O que é detecção de idioma?
Detecção de idioma é o reconhecimento automático do idioma em que um texto foi escrito, como português, espanhol ou japonês. Em um PDF, uma ferramenta lê o texto das páginas e o compara com perfis estatísticos de muitos idiomas: quais letras, combinações e palavras curtas aparecem com mais frequência. O resultado é o idioma mais provável, às vezes com um grau de confiança ou com uma lista de idiomas quando o documento mistura vários.
Por que ela precisa de texto real
A detecção trabalha com caracteres, então o PDF precisa ter texto selecionável. Em um documento digitalizado cada página é só uma imagem, e não há caracteres para ler. Rode antes o reconhecimento de texto: ele adiciona uma camada de texto e, depois disso, o idioma pode ser detectado. Textos muito curtos, listas de nomes ou de números e páginas cheias de tabelas dão resultados menos confiáveis, porque há poucas palavras para comparar.
Onde ela ajuda
Saber o idioma de um arquivo ajuda a organizar grandes coleções de documentos, encaminhar cada um ao leitor ou tradutor certo, escolher o dicionário certo para o reconhecimento de texto e conferir que um documento entregue para um mercado não está, por engano, em outro idioma. Arquivos e sistemas de busca também registram o idioma para que as pesquisas e os leitores de tela funcionem direito.
Idioma do texto e idioma do arquivo
Um PDF também pode declarar o seu idioma nas configurações internas, que os leitores de tela usam para escolher a pronúncia. Essa declaração é definida pelo programa que criou o arquivo e pode estar ausente ou errada. A detecção olha as palavras de fato, então as duas informações podem ser diferentes.
Ferramentas que usam este termo
Guias que colocam o termo em prática
Perguntas frequentes
- Ela detecta o idioma de um PDF digitalizado?
- Só depois do reconhecimento de texto. Uma digitalização contém imagens das páginas; o reconhecimento as transforma em texto que pode ser analisado.
- E os documentos em vários idiomas?
- A detecção informa o idioma principal e pode listar outros que encontrar. Em documentos mistos, confira as seções separadamente se o detalhe for importante.
- O idioma detectado altera o arquivo?
- Não. A detecção só lê o texto e informa o resultado; o PDF não é modificado.