La pulizia dell'OCR è più insidiosa quando il testo sembra già plausibile. Unire due righe può sistemare un paragrafo, ma unire i blocchi sbagliati può generare una frase che l'autore non ha mai scritto. Eliminare numeri ripetuti può ripulire i piè di pagina oppure cancellare una voce di elenco.
Conserva il PDF di partenza e l'esportazione non modificata. Lavora su una copia e considera ogni regola di pulizia come qualcosa da verificare sul documento, non da applicare ciecamente all'intero file.
Ripristina prima i titoli che hanno davvero un ruolo
Leggi i titoli di sezione nell'originale e confrontali con la struttura del Markdown. Una riga stampata in grande può essere il titolo di un capitolo, la didascalia di una figura o un'intestazione corrente. La sola dimensione non basta a stabilirne la funzione.
Usa i livelli di titolo per esprimere la gerarchia reale. Un capitolo può contenere sezioni e sottosezioni senza che ogni frase in evidenza diventi un nuovo titolo. Mantieni la formulazione necessaria a riconoscere la stessa sezione nel PDF.
Se le intestazioni di pagina ripetono il titolo del libro o del capitolo, elimina i duplicati accertati dal testo su cui stai lavorando invece di trasformarli tutti in voci della struttura. Verifica che il titolo autentico resti all'inizio della sezione.
Per un documento lungo, sistema un capitolo e controllane la struttura prima di ripetere lo stesso approccio altrove. Parti diverse di un manuale, l'indice e l'appendice possono seguire convenzioni differenti.
Unisci le righe spezzate senza appiattire la struttura
L'estrazione da PDF può lasciare un'interruzione di riga dopo ogni riga stampata. Nella prosa normale queste righe possono appartenere a un unico paragrafo. Ma un'interruzione di riga può anche separare voci di elenco, versi, codice o un'equazione in evidenza.
Un esempio di pulizia scritto a mano è questo:
Prima:
I campioni sono stati conservati in un armadio
asciutto fino al secondo test.
Dopo:
I campioni sono stati conservati in un armadio asciutto fino al secondo test.
Serve a illustrare una decisione editoriale, non un risultato di conversione misurato. Controlla il PDF prima di applicare la stessa regola a un passaggio reale.
Fai attenzione ai trattini a fine riga. Una parola spezzata dall'impaginazione può richiedere di essere ricomposta; un composto vero e proprio deve mantenere il trattino. Non eliminare ogni trattino seguito da un'interruzione di riga senza aver esaminato degli esempi.
Tra una pagina e l'altra, leggi insieme l'ultima frase dell'originale e l'inizio della pagina successiva. Un piè di pagina interposto, la continuazione di una nota o il passaggio da una colonna all'altra possono rendere scorretta una semplice giunzione.
Elimina il rumore delle pagine con una regola mirata
Individua intestazioni, piè di pagina, numeri di pagina e artefatti di scansione ripetuti. Conferma la presenza di uno schema su più pagine prima di usare trova e sostituisci. La stessa parola può comparire legittimamente nel corpo del testo, e un numero isolato può essere un dato anziché un numero di pagina.
Preferisci una regola legata alla struttura ripetuta effettiva invece di cancellare ogni riga breve. Applicala su una piccola selezione, controlla le modifiche e mantieni la possibilità di annullare. Se il documento contiene sezioni su due colonne, consulta la guida alla risoluzione dei problemi di ordine di lettura prima di trattare un brusco passaggio come semplice spazio bianco.
Mentre pulisci, tieni tabelle, didascalie e note separate dalla prosa normale. La disposizione delle righe spesso contribuisce al significato, che regole applicate indiscriminatamente ai paragrafi rischiano di alterare.
Confronta prima e dopo negli stessi punti del documento
Scegli diversi paragrafi, un elenco, una tabella e una nota. Confronta l'esportazione non modificata, la copia corretta e il PDF di partenza. Controlla le parole e le relazioni tra loro, non solo la pulizia visiva.
Annota le correzioni significative: un titolo ripristinato, un piè di pagina rimosso, un confine di paragrafo sistemato o un errore di riconoscimento ancora aperto. Distingui le modifiche di formattazione da quelle a numeri o terminologia. Una revisione che si legge meglio può comunque aver alterato le prove.
Visualizza l'anteprima del Markdown nell'editor in cui lo userai. Il Markdown di base e le sue estensioni gestiscono in modo diverso tabelle, formule e note; CommonMark definisce la sintassi di base, non il comportamento di ogni applicazione.
Concludi con un file riutilizzabile e tracciabile
PDF Craft può convertire PDF scansionati e testuali in Markdown da modificare. Dopo il caricamento scegli Markdown, scarica il risultato e confrontalo con l'originale. Questo flusso di lavoro non richiede né implica una funzione separata per caricare Markdown già esistente da tradurre.
Tieni immagini e altre risorse insieme al documento ripulito e verifica i loro percorsi dopo averlo spostato. Conserva titolo, edizione e riferimenti di pagina dell'originale quando segui il flusso di lavoro per le note di ricerca.
Puoi fermarti quando la struttura del file è utilizzabile, le correzioni importanti sono state verificate e i passaggi incerti sono chiaramente segnalati per la revisione, anche se resta qualche irregolarità visibile.