跳至主要內容

掃描書 OCR 與轉檔後檢查註腳

核對正文標記與完整註釋文字是否對應,檢查編號與回跳連結,並找出被誤認為書籍內容的頁碼或書眉。

辨識頁面底部的小字,只是註腳處理的一部分。轉檔後的書還需要把正確的標記接到正確的註釋上,註釋文字要完整,而且讀者要有辦法回到原本閱讀的位置。

檢查時請把原始 PDF 開著。單看一則註釋或許覺得合理,但它可能其實屬於另一句、另一欄或另一頁。

核對正文標記與註釋內容是否相符

挑一頁有多則註釋的頁面。在正文中找一個標記,讀完它所在的那句話,再到原始檔找出對應的註釋,把完整文字與轉檔結果逐字比對。

不要只核對數字。一本書可能逐頁或逐章重新編號,也可能使用符號,或出現其他並非註釋標記的上標字元。正確的對應關係取決於原始版面與文句脈絡,光是在下方找到同一個數字並不夠。

如果是 EPUB,有連結就實際點進去。如果是 Markdown 或其他可編輯的格式,則要查看參照與註釋在檔案裡怎麼表示,以及編輯器實際呈現的樣子。各家顯示方式不同,請看實際結果,不要預設每則註釋都會以彈出視窗顯示。

檢查編號、跳轉目標與回跳路徑

每則抽樣註釋都要確認三件事:標記出現在正文中正確的位置、跳轉後看到的是正確的註釋、而且能回到相關段落繼續讀。

連結能點,不代表連到對的地方。連到對的地方,註釋也可能少了後半段。註釋文字完整,卻可能無法從正文連過去。記錄問題時請把這幾種情況分開寫,修起來才不會抓錯重點。

症狀要比較的地方
有標記但沒有跳轉目標原始檔是否有這則註釋,以及是否被辨識出來
有註釋但正文沒有對應標記原始標記位置,以及是否被版面判讀歸錯類
兩則註釋被併成一則原始編號,以及小字區塊之間的分界
註釋開頭或結尾突然中斷相鄰頁面與欄位的接續內容
回跳後跑到很遠的地方閱讀檔中的跳轉目標與回跳關係

留意頁碼與書眉

頁面底部的文字不一定就是註腳。它可能是頁碼、書眉、圖說,或正文段落結尾。一個小數字也可能被誤判成兩段正文之間的橋接,把不該連的地方連起來。

拿相鄰的原始頁面比對同一區域。重複出現的書眉文字和頁碼格式,有助於判斷轉檔結果為什麼會把某些東西插進正文。也要想想:如果照著刪掉某個看似頁尾的東西,會不會反而把某一頁真正的內容刪掉。

同樣地,靠近欄位邊界的註釋,可能只屬於其中一欄的文字。決定它該接到哪裡之前,請先把原始檔的完整順序讀過一遍。譯文讀起來順,並不代表還原出來的對應關係是對的。

針對困難結構設計抽樣

不要只挑一頁乾淨、只有一則短註的頁面。抽樣要包含多個標記、符號編號、長註釋,以及跨頁的地方。如果書中的註釋會延續到下一頁,請參考跨頁註腳檢查指南。

記錄時請寫下印刷頁碼、PDF 檢視器頁碼、標記,以及一句有辨識度的文字。EPUB 的分頁會隨字級改變,光靠轉檔結果上顯示的頁碼,日後很難找回同一個問題。

這篇 JEV 工程文章保留了一份具體的 PDF Craft 樣本,並說明內部如何檢視可疑頁面。文中觀察並不保證每本書的註釋都正確,也不代表使用者端有修復功能可用。

辨識與翻譯分開檢查

如果註釋經過翻譯,請先確認還原並接上的是正確的原始註釋,再比對意思,包括引文、人名與書目細節。不要為了讓參考資料看起來完整,就自行編造本地化的書目資訊。

OCR 與翻譯指南說明了這兩個分開的階段。你可以到 PDF 工作區選擇輸出 EPUB 或 Markdown,需要時再開啟翻譯。新使用者會獲得試用額度;處理費用依用量計算,目前費率請見價格方案。

下載後,請把轉檔結果與原始檔存在一起。打算引用或做研究用的段落,要比一般閱讀更仔細檢查。方便的註釋連結有助於瀏覽,但作者究竟寫了什麼,還是要以原始檔為準。

把方法用在你的文件上

先用有代表性的檔案試一次,檢查結果,再選擇適合整套資料的處理方式。

開啟 PDF Craft