Chuyển PDF tiếng Bengal sang Word

PDF Bangla có gì khác

Việc sắp lại thứ tự chính là trọng tâm. Lớp chữ của PDF giữ các glyph theo thứ tự vẽ, và bộ tạo hình chữ Bangla vẽ các dấu nguyên âm đứng trước (ি, ে, ৈ) trước phụ âm và tách ো, ৌ thành hai glyph ở hai bên phụ âm; vì thế chữ lấy ra từ một bộ trích xuất thông thường là "স্ব␃াভািবক" trong khi trang in "স্বাভাবিক". Mỗi dòng được đưa về thứ tự logic — dấu nguyên âm sau cụm của nó, reph là র্ trước cụm nó nằm trên, nguyên âm hai phần thành một mã ký tự — trước mọi bước khác. Kết quả OCR không cần bước này, vì bộ đọc đã xuất ra theo thứ tự logic.

Tiêu đề, đoạn văn, liên kết, hình ảnh và ngắt trang được xác định đúng như trên trang Chuyển PDF sang Word thông thường: các từ cùng một đường cơ sở là một dòng, khoảng cách giãn rộng bắt đầu một đoạn, một dòng ngắn có cỡ chữ 1,6 lần chữ thân bài là tiêu đề, và một chú thích liên kết thành hyperlink Word. Giống hệt bản gốc kết xuất hình họa của trang ở 144 DPI và đặt chữ thật lên trên; Văn bản chỉnh sửa được dựng lại các đoạn văn gọn gàng theo thứ tự đọc.

Chữ số Bengal được giữ là chữ số Bengal, và một từ Latin trên trang — địa chỉ email, số tham chiếu — vẫn là Latin. Với bản scan, gói được nạp là gói tiếng Bengal, nên một trang Bangla có tiêu đề thư tiếng Anh sẽ đọc đúng phần Bangla và có thể đọc tiêu đề thư thành thứ vô nghĩa mang hình dạng Bangla; hãy thêm tiếng Anh vào danh sách ngôn ngữ nếu phần tiếng Anh quan trọng.

Khi bạn cần công cụ khác

Một PDF tạo từ file Word là một bản dựng lại chờ sẵn; hãy xin file .docx nếu có thể. Và một file .docx Bijoy nên chuyển bằng Chuyển Bijoy sang Unicode hơn là in ra PDF rồi chuyển ngược lại — các phím gõ chuyển đổi không sai một ký tự, định dạng được giữ, và không có gì phải đọc lại từ pixel.

Với một kho sách Bangla scan, một công cụ OCR trên máy tính dùng mô hình tiếng Bengal đọc cả thư mục qua một đêm, và OCRmyPDF thêm lớp tìm kiếm được cho từng PDF mà không làm thay đổi bề ngoài — hình dạng công cụ phù hợp cho hàng trăm file, còn trang này dành cho một file.