Чистка текста после OCR опаснее всего тогда, когда он уже выглядит правдоподобно. Склейка двух строк может восстановить абзац, а может породить фразу, которой автор не писал. Удаление повторяющихся чисел очищает колонтитулы — или стирает элементы списка.
Сохраните исходный PDF и нетронутый экспорт. Работайте с копией и относитесь к каждому правилу чистки как к тому, что нужно проверить на конкретном документе, а не слепо применить ко всему файлу.
Сначала восстановите осмысленные заголовки
Прочитайте названия разделов в источнике и сравните их со структурой Markdown. Крупная печатная строка может быть названием главы, подписью к рисунку или колонтитулом. Один размер шрифта ещё не определяет её роль.
Уровни заголовков должны отражать реальную иерархию. В главе могут быть разделы и подразделы, но не каждая выделенная фраза заслуживает статуса заголовка. Сохраняйте формулировки, по которым тот же раздел узнаётся в PDF.
Если колонтитулы повторяют название книги или главы, удаляйте подтверждённые дубликаты из рабочего текста, а не превращайте каждое повторение в элемент структуры. Убедитесь, что настоящий заголовок остаётся в начале раздела.
В большом документе сначала приведите в порядок одну главу и проверьте её структуру, прежде чем переносить подход на остальные части. В учебнике, указателе и приложении могут действовать разные правила оформления.
Соединяйте перенесённые строки, не ломая структуру
При извлечении из PDF после каждой печатной строки может оставаться перевод строки. В обычной прозе такие строки часто относятся к одному абзацу. Но разрыв строки может отделять и элементы списка, и стихи, и код, и выключную формулу.
Пример ручной правки:
До:
Образцы хранили в сухом
шкафу до второго испытания.
После:
Образцы хранили в сухом шкафу до второго испытания.
Это иллюстрация редакторского решения, а не измеренный результат конвертации. Прежде чем применять то же правило к реальному фрагменту, сверьтесь с PDF.
Осторожно с дефисами в конце строки. Слово, разбитое вёрсткой, нужно соединить, а настоящее сложное слово сохраняет дефис. Не удаляйте все дефисы перед переводом строки, не просмотрев примеры.
На стыке страниц читайте последнее предложение источника и начало следующей страницы вместе. Колонтитул, продолжение сноски или переход между колонками могут сделать простое соединение неверным.
Убирайте страничный шум точечным правилом
Найдите повторяющиеся верхние и нижние колонтитулы, номера страниц и артефакты сканирования. Убедитесь, что закономерность подтверждается на нескольких страницах, прежде чем запускать поиск с заменой. То же слово может встречаться и в основном тексте, а отдельное число — обозначать данные, а не номер страницы.
Лучше правило, привязанное к реальной повторяющейся структуре, чем удаление всех коротких строк. Примените его к небольшому фрагменту, просмотрите изменения и оставьте возможность отмены. Если в документе есть разделы в две колонки, прежде чем считать резкий переход просто лишним пробелом, загляните в руководство по порядку чтения.
При чистке держите таблицы, подписи и сноски отдельно от обычной прозы. Их построчная структура часто несёт смысл, который уничтожат общие правила для абзацев.
Сравнивайте до и после по одним и тем же местам источника
Возьмите несколько абзацев, один список, одну таблицу и одну сноску. Сравните нетронутый экспорт, отредактированную копию и исходный PDF. Проверяйте слова и связи между ними, а не только внешнюю аккуратность.
Записывайте содержательные исправления: восстановленный заголовок, удалённый колонтитул, исправленную границу абзаца или нерешённую ошибку распознавания. Отделяйте изменения оформления от изменений в числах и терминологии. Правка, которая читается глаже, всё равно могла исказить факты.
Откройте Markdown в том редакторе, где он будет использоваться. Базовый Markdown и расширения по-разному обрабатывают таблицы, формулы и сноски; CommonMark определяет основной синтаксис, но не поведение каждого приложения.
Завершайте файлом, который можно переиспользовать и проверить
PDF Craft преобразует сканированные и текстовые PDF в Markdown для редактирования. Загрузите файл, выберите Markdown, скачайте готовый результат и сверьте его с оригиналом. Этот порядок работы не требует и не предполагает отдельной функции загрузки произвольного готового Markdown для перевода.
Храните изображения и другие ресурсы вместе с очищенным документом и после переноса проверьте пути к ним. Сохраняйте название источника, издание и ссылки на страницы, если работаете по схеме для исследовательских заметок.
Работу можно закончить, когда структура файла пригодна к использованию, важные исправления проверены, а сомнительные места явно отмечены для проверки, даже если остались отдельные видимые недочёты.