Vergleichsprofile
Weitere Vergleichsoptionen
Texte vereinheitlichen
Die GUI-Dokumentation zu //Texte vereinheitlichen// beschreibt das aktuelle dreistufige Auswahlfeld in der Profil-Sidebar von i-net PDFC. Die Auswahl befindet sich in der Gruppe Weitere Vergleichsoptionen.
Drei Transformationsmodi
| Sidebar-Auswahl | Rohwerte | Wirkung |
|---|---|---|
| Deaktiviert | FILTERS enthält TEXTTRANSFORM nicht | Der TextTransform-Filter wird nicht ausgeführt. Ein vorhandener Wert in TRANSFORM_OPERATIONS bleibt ohne Wirkung, solange der Filter deaktiviert ist. |
| Komplexe Zeichen vereinfachen | FILTERS enthält TEXTTRANSFORM; TRANSFORM_OPERATIONS enthält REPLACE_IDENTICAL | Führt die Grundnormalisierung komplexer Zeichen aus. |
| Übliche Texterkennungsfehler korrigieren | FILTERS enthält TEXTTRANSFORM; TRANSFORM_OPERATIONS enthält REPLACE_IDENTICAL,REPLACE_CONFUSABLES | Führt die Grundnormalisierung und zusätzlich die Korrektur typischer Zeichenerkennungsfehler aus. Dies ist der stärkste Modus der Sidebar. |
Die Sidebar schreibt für den stärksten Modus beide Operationen in dieser Reihenfolge. REPLACE_CONFUSABLES allein ist ein gültiger Rohwert, entspricht aber nicht der vollständigen stärksten Auswahl der Sidebar.
Rohprofilwerte
Der Filtername lautet TEXTTRANSFORM. Er wird über die kommaseparierte Liste FILTERS aktiviert. Die aktuelle Implementierung verwendet die Profileigenschaft TRANSFORM_OPERATIONS für eine kommaseparierte Liste der Enum-Werte:
| Rohschlüssel | Wert oder Wertebereich | Bedeutung und Standardwert |
|---|---|---|
FILTERS | TEXTTRANSFORM enthalten | Aktiviert die TextTransform-Verarbeitung. Der Standardwert der Property-Liste enthält INVISIBLEELEMENTS,TEXTTRANSFORM,SOLVEFALSEREPLACE. |
TRANSFORM_OPERATIONS | REPLACE_IDENTICAL und/oder REPLACE_CONFUSABLES | Bestimmt die auszuführenden Transformationen. Der Standardwert ist REPLACE_IDENTICAL. Die Operationen werden in der Reihenfolge der Implementierung ausgeführt. |
Beide Eigenschaften wirken nur, wenn das Plugin installiert ist. Die Sidebar-Implementierung validiert die Auswahl gegen off, REPLACE_IDENTICAL und REPLACE_CONFUSABLES. Der Wert off wird nicht als Rohwert in TRANSFORM_OPERATIONS gespeichert, sondern entfernt TEXTTRANSFORM aus FILTERS.
Abbildung auf die aktuelle Profil-Sidebar
Das Auswahlfeld Texte vereinheitlichen wird durch PDFCFilterTextTransformStructureProvider mit der UI-Kennung pdfc.filter.texttransform bereitgestellt. Die Abbildung lautet:
| UI-Wert | Sidebar-Auswahl | Gespeicherte Rohwerte |
|---|---|---|
off | Deaktiviert | FILTERS ohne TEXTTRANSFORM |
REPLACE_IDENTICAL | Komplexe Zeichen vereinfachen | FILTERS mit TEXTTRANSFORM und TRANSFORM_OPERATIONS=REPLACE_IDENTICAL |
REPLACE_CONFUSABLES | Übliche Texterkennungsfehler korrigieren | FILTERS mit TEXTTRANSFORM und TRANSFORM_OPERATIONS=REPLACE_IDENTICAL,REPLACE_CONFUSABLES |
Beim Speichern einer nicht deaktivierten Auswahl wird TEXTTRANSFORM in FILTERS ergänzt. Ein vorhandener Filterbestand mit weiteren Kennungen bleibt erhalten.
Komplexe Zeichen vereinfachen
REPLACE_IDENTICAL entfernt Unicode-Formatzeichen, führt eine Unicode-NFKD-Normalisierung aus und entfernt einfache Leerzeichen aus dem Vergleichstext. Dadurch können kompatible Zeichen und Ligaturen in eine vergleichbare Grunddarstellung überführt werden, beispielsweise fi zu fi oder ‼ zu !!.
Komplexe Zeichen vereinfachen
Aktivieren, um komplexe Zeichen wie Ligaturen oder spezielle Satzzeichen auf den Basiszeichensatz zu vereinfachen. Ein Komplexes Zeichen ist beispielsweise die "fi"-Ligatur, welche inhaltlich identisch zu "fi" ist. Ohne diesen Filter wird der Vergleich jedoch unterschiedliche Zeichen erkennen.
Übliche Texterkennungsfehler korrigieren
REPLACE_CONFUSABLES entfernt ebenfalls Unicode-Formatzeichen, normalisiert zunächst nach NFD und verwendet anschließend die Unicode-TR39-Ersetzungstabelle für visuell ähnliche Zeichen. Damit lassen sich typische OCR-Verwechslungen wie m und rn angleichen.
Im stärksten Sidebar-Modus wird zuerst REPLACE_IDENTICAL und danach REPLACE_CONFUSABLES angewendet:
Texterkennungsfehler korrigieren
Aktivieren, um typische Fehlerkennungen durch OCR-Software zu kompensieren. Ein Beispiel für eine Ungenauigkeit bei Texterkennung ist die Verwechslung des Buchstaben "m" mit der Silbe "rn", welche je nach Druckqualität und Schriftart nahezu identisch aussehen. Der Filter korrigiert dies, indem gleich aussehende Zeichen oder Silben auch als gleich erkannt werden.
Profilfragment
Ein mögliches XML-Profilfragment für den stärksten Modus lautet:
<entry key="FILTERS">TEXTTRANSFORM</entry> <entry key="TRANSFORM_OPERATIONS">REPLACE_IDENTICAL,REPLACE_CONFUSABLES</entry>
Vergleichswirkung
Die Transformation wird auf extrahierte Textwörter und rekursiv auf Strukturelemente angewendet. Die normalisierte Darstellung dient ausschließlich dem Vergleich und ersetzt nicht den für Benutzer ausgegebenen Text. Die Option gleicht unterschiedliche Textdarstellungen und typische OCR-Artefakte an; sie ist keine allgemeine Inhaltskorrektur.
