Bei der OCR-Bereinigung passieren die Fehler am ehesten dort, wo der Text bereits plausibel klingt. Wer zwei Zeilen zusammenführt, kann damit einen Absatz reparieren; wer die falschen Blöcke zusammenführt, erzeugt dagegen einen Satz, den die Autorin oder der Autor nie geschrieben hat. Wer wiederkehrende Zahlen entfernt, kann damit Fußzeilen bereinigen oder eine Liste auslöschen.
Bewahren Sie das Quell-PDF und den unveränderten Export auf. Arbeiten Sie an einer Kopie, und behandeln Sie jede Bereinigungsregel als etwas, das Sie am Dokument prüfen, statt es blind auf die ganze Datei anzuwenden.
Zuerst aussagekräftige Überschriften wiederherstellen
Lesen Sie die Abschnittstitel in der Quelle und vergleichen Sie sie mit der Gliederung des Markdowns. Eine große gedruckte Zeile kann ein Kapiteltitel, eine Bildunterschrift oder eine Kopfzeile sein. Allein aus der Schriftgröße lässt sich die Funktion nicht ableiten.
Drücken Sie die tatsächliche Hierarchie mit Überschriftsebenen aus. Ein Kapitel kann Abschnitte und Unterabschnitte enthalten, ohne dass jede hervorgehobene Wendung zu einer neuen Überschrift wird. Behalten Sie die Formulierung bei, mit der sich derselbe Abschnitt im PDF wiederfinden lässt.
Wenn Kopfzeilen den Buch- oder Kapiteltitel wiederholen, entfernen Sie bestätigte Doppelungen aus dem Arbeitstext, statt jede davon in die Gliederung zu übernehmen. Prüfen Sie, dass die eigentliche Überschrift am Anfang des Abschnitts erhalten bleibt.
Bei einem langen Dokument bereinigen Sie zunächst ein Kapitel und prüfen dessen Gliederung, bevor Sie dasselbe Vorgehen auf andere Teile übertragen. Lehrbuchtext, Register und Anhang können unterschiedlichen Konventionen folgen.
Umbrochene Zeilen zusammenführen, ohne die Struktur zu verflachen
Bei der PDF-Extraktion kann nach jeder gedruckten Zeile ein Zeilenumbruch stehen. In gewöhnlichem Fließtext gehören diese Zeilen oft zu einem Absatz. Ein Zeilenumbruch kann aber auch Listeneinträge, Verse, Code oder eine abgesetzte Formel trennen.
Ein von Hand erstelltes Beispiel für die Bereinigung:
Vorher:
The samples were stored in a dry
cabinet until the second test.
Nachher:
The samples were stored in a dry cabinet until the second test.
Das Beispiel zeigt eine redaktionelle Entscheidung, kein gemessenes Konvertierungsergebnis. Prüfen Sie die betreffende Stelle im PDF, bevor Sie dieselbe Regel auf eine echte Textstelle anwenden.
Vorsicht bei Bindestrichen am Zeilenende. Ein Wort, das durch den Satzumbruch getrennt wurde, muss möglicherweise zusammengefügt werden; eine echte Zusammensetzung behält ihren Bindestrich. Entfernen Sie nicht pauschal jeden Bindestrich vor einem Zeilenumbruch, ohne die Einzelfälle anzusehen.
Lesen Sie an Seitenübergängen den letzten Satz der Quelle und den Anfang der nächsten Seite zusammen. Eine dazwischenliegende Fußzeile, die Fortsetzung einer Anmerkung oder ein Spaltenwechsel kann ein einfaches Zusammenfügen falsch machen.
Seitenrauschen mit einer eng gefassten Regel entfernen
Ermitteln Sie wiederkehrende Kopf- und Fußzeilen, Seitenzahlen und Scanartefakte. Bestätigen Sie ein Muster auf mehreren Seiten, bevor Sie Suchen und Ersetzen einsetzen. Dasselbe Wort kann im Haupttext legitim vorkommen, und eine einzelne Zahl kann ein Datenwert und keine Seitenzahl sein.
Bevorzugen Sie eine Regel, die an der tatsächlich wiederkehrenden Struktur ansetzt, statt jede kurze Zeile zu löschen. Wenden Sie sie auf eine kleine Auswahl an, prüfen Sie die Änderungen und behalten Sie die Möglichkeit, sie rückgängig zu machen. Wenn das Dokument zweispaltige Abschnitte enthält, ziehen Sie den Leitfaden zur Lesereihenfolge zu Rate, bevor Sie einen abrupten Übergang als bloßen Leerraum behandeln.
Halten Sie Tabellen, Bildunterschriften und Fußnoten beim Bereinigen vom Fließtext getrennt. Ihre Zeilenstruktur trägt oft Bedeutung, die pauschale Absatzregeln zerstören würden.
Vorher und Nachher an denselben Stellen der Quelle vergleichen
Wählen Sie mehrere Absätze, eine Liste, eine Tabelle und eine Anmerkung aus. Vergleichen Sie den unveränderten Export, die bearbeitete Kopie und das Quell-PDF. Prüfen Sie Wörter und Bezüge, nicht nur das optische Erscheinungsbild.
Halten Sie inhaltlich bedeutsame Korrekturen fest: eine wiederhergestellte Überschrift, eine entfernte Kopfzeile, einen reparierten Absatzübergang oder einen ungelösten Erkennungsfehler. Unterscheiden Sie Formatierungsänderungen von Änderungen an Zahlen oder Fachbegriffen. Eine Fassung, die sich flüssiger liest, kann trotzdem den Beleg verändert haben.
Sehen Sie sich das Markdown in dem Editor an, in dem es später verwendet wird. Grundlegendes Markdown und Erweiterungen gehen unterschiedlich mit Tabellen, Formeln und Fußnoten um; CommonMark legt die Kernsyntax fest, nicht das Verhalten jeder Anwendung.
Mit einer wiederverwendbaren, nachvollziehbaren Datei abschließen
PDF Craft kann gescannte PDFs und Text-PDFs in Markdown zur Bearbeitung umwandeln. Wählen Sie nach dem Hochladen Markdown, laden Sie das fertige Ergebnis herunter und gleichen Sie es mit dem Original ab. Dieser Arbeitsablauf setzt keine eigene Funktion voraus, mit der sich beliebiges vorhandenes Markdown zur Übersetzung hochladen lässt, und deutet auch nicht darauf hin.
Bewahren Sie Bilder und andere Ressourcen beim bereinigten Dokument auf, und prüfen Sie ihre Pfade, nachdem Sie es verschoben haben. Behalten Sie den Titel der Quelle, die Auflage und die Seitenangaben bei, wenn Sie nach dem Ablauf für Forschungsnotizen arbeiten.
Der sinnvolle Endpunkt ist nicht eine Datei ohne sichtbare Unregelmäßigkeiten. Es ist eine Datei, deren Struktur sich nutzen lässt, deren wichtige Korrekturen geprüft sind und deren unsichere Stellen klar zur Nachprüfung gekennzeichnet bleiben.