跳到主要内容

OCR 之后:公式、表格与脚注链接的检查清单

挑选有难度的样张,比对数学符号与表格中的对应关系,顺着脚注双向核对,并在修改或重新处理之前记录 OCR 问题。

标出待核对公式与脚注的技术文档页面
技术文档校对的概念示意图,并非实测的 OCR 结果。

一段排版整齐的文字,可能藏着一个丢失的负号。一条脚注可能还在,却挂在了错误的论述下面。文档里既有数学公式,又有表格和注释时,确认转换已经完成只是第一步。

这份清单帮你判断哪些地方需要修改、值不值得重新转换一遍。它是一套核对方法,并不表示抽查几页就能证明整份文档准确无误。

挑选能暴露不同问题的页面

先选一页普通文字作为基准,再加入最难的例子:一个密集的公式、一张带合并表头的表格、一页满是注释的页面,以及一页分栏排版的内容。还要包含一句或一条注释延续到下一页的情况。

记下每张样张的选取理由。“第 42 页:下标颜色很淡”比“随便挑的一页”有用得多。如果发现某类问题反复出现,再补充几页具有相同特征的页面。

把原始 PDF 和下载下来的结果放在一起。如果还需要翻译,不妨先检查未翻译的转换结果。识别和翻译是两个阶段;不能指望译者去修好一个识别错误的表达式。

PDF Craft 提供用于阅读的 EPUB 和用于编辑的 Markdown。上传后在任务设置里选择格式。检查时请使用你实际阅读或编辑所用的软件,因为渲染方式会影响识别正确的内容看起来是否正常。

逐个符号比对公式

挑一个包含多种特征的表达式,不要只看一个简单的等式。检查以下各项:

  • 正负号、乘号和小数点。
  • 在原字体下容易混淆的希腊字母和拉丁字母。
  • 下标、上标、幂和索引。
  • 分子、分母、括号以及分式的范围。
  • 求和或积分的上下限,以及公式编号。

对照页面图像来检查,不要凭你对这门学科的了解去想象公式应该是什么样。一个熟悉的公式容易让人忽略这一版里不同的符号或前提条件。

然后看公式前后紧挨着的解释。变量和公式引用必须仍然指向正确的表达式。公式编号如果不小心被并进了公式里,不仅会改变公式的写法,也会让读者难以顺着引用理解论证。

如果 Markdown 源文件里的符号是对的,预览里却显示错误,先查编辑器的数学公式支持,再决定要不要花钱重新处理 PDF。显示问题和识别问题,需要用不同的办法解决。

把表格看成一组对应关系,而不是一串数字

拿一张完整的表格,把抽到的每个数值与它的行标题、列标题、单位和注释一一对应。留意合并的表头和空单元格:空白可能表示“无数据”,而不是零。

注意有没有数值错位到相邻一列、续表被当成新数据、上标形式的注释标记被误认成指数。可以核对合计和正负号,但不要因为另一个数字看起来更合理,就悄悄“改正”一个意外的数值。先标记出来,再回到原文核对。

读一读表题和附近的说明。内容正确却配错了表题,同样会误导读者。如果原表很宽,就在实际的 EPUB 阅读器或 Markdown 编辑器里,按接近真实的宽度测试一下。

顺着脚注双向核对

先从正文里的标记出发,找到对应的注释,确认编号、全文,以及它修饰的是哪句话。再从一条注释出发,找回它在正文里的标记。这样能查出那些虽然保留成了文字、却和正文失去对应关系的注释。

注意按章重新编号的注释、星号一类的符号标记,以及延续到下一页的长注释。页脚、页码和页眉不应混进注释里。

核对引文时,对照原文确认能识别出处的信息和页码位置。译文里的说明文字可能措辞不同,但 DOI、作者名和引用页码仍应指向同一份文献。如果 EPUB 里带有链接,就在你选用的阅读器里逐个测试,包括返回原位的跳转(如果有的话)。

先记录问题,再决定怎么修

用一张小表记录:

位置发现的问题影响下一步
印刷版第 54 页,公式 3下标被识别成普通文字变量含义改变改正,并检查同类公式
PDF 第 71 页,表 6数值落在错误的表头下解读结果改变检查整张表格
第 4 章,注释 2链接指向了另一条注释证据链中断检查本章注释的对应关系

以上只是示例条目,并非 PDF Craft 的测试结果。

优先处理影响含义、引用和阅读顺序的问题。如果错误集中在模糊或变形的页面上,就去找更清晰的扫描件。如果 Markdown 文件大体正确、只需零星修改,就在编辑器里改一份工作副本,保留未动过的下载文件。如果只是显示有问题,换一个渲染工具试试。

修改或重新运行之后,复查已知问题,再看看它前后的内容。只修好一个标记还不够,如果注释的最后一句仍然缺失,问题就没解决。重复处理大任务之前,先查看价格,并且只要你还把转换后的文档当作依据,就要保留原始文件。

转换一份 PDF 并检查结果

需要阅读就选 EPUB,需要编辑就选 Markdown,再拿技术内容与原文件逐项比对。

打开 PDF 转换