona uma camada pesquisável a cada PDF sem mudar a aparência — o formato certo de ferramenta para centenas de arquivos, enquanto esta página é para um.