Превратите китайский текст на изображении в редактируемый

Скриншот китайской товарной этикетки может содержать именно нужную информацию, но выделить на нём ни одного слова не получится. Оптическое распознавание символов, или OCR, превращает видимые знаки в редактируемый текст. Полезный результат — проверенная расшифровка: название для поиска, абзац для изучения или количество, которое можно скопировать, не набирая заново.

Начните с самого чёткого изображения, выберите язык, на котором действительно напечатан текст, и распознавайте по одной смысловой области. Затем сверьте результат с изображением, прежде чем переводить его, преобразовывать упрощённые иероглифы в традиционные или переносить числа в другой документ. Даже естественно звучащая фраза может содержать неверный символ.

Выберите наиболее чёткое изображение

Сначала попробуйте выделить исходный текст. У веб-страницы или PDF уже может быть пригодный текстовый слой, хотя на скриншоте его нет. Скопируйте небольшой отрывок и сравните с тем, что видно на странице. Если копия точная, этап распознавания не нужен. Используйте OCR, когда информация существует только в виде пикселей или имеющийся текстовый слой непригоден.

Выбирайте исходный скриншот или полноразмерную фотографию, а не миниатюру, пересланную через несколько сообщений. Увеличьте изображение настолько, чтобы рассмотреть тонкие черты иероглифов. Если они слились или исчезли, дальнейшее увеличение той же размытой картинки не восстановит потерянную информацию. По возможности найдите более чёткий источник.

Для нового снимка расправьте страницу, направьте камеру перпендикулярно ей и обеспечьте равномерный свет. Убедитесь, что тени, блики и изгиб возле корешка книги не закрывают нужный фрагмент. Лежащее набок изображение нужно повернуть. Если страница сужается кверху, потребуется более удачный снимок или исправление перспективы в редакторе изображений.

Инструмент ChinaClue принимает PNG, JPEG и WebP с ограничениями 15 МБ и 24 миллиона пикселей. Если источник — PDF, сначала экспортируйте нужную страницу как изображение. Слишком большую картинку предварительно обрежьте в редакторе до полезного фрагмента. Оставьте вокруг символов небольшой свободный край, чтобы не срезать их черты.

Подберите язык и расположение текста

Язык сайта и язык распознавания решают разные задачи. Можно работать в английском интерфейсе и распознавать объявление с традиционными китайскими иероглифами. В OCR выберите Традиционный китайский + английский, поскольку этот вариант описывает документ, даже если впоследствии вам нужен текст в упрощённой записи.

Для упрощённых иероглифов используйте Упрощённый китайский + английский. Комбинация упрощённого, традиционного китайского и английского подходит, если они действительно смешаны в одном фрагменте. Для полностью английского изображения выберите Английский. Дополнительные языки не заменяют чёткое изображение и могут потребовать загрузки дополнительных данных распознавания.

Представьте этикетку с надписью 净含量 и её традиционный вариант с 淨含量. Оба обозначают количество нетто, но первый напечатанный иероглиф выглядит по-разному. OCR должен сначала восстановить знаки, присутствующие в источнике. Выбор традиционной модели не означает команду преобразовать весь результат в традиционные иероглифы. Английский интерфейс также не является запросом перевода на английский.

Настройки описывают расположение, а не тему. Ценник не обязательно представляет собой разрозненный текст: компактную этикетку может быть удобнее распознавать как один блок. Начните с настройки, соответствующей выбранной области, и сравнивайте её с другой только при конкретной проблеме в первом результате.

Распознавайте целую область за один раз

Откройте инструмент распознавания китайского текста на изображении и выберите файл. Перед запуском проверьте предпросмотр. Кнопки поворота влево и вправо вращают изображение на 90 градусов. Сначала поверните его, затем выделите область: поворот сбрасывает границы обрезки. Небольшой наклон нужно исправлять в графическом редакторе, а не ещё одним поворотом на четверть оборота.

Выделите область перетаскиванием по предпросмотру или настройте в процентах положение слева, положение сверху, ширину и высоту. Включите абзац, этикетку или колонку целиком. Если вырезать только число, можно потерять единицу измерения или заголовок, нужные для понимания. Если при обработке двухколоночной страницы строки перемешиваются, распознавайте колонки по отдельности.

Выберите язык печатного текста и расположение, затем нажмите Распознать текст. Браузер загрузит данные распознавания и обработает выбранную часть изображения на вашем устройстве. Для загрузки моделей всё равно требуется соединение, поэтому обработка в браузере не означает постоянную доступность страницы без интернета. Оставьте вкладку открытой на время работы; при необходимости остановите процесс кнопкой отмены.

Распознанный текст можно редактировать. Сохраните или скопируйте нужные исправления перед повторным запуском, поскольку новый проход заменяет результат. Если обрабатываете несколько областей, собирайте проверенные фрагменты в собственном документе в нужном порядке чтения. Сохраняйте заголовок или номер страницы, чтобы позднее найти источник.

Сначала проверьте смысловые детали

При сверке держите изображение и текст перед глазами одновременно. Начните с деталей, где небольшая ошибка влияет на задачу: имён, дат, отрицаний, количеств, единиц и справочных кодов. Затем прочитайте отрывок целиком, проверяя пропущенные строки и границы предложений. Знакомая формулировка помогает заметить проблему, но не позволяет додумывать знак, который плохо виден на изображении.

Следующая этикетка придумана для упражнения и не относится к реальному товару. Проверяя расшифровку, держите названия полей рядом со значениями:

名称：绿茶
净含量：1.25 kg
编号：0018
单价：38.50 元

Если 1.25 kg превращается в 125 kg, пропавшая десятичная точка увеличивает количество в 100 раз. Правильное значение — 1 250 граммов; это даёт независимую проверку, если в другом документе используются граммы. Если 0018 превращается в 18, числовое значение может казаться одинаковым, но код уже не состоит из тех же четырёх символов.

Проверьте 38.50 посимвольно, включая десятичную точку и последний ноль. Убедитесь, что 元 относится именно к этой сумме, а не к соседнему значению. OCR может распознать числа, но присоединить их к неверной строке. Повторный расчёт не исправит расшифровку, в которой название поля связано не с тем значением.

В китайском тексте внимательно сравнивайте похожие формы: 未 и 末, а также 土 и 士 различаются пропорциями черт. В буквенно-цифровом коде отличайте цифру 0 от буквы O. Это примеры для проверки, а не утверждение, что такие ошибки возникают на любом изображении. Сохраняйте пунктуацию и слова вроде 不, способные изменить смысл указания на противоположный.

Если вы не можете уверенно прочитать отрывок, используйте OCR, чтобы получить текст для поиска, а затем уточните сомнительные места у знающего читателя или у организации, выдавшей документ. Перевод неверно распознанного текста может звучать убедительно, сохраняя исходную ошибку. Закончите проверку расшифровки, прежде чем считать перевод объяснением источника.

Исправляйте конкретную проблему распознавания

При пустом результате сначала проверьте выделенную область: возможно, в ней в основном пустое место, фотография или слишком мелкий текст. Вернитесь к полному изображению, найдите нужный фрагмент и выделите его заново. Проверьте язык и ориентацию до изменения нескольких настроек одновременно.

Если символы выглядят правдоподобно, а строки идут не по порядку, рассматривайте это как проблему расположения. Разделите многоколоночную страницу на колонки или отделите заголовок от окружающих подписей. Для таблицы распознавайте одну удобную строку или небольшую группу ячеек, затем восстанавливайте таблицу, сверяя её с изображением. Обычный текст не сохраняет связи между ячейками электронной таблицы.

Если непонятно только одно слово, вырежьте его с небольшим контекстом и сравните новый результат с первым. Храните оба варианта чтения в рабочих заметках, пока изображение или другой надёжный источник не разрешит сомнение. Повторное распознавание того же размытого изображения не является независимым подтверждением спорного имени или кода.

Если мешают блики, густые тени, декоративный шрифт или повреждённая печать, более качественный источник может сэкономить больше времени, чем повторные попытки OCR. Отмечайте неразобранные места в рабочей копии, а не подставляйте догадки без пояснения. Короткую читаемую этикетку иногда надёжнее набрать вручную и проверить каждый символ.

Сохраните копию до преобразования

После проверки скопируйте результат или скачайте текстовый файл UTF-8. Откройте сохранённый файл и сравните первые и последние строки, числа из примера и редкие китайские знаки. Успешная загрузка подтверждает только сохранение файла; короткая сверка подтверждает, что внутри именно нужный текст.

Если нужна также упрощённая или традиционная версия, оставьте проверенную расшифровку без преобразований. Примените преобразователь упрощённого и традиционного китайского к копии, затем проверьте имена и выражения, зависящие от контекста. Так вы отделите то, что действительно было напечатано, от версии, адаптированной для другого читателя.

При вставке в электронную таблицу заранее задайте столбцам кодов текстовый формат, прежде чем добавлять значения вроде 0018. Храните количества вместе с единицами, пока сознательно не разделите их на отдельные поля. При необходимости сохраняйте исходное изображение рядом с рабочими заметками, чтобы следующий человек мог проверить сомнительный знак, не начиная задачу заново.