# 整理 OCR 產生的 Markdown，又不改動原文意思

修復 OCR Markdown 的標題、斷行、跨頁接合與重複頁首，同時保留可核對的原始內容。

整理 OCR 文字時，越是看起來通順的地方，越容易出錯。把兩行接起來可能修好一個段落，但接錯區塊，就會拼出作者從沒寫過的句子。刪掉重複出現的數字，可能清掉了頁尾，也可能一併刪掉清單項目。

請保留原始 PDF 和未經處理的匯出檔。在副本上作業，並且把每一條清理規則都當成需要拿文件來驗證的東西，而不是整份檔案套用到底。

## 先還原有意義的標題

對照原始文件裡的章節標題和 Markdown 大綱。版面上字級較大的一行，可能是章名、圖說，也可能是頁首。光看字級大小，無法判斷它扮演什麼角色。

用標題層級表達真正的階層關係。一章底下可以有節和小節，但不是每個強調的詞句都要變成新標題。保留足以在 PDF 中辨識同一節的用字。

如果頁首重複出現書名或章名，請從工作文字中刪掉已確認的重複項，而不是把每一個都升格成目錄項目。確認真正的標題仍留在該節開頭。

處理長文件時，先修好一章並檢查它的大綱，再決定要不要把同樣做法套用到其他部分。教科書、索引和附錄可能各有不同的排版慣例。

## 接合斷行，但別把結構壓平

PDF 擷取有時會在每一行印刷文字後面留下換行。一般段落裡，這些行可能本來就屬於同一段。但換行也可能隔開清單項目、詩句、程式碼或獨立顯示的公式。

以下用一個例子示範如何手動整理：

```text
修改前：
The samples were stored in a dry
cabinet until the second test.

修改後：
The samples were stored in a dry cabinet until the second test.
```

這只是示範編輯判斷，不是實測的轉換結果。套用到真實段落之前，請先對照 PDF。

行尾連字號要特別小心。因排版而拆開的字可能需要接回去；真正的複合詞則要保留連字號。不要看到連字號後面接換行就一律刪掉，先看幾個例子再決定。

遇到跨頁時，把上一頁最後一句和下一頁開頭一起讀。中間若夾著頁尾、註解續文或欄位切換，直接接合就可能出錯。

## 用範圍明確的規則清除頁面雜訊

找出重複的頁首、頁尾、頁碼標記和掃描雜點。先確認這個模式在好幾頁都成立，再使用搜尋取代。同一個詞也可能正常出現在正文，單獨一個數字也可能是資料，而不是頁碼。

與其刪掉每一行短行，不如寫一條針對實際重複結構的規則。先在小範圍試跑，檢查變更內容，並保留復原的餘地。如果文件有雙欄的段落，請先參考[閱讀順序疑難排解指南](https://pdfcraft.ai/zh-Hant/blog/pdf-markdown-reading-order/)，再判斷突然的跳接是不是只是空白造成的。

清理時，把表格、圖說和註腳與一般段落分開處理。它們的行結構往往帶有意義，大範圍的段落規則會把它們破壞掉。

## 用相同的原文位置比對修改前後

挑幾個段落、一份清單、一個表格和一則註記。把未經處理的匯出檔、編輯後的副本和原始 PDF 放在一起比對。檢查用字和彼此的關係，不要只看版面整不整齊。

記錄真正有意義的修正：還原的標題、刪掉的頁首、修好的段落界線，或尚未解決的辨識錯誤。把格式變更和數字、術語的變更分開來看。讀起來更順的版本，證據也可能已經被改動。

在實際要用的編輯器裡預覽 Markdown。基本 Markdown 和各種擴充語法對表格、數學式和註腳的處理並不一樣；[CommonMark](https://spec.commonmark.org/) 定義的是核心語法，不是每個應用程式的行為。

## 交出可重複使用、可追溯的檔案

[PDF Craft](https://pdfcraft.ai/zh-Hant/pdf-craft/pdf-to-markdown/) 可以把掃描版和文字版 PDF 轉成 Markdown，方便後續編輯。上傳後選擇 Markdown，下載轉好的檔案，再對照原始文件檢查。這套流程不需要、也不代表有另一項功能，可以上傳既有的 Markdown 檔來翻譯。

把圖片和其他資源跟整理好的文件放在一起，移動位置後測試路徑是否仍正確。若採用[研究筆記流程](https://pdfcraft.ai/zh-Hant/blog/pdf-to-markdown-for-research/)，請保留原始書名、版本和頁碼出處。

適合收尾的時機，不是檔案表面上看不出任何異常，而是結構已經可用、重要修正都經過核對，而且不確定的段落都清楚標記出來，留待審閱。