跳到主要内容

OCR 之后处理跨页脚注:核对续接内容与引用目标

在依赖 EPUB 或 Markdown 转换结果之前,先检查跨 PDF 页面续接的脚注、编号重新开始、标记位置以及章节边界。

一条脚注可能从一页开始,到下一页才结束。经过 OCR 和重排之后,它可能被拆成两条注释,与相邻的引用合并,或者被插进正文。开头一行看着没问题,结尾那句关键的限定说明却可能丢了。

遇到这种情况,要把相邻页面放在一起看。只看单页,不足以判断脚注的完整对应关系。

先追续接内容,再看编号

从正文段落和它的标记入手。在源 PDF 中找到这条注释的起始位置,一直读到它真正结束的地方。在认定某个小字块是一条新注释之前,先看看下一页的小字以及有没有续接的提示。

对照第一页末尾和下一页开头:句子是否自然衔接?有没有出现新的编号?版面是否换了栏,或者进入了新章节?依据源文件的实际情况判断,不要只凭转换后的段落去猜。

确认输出结果里这条注释是完整的,并且处在应有的阅读位置上。开头和结尾的句子对得上,是很有用的检查点,但中间的句子也要逐行核对,看有没有缺漏。

弄清编号重新开始和标记重复的情况

有些书的注释连续编号,有些则按页、按章或按节重新开始。因此同一个印刷编号可能在很多地方出现,却并不指同一条注释。

转换完成后,找一个编号重新开始的位置检查。确认新章节的第一条注释没有链接到前面编号相同的注释上。再找一个后面重复出现的编号,同样核对一遍。

不要为了让编号在视觉上看起来连续,就擅自改动作者的编号方式。如果要在外部编辑流程中重新编号,原有的引用和跳转目标仍然必须保持正确。编号只是标签,它对应的正文段落才决定这条注释的含义。

把标记定位到正确的正文段落

句末的标记可能修饰整句,也可能只针对引文或某个短语。要对照它在源文件中的实际位置。即使链接指向了正确的注释,如果标记被挪到了下一段,仍然会误导读者。

双栏页面上,要检查栏的先后顺序和注释块的位置。翻页处,要确认段落是在注释之前结束还是继续。页码和页眉有时会被误插进来,让顺序看起来比实际更连贯。

建议做一份简短的核对记录:

位置需要记录的依据
正文标记所属章节、原书页码、附近的短语
注释开头编号和开头几个词
续接部分下一页的位置和衔接句
注释结尾下一条注释或下一节之前的最后几个词
输出目标引用跳到哪里,能否返回

如果印刷页码和 PDF 阅读器显示的页码不一致,两个都记下来。可重排的 EPUB 页码会随阅读器和字体变化,不能只靠它来判断。

对照章节边界和相邻页面

在疑难位置附近取三页:前一页、当前页和后一页。先分别读正文的顺序和注释的顺序,再核对两者的对应关系。这样就不会因为转换结果里两段恰好相邻,就误以为续接内容没问题。

在章节边界处,检查旧章节最后的几条注释和新章节的第一条注释。留意有没有注释被孤立、被带进了错误的章节,或者因为编号重复而被错误地关联。

脚注通用指南讲的是常规的标记和注释检查。JEV 工程案例说明了内部处理为什么有时需要借助相邻页面的上下文。这两篇都不能替代你对自己源文件中重要段落的核对。

按实际用途检查下载的结果

在 EPUB 中,顺着引用跳转,再返回正文。在 Markdown 中,查看文件里注释的写法,以及编辑器中的渲染效果。链接技术上能用,并不等于内容完整、对应正确。

如果还涉及翻译,先确认还原出来的源文对应关系,再检查译文含义。OCR 与翻译指南把这两件事分开处理。处理论文时,arXiv PDF 工作流程还增加了公式和引文的检查。

在 PDF 工作区里选择输出格式和翻译设置。处理按用量计费,当前价格见定价。把原件和下载的结果放在一起保存;对还没查清的注释位置要单独记下来继续核对,不要因为任务已经跑完,就认定所有跨页对应关系都没问题。

把方法用在你的文档上

先用有代表性的文件试一次,检查结果,再选择适合整套资料的处理方式。

打开 PDF Craft