Arbeiten mit arabischen PDFs

Sie öffnen einen arabischen Vertrag, markieren einen Absatz, kopieren ihn und fügen ihn in eine E-Mail ein. Was landet, ist eine Reihe getrennter Buchstaben — oder die richtigen Buchstaben in falscher Reihenfolge, oder eine Zeichenkette, die fast richtig aussieht und es nicht ist. Die PDF stellt perfekt dar. In dem Moment, in dem Sie den Text herausnehmen wollen, zerfällt er. Das ist nicht Ihre Software, die kaputt ist. Es ist ein wirklich schweres Problem, das durchscheint.

Warum Arabisch schwerer ist als lateinische Schrift

Englisch verlangt einem Textsystem wenig ab: Buchstaben sitzen in einer Reihe, von links nach rechts, jeder in derselben Form, wo immer er erscheint. Arabisch verlangt erheblich mehr, und jedes dieser Merkmale ist eine Stelle, an der Werkzeuge schiefgehen:

• Es ist von Natur aus verbunden. Buchstaben verbinden sich. Das ist nicht dekorativ — so funktioniert die Schrift.
• Buchstaben ändern die Form je nach Position. Ein einzelner Buchstabe kann bis zu vier Formen haben: allein stehend, am Wortanfang, in der Mitte, am Ende. Gleicher Buchstabe, gleiche Bedeutung, vier verschiedene Bilder.
• Es läuft von rechts nach links — aber nicht alles tut das. Zahlen und eingebettete lateinische Wörter laufen von links nach rechts innerhalb von Rechts-nach-links-Text.
• Diakritika sind optional und bedeutungstragend. Kurzvokalzeichen können vorhanden oder abwesend sein, und sie ändern die Lesung.

Arabisch korrekt darzustellen verlangt vom Renderer also, für jeden Buchstaben anhand seiner Nachbarn die richtige Form zu wählen und dann Läufe gemischter Richtung stimmig anzuordnen. Beide Schritte sind, woher der Ärger kommt.

Shaping, und warum Kopieren-Einfügen bricht

Hier der Mechanismus, denn ihn zu kennen erklärt jedes Symptom, dem Sie begegnen.

Text wird in logischer Reihenfolge gespeichert — der Reihenfolge, in der Sie ihn sprechen würden. Vor dem Zeichnen wendet die Software Shaping an: Auswahl der korrekten positionsabhängigen Form für jeden Buchstaben, und Bidi (den bidirektionalen Algorithmus), der ausarbeitet, wie Rechts-nach-links- und Links-nach-rechts-Läufe sich in der Zeile verschränken.

Eine PDF speichert jedoch nicht Ihren Satz. Sie speichert Glyphen — Indizes in eine Schrift — plus Positionen. Das Shaping ist bereits geschehen und eingebacken. Um Text wieder herauszukopieren, braucht der Reader eine Karte von der Glyphe zurück zum Zeichen, die die Datei als ToUnicode-Tabelle enthalten kann. Und das ist der Knackpunkt:

• Keine Karte, kein Text. Hat der Generator keine eingefügt, liefert die Extraktion Glyphennummern, keine Buchstaben. Sie bekommen Müll, der gut darstellt und nichts bedeutet.
• Eine Karte zum Falschen. Manche Generatoren bilden Glyphen auf Präsentationsformen ab — einen alten Unicode-Block, der jede vorgeformte Variante separat hält. So extrahierter Text sieht am Bildschirm korrekt aus, ist aber kein normales Arabisch: Suche passt nicht, und andere Software behandelt ihn nicht richtig.
• Reihenfolge verloren. Speichert die Datei Glyphen in visueller Reihenfolge ohne die Information, sie umzukehren, bekommen Sie Buchstaben in Zeichenreihenfolge statt Lesereihenfolge — das klassische „verkehrte" Einfügen.
• Verbindungen gebrochen. Extraktion, die isolierte Buchstaben ohne ihre Verbindungen wiederherstellt, erzeugt jene Reihe getrennter Zeichen, jedes einzeln korrekt.

Beachten Sie, was das bedeutet: Ob Arabisch sauber aus einer PDF kopiert, wurde von dem entschieden, was die Datei erzeugte, oft vor Jahren. Kein Reader kann Informationen voll wiederherstellen, die der Generator wegwarf.

Was Sie bei einer Datei tun können, die ihren Text nicht hergibt

1. Zuerst Extraktion versuchen. Wurde das Dokument von einem fähigen Generator gemacht, ist der Text da und kopiert sauber. Immer dreißig Sekunden wert vor allem Schwereren.
2. Einen anderen Reader versuchen. Reader unterscheiden sich darin, wie gut sie Shaping umkehren und Bidi handhaben. Eine Datei, die von einem schlecht einfügt, kann von einem anderen korrekt einfügen.
3. Ist es ein Scan, war es nie Text. Dann hilft kein Kopieren, und OCR ist der einzige Weg — siehe unten.
4. Gibt Extraktion Präsentationsformen, haben Sie Text, aber der unbequemen Art. Er muss womöglich normalisiert werden, bevor er neben gewöhnlichem Arabisch durchsuchbar ist.

Arabisches OCR: schwerer, und ehrlich darüber

Ist das Dokument ein Scan, ist Erkennung der einzige Weg — und sie ist für Arabisch deutlich schwerer als für Englisch. Jedes Merkmal von oben arbeitet gegen die Engine: Buchstaben verbinden sich, es gibt also keine saubere Lücke zum Schneiden zwischen Zeichen; Formen variieren nach Position, was das zu Erkennende vervielfacht; Punkte über und unter unterscheiden sonst identische Buchstaben, also kann ein Fleck Scanner-Rauschen das Wort ändern; Diakritika können da sein oder nicht.

Die praktischen Folgen sind klar zu benennen:

• Scanqualität zählt noch mehr als sonst. 300 dpi, hoher Kontrast, gerade. Bei Arabisch verfällt ein mittelmäßiger Scan nicht gnädig.
• Nutzen Sie das arabische Modell. OCR Arabisch — ein englisches Modell auf arabischem Text erzeugt nichts Brauchbares.
• Rechnen Sie mit Korrekturlesen. Sauber maschinengedrucktes Arabisch liefert gute Ergebnisse. Gut ist nicht perfekt, und die Fehler sind eher Ein-Punkt-Unterschiede, die die Bedeutung ändern, als offensichtlicher Unsinn.
• Handschrift ist ausgeschlossen. In keiner Sprache ein unterstützter Anwendungsfall, arabische Handschrift besonders.

Arabische OCR nutzt das arabische Modell in der CyvoDocOps-Web-App. Es läuft lokal im Browser, ohne den Scan hochzuladen, und ist im Web ohne Konto kostenlos. Grundlagen finden Sie unter ein gescanntes PDF durchsuchbar machen.

Stempel und Anmerkungen in RTL-Dokumenten

Arabische Geschäftsdokumente stützen sich weit mehr auf Stempel und Siegel als westliche — Genehmigungen, Quittungen, offizielle Bestätigungen. Sie einer PDF hinzuzufügen bringt eigene Tücken: Der Text im Stempel braucht korrektes Shaping, und Platzierungskonventionen folgen der Leserichtung, sodass ein Stempel, der auf einer Links-nach-rechts-Seite natürlich wirkt, auf einer Rechts-nach-links-Seite unbeholfen sitzen kann.

Arabische Stempel übernimmt das Shaping, sodass der Text als verbundenes Arabisch statt als Reihe getrennter Buchstaben darstellt — das Versagen, das Sie von Werkzeugen bekommen, die Arabisch behandeln, als wäre es Latein mit anderen Zeichen. Verwandte Werkzeuge wie Datumsstempel und Initialen folgen demselben Muster.

Praktische Gewohnheiten für arabische Dokumente

• Behalten Sie die Quelle. Das Original aus der Software, die es machte, gibt immer besseren Text als alles später Wiederhergestellte.
• Testen Sie Extraktion vor dem Festlegen. Hängt ein Arbeitsablauf am Durchsuchen arabischer PDFs, prüfen Sie, dass Text tatsächlich aus einem Muster herauskommt, bevor Sie darum herum bauen.
• Bevorzugen Sie echten Text vor Scans. Eine digital erzeugte arabische PDF schlägt jedes Mal einen Scan. Scannen Sie nur, wenn Papier die einzige Quelle ist.
• Achten Sie auf gemischten Inhalt. Dokumente, die Arabisch mit englischen Begriffen, Rechnungsnummern und Daten kombinieren, sind, wo sich Bidi-Probleme bündeln. Prüfen Sie diese Zeilen gezielt.
• Urteilen Sie nicht nach dem Aussehen. Eine Datei, die schön darstellt, kann trotzdem ein Scan sein oder eine unbrauchbare Textschicht tragen. Versuchen Sie, ein Wort zu markieren — hebt sich nichts hervor, ist es ein Bild.

Warum lokale Verarbeitung hier zählt

Arabische Dokumente, die OCR benötigen, sind oft offiziell und sensibel. CyvoDocOps verarbeitet unterstützte Vorgänge einschließlich der integrierten Web-OCR lokal im Browser, ohne das Dokument an einen Drittserver zu senden. Siehe Arabische PDF-Tools.

Die arabischen PDF-Tools ansehen

Verwandte Ratgeber & Werkzeuge