টীকাযুক্ত নথি হস্তান্তর করার সময়, কেবল পরিষ্কার দেখায় এমন একটি PDF হস্তান্তর করবেন না।

পিডিএফ টীকা হস্তান্তর করার আগে, অনুবাদ, সংরক্ষণাগার বা পরবর্তী পর্যালোচকের কাছে হস্তান্তরের জন্য একটি পরিষ্কার-দর্শন পাঠ্য রপ্তানি করতে অনেকেই সরাসরি page.get_text() ব্যবহার করবেন। কিন্তু এই লেখায় সাধারণত টীকা থাকে না। কিছু নিষ্কাশন পদ্ধতি পাঠ্যের মাঝখানে মন্তব্য সন্নিবেশিত করবে, শব্দার্থবিদ্যাকে বাধাগ্রস্ত করবে; সাইডবারে পরিবর্তন মন্তব্য এবং সংবেদনশীল মন্তব্য মিস করা যেতে পারে।

এই নিবন্ধটি বিকাশকারী এবং নথির মালিকদের জন্য লেখা হয়েছে যাদের টীকাযুক্ত পিডিএফ-এর সাথে কাজ করতে হবে। পড়ার পরে, আপনি বুঝতে পারবেন কেন টীকাগুলি স্বাধীন ডেটা স্তর, কীভাবে স্তরগুলিতে পাঠ্য এবং টীকাগুলি বের করা যায়, কোন প্রান্তের ক্ষেত্রেগুলিকে প্রতিরক্ষামূলকভাবে পরিচালনা করা দরকার এবং কোন গ্রহণযোগ্যতাগুলি ম্যানুয়ালি নিশ্চিত করতে হবে৷

এই নিবন্ধের উদাহরণগুলি সমস্ত সিন্থেটিক নমুনা ব্যবহার করে। কোডটি একটি বিচ্ছিন্ন পরিবেশে নমুনা পরীক্ষা করা হয়েছে, তবে এটি সমস্ত বাস্তব ফাইল বা পণ্যের কার্যকারিতার গ্যারান্টি নয়। গুরুত্বপূর্ণ নথিগুলি প্রক্রিয়া করার আগে, দয়া করে মূলগুলি রাখুন এবং পাঠ্যের সীমানা এবং গ্রহণযোগ্য আইটেমগুলি অনুসারে সেগুলি পর্যালোচনা করুন৷

হস্তান্তরের আগে কীভাবে টীকাযুক্ত পিডিএফ বের করবেন? এক বাক্যে উপসংহার

পাঠ্য এবং টীকাগুলিকে দুটি স্বাধীন ডেটা স্ট্রিম হিসাবে বিবেচনা করুন এবং সেগুলিকে আলাদাভাবে নিষ্কাশন করুন এবং টীকা সামগ্রীতে সুস্পষ্ট নিরাপত্তা পর্যালোচনা করুন৷

কেন টীকাগুলি পাঠ্যের ডেটা স্তর থেকে স্বাধীন

পিডিএফ স্পেসিফিকেশনে, পৃষ্ঠার বিষয়বস্তু স্ট্রিম (কন্টেন্ট স্ট্রীম) এবং টীকা অভিধান (অ্যানোট অ্যারে) কাঠামোগতভাবে পৃথক করা হয়েছে। শরীরের পাঠ্য প্রদর্শন নির্দেশাবলী গঠিত; টীকা হল পৃষ্ঠার সাথে সংযুক্ত স্বাধীন বস্তু, তাদের নিজস্ব স্থানাঙ্ক, প্রকার এবং বিষয়বস্তু বৈশিষ্ট্য সহ। PyMuPDF এর Page.annots() পদ্ধতি একটি জেনারেটর প্রদান করে যা পৃষ্ঠা পাঠ্য স্ট্রীমের পরিবর্তে এই স্বাধীন টীকা তালিকাটি অতিক্রম করে।

এর মানে আপনি অনুমান করতে পারবেন না যে আপনি যে সমস্ত পাঠ্য দেখছেন তা একইভাবে বের করা যেতে পারে।

মার্ক ক্লাস এবং কন্টেন্ট ক্লাস টীকাগুলির মধ্যে পার্থক্য

• ট্যাগ টীকা (যেমন হাইলাইটিং এবং আন্ডারলাইনিং) টেক্সট ধারণ করে না, তবে শুধুমাত্র মূল পাঠ্যের সাথে সংশ্লিষ্ট এলাকা (Quads/Rects) রেকর্ড করে। প্রকৃত টেক্সট শুধুমাত্র স্থানাঙ্ক মাধ্যমে টেক্সট সন্ধান করে প্রাপ্ত করা যেতে পারে.
• সামগ্রী টীকা (যেমন নোট, বিনামূল্যের পাঠ্য) তাদের নিজস্ব বিষয়বস্তু স্ট্রিং আছে এবং সরাসরি পড়া যাবে।
• আপনি যদি প্রকারের পার্থক্য না করে সরাসরি annot.info["content"] পড়েন, তাহলে আপনি ট্যাগ ক্লাসের টীকা দ্বারা নির্দেশিত মূল প্রসঙ্গটি হারাবেন, অথবা বিষয়বস্তু খালি থাকলে একটি ব্যতিক্রম ছুঁড়ে ফেলবেন।

সংশ্লেষণ উদাহরণ: স্তরযুক্ত নিষ্কাশন এবং সংবেদনশীল তথ্য বাধা

সঠিক প্রক্রিয়াকরণ যুক্তি প্রদর্শন করার জন্য, আমরা কোডে তিনটি সাধারণ টীকা সহ একটি সিন্থেটিক দৃশ্যকল্প তৈরি করেছি। নিম্নলিখিত ইনপুটগুলি কোডের মধ্যে তৈরি নমুনা, প্রকৃত গ্রাহক ফাইল থেকে নয়, এবং শুধুমাত্র শিক্ষাগত প্রদর্শনের উদ্দেশ্যে।

প্রত্যাশিত আউটপুটে তিনটি কাঠামোগত ক্ষেত্র রয়েছে:

1. টেক্সট ফ্র্যাগমেন্ট: কোনো টীকা বিষয়বস্তু ছাড়াই শুধুমাত্র পৃষ্ঠার মূল পাঠ্য ধারণ করে।
2. টীকা তালিকা: প্রতিটি রেকর্ডের ধরন, অবস্থান, লেখক, সময় এবং বিষয়বস্তু (যদি থাকে) অন্তর্ভুক্ত।
3. নিরাপত্তা চিহ্ন: যদি টীকা বিষয়বস্তু পূর্বনির্ধারিত সংবেদনশীল নিয়মের সাথে মেলে (যেমন আইডি নম্বর, অভ্যন্তরীণ কোড), তাহলে এন্ট্রিটি redacted=True হিসাবে চিহ্নিত করা হয় এবং বিষয়বস্তু একটি স্থানধারক দিয়ে প্রতিস্থাপিত হয়।

তিন ধরনের সীমানা রক্ষা করতে হবে

• খালি বিষয়বস্তু টীকা: কালি (কালি) বা কিছু পাঠকের দ্বারা তৈরি গ্রাফিক টীকাগুলিতে পাঠ্য বৈশিষ্ট্য নেই। .info["content"]-এ সরাসরি অ্যাক্সেসের ফলে একটি খালি স্ট্রিং হতে পারে বা কোনোটিই নয়, কোডটি অবশ্যই প্রতিরক্ষামূলক চেক করতে হবে এবং অনুমান করতে পারে না যে সমস্ত টীকাতে পাঠযোগ্য পাঠ্য রয়েছে।
• ঘোরানো পৃষ্ঠা স্থানাঙ্ক: পৃষ্ঠাটি 90 ডিগ্রি ঘোরানোর পরে, টীকা আয়তক্ষেত্রটি এখনও অপরিবর্তিত পৃষ্ঠার উপর ভিত্তি করে। আপনি যদি সরাসরি এই স্থানাঙ্কগুলিকে টেক্সট ক্রপ বা অবস্থানের জন্য ব্যবহার করেন, তাহলে অবস্থানটি সম্পূর্ণভাবে বিশৃঙ্খল হয়ে যাবে এবং প্রথমে স্থানাঙ্ক পরিবর্তন করতে হবে।
• অরফান অবজেক্ট: যদি ডকুমেন্টটি বন্ধ করা হয় বা ট্রাভার্সাল প্রক্রিয়া চলাকালীন পৃষ্ঠাটি পুনরায় লোড করা হয়, তাহলে বর্তমান নোট অবজেক্টটি অবিলম্বে অবৈধ হয়ে যাবে। সমস্ত পঠিত ক্রিয়াকলাপ অবশ্যই একটি একক পৃষ্ঠার জীবনকালের মধ্যে সম্পন্ন করতে হবে।

পাইথন বাস্তবায়ন: নিরাপদ টীকা ট্রাভার্সাল এবং যাচাইকরণ

উদাহরণটি PyMuPDF ব্যবহার করে মেমরিতে একটি পরীক্ষা পিডিএফ তৈরি করতে, অনুক্রমিক নিষ্কাশন এবং মৌলিক মাস্কিং যুক্তি প্রদর্শন করে। নির্ভরশীল লাইব্রেরি হল PyMuPDF (যেমন pymupdf প্যাকেজ)। অনুগ্রহ করে এটি একটি লক করা নির্ভরতা পরিবেশে চালান। নোট অ্যাট্রিবিউট সম্পূর্ণরূপে অ্যাক্সেস করতে সংস্করণটি হতে হবে >=1.23.0। এই কোডটি নেটওয়ার্ক অপারেশন বা ফাইল লেখার কাজ করে না, এটি শুধুমাত্র যুক্তি প্রদর্শন করতে ব্যবহৃত হয়।

import fitz  # PyMuPDF
import re

# 合成示例：仅在内存中构造，无需外部文件
def create_sample_pdf():
    doc = fitz.open()
    page = doc.new_page()
    # 插入正文
    page.insert_text((72, 72), "Confidential Project Alpha Report", fontsize=12)
    # 添加便签批注（含敏感信息模拟）
    page.add_text_annot((200, 72), "Reviewer: SSN 123-45-6789 approved.")
    # 添加高亮批注（无自身文本，关联正文）
    highlight = page.add_highlight_annot(fitz.Rect(72, 60, 250, 80))
    # 必须调用update()使info变更生效
    highlight.set_info(title="Editor", content="Check this term")
    highlight.update()
    return doc

def extract_with_safety(page, sensitive_pattern=r"\d{3}-\d{2}-\d{4}"):
    body_text = page.get_text("text")
    annotations = []

    # 显式遍历批注生成器
    for annot in page.annots():
        info = annot.info
        # 防御性获取内容，处理None或空字符串
        content = info.get("content", "") or ""

        # 边界处理：敏感词检测与脱敏
        is_sensitive = bool(re.search(sensitive_pattern, content))
        safe_content = "[REDACTED]" if is_sensitive else content

        annotations.append({
            "type": annot.type[1],
            "author": info.get("title", "Unknown"),
            "content": safe_content,
            "is_redacted": is_sensitive,
            # 注意：此为未旋转坐标系，若页面有旋转需配合rotation_matrix使用
            "rect": list(annot.rect)
        })
    return body_text, annotations

# 执行校验
doc = create_sample_pdf()
page = doc[0]
text, annots = extract_with_safety(page)

assert "SSN 123-45-6789" not in str(annots), "敏感信息未被拦截"
assert any(a["type"] == "Highlight" for a in annots), "标记类批注丢失"
assert len(text.strip()) > 0, "正文提取失败"
print(f"Extracted {len(annots)} annotations safely.")

এর মূলে, কোডটি হল প্রতিরক্ষামূলক প্রোগ্রামিং: টীকা বিষয়বস্তুর বিশুদ্ধতা বিশ্বস্ত নয়, বা টীকা প্রকারের অখণ্ডতা অনুমান করা হয় না। assert বিবৃতিটি প্রত্যাশিত যুক্তি যাচাই করতে ব্যবহৃত হয়, কিন্তু এটি শুধুমাত্র একটি প্রদর্শন এবং সমস্ত PDF ভেরিয়েন্টের জন্য শেষ থেকে শেষ কর্মক্ষমতা গ্যারান্টি উপস্থাপন করে না।

টীকা বিভাগের তুলনা

গ্রহণযোগ্যতার মানদণ্ড এবং ম্যানুয়াল পর্যালোচনা সীমানা

স্বয়ংক্রিয় নিষ্কাশন সমস্ত প্রান্ত ক্ষেত্রে কভার করতে পারে না. নিম্নলিখিত সারণীতে হস্তান্তরের সময় যে গ্রহনযোগ্যতা বিন্দুগুলির দিকে মনোযোগ দেওয়া উচিত তা তালিকাভুক্ত করা হয়েছে, কোডটি পরিচালনা করতে পারে এমন সুযোগ এবং ম্যানুয়াল হস্তক্ষেপের প্রয়োজন এমন পরিস্থিতিগুলির মধ্যে পার্থক্য করে৷

প্রযোজ্য নয়: এই সমাধানটি পাসওয়ার্ড প্রদান না করে এনক্রিপ্ট করা PDF-এর ক্ষেত্রে প্রযোজ্য নয়, কাঠামোগতভাবে ক্ষতিগ্রস্ত PDF এবং যে ফাইলগুলি টীকা ধরনের সংজ্ঞায়িত করতে অ-মানক ব্যক্তিগত এক্সটেনশন ব্যবহার করে। এই পরিস্থিতিতে, স্ক্রিপ্টটি নিঃশব্দে এড়িয়ে যেতে পারে বা একটি নিম্ন-স্তরের C++ ব্যতিক্রম ফেলে দিতে পারে, যা পেশাদার টুল ব্যবহার করে ম্যানুয়ালি সোর্স ফাইল খোলার মাধ্যমে নিশ্চিত করতে হবে।

নথি অনুবাদের জন্য চেকলিস্ট ব্যবহার করুন

প্রথমে পৃষ্ঠার ক্রম, উৎসের অবস্থান এবং পাঠ্যের অখণ্ডতা নিশ্চিত করুন এবং তারপর অনুবাদ প্রক্রিয়ায় একই সংবেদনশীল নমুনা জমা দিন। অনুবাদের পরে, আপনাকে এখনও শিরোনাম, পাঠ্য এবং চিত্রগুলি সঠিকভাবে সঙ্গতিপূর্ণ কিনা তা পরীক্ষা করতে হবে। আপনি শুধু পাঠ্যটি মসৃণ কিনা তা পরীক্ষা করতে পারবেন না।

OmniDoc একটি মাল্টি-ফরম্যাট নথি অনুবাদ পোর্টাল প্রদান করে, এবং অফিসিয়াল ওয়েবসাইট OCR, শব্দকোষ এবং দ্বিভাষিক তুলনা ফাংশনগুলি প্রবর্তন করে৷ যদি দলটি ফাইল থেকে সরাসরি প্রক্রিয়াকরণ শুরু করতে চায়, তাহলে এই পথটি প্রকৃত নমুনা দিয়ে মূল্যায়ন করা যেতে পারে। আপনার কাছে আপলোড করার অনুমতি আছে এমন সংবেদনশীল ফাইলগুলি ব্যবহার করুন এবং এই নিবন্ধের চেক আইটেম অনুযায়ী ফলাফলগুলি পর্যালোচনা করুন৷ এখানে কোন দাবি নেই যে OmniDoc এই নিবন্ধের ওপেন সোর্স লাইব্রেরি বা অভ্যন্তরীণ অ্যালগরিদম ব্যবহার করে, বা উদাহরণটি পণ্যের কার্যক্ষমতা পরীক্ষা প্রতিস্থাপন করে না।

তথ্যসূত্র এবং পরবর্তী পদক্ষেপ

• PyMuPDF Page.annots() অফিসিয়াল ডকুমেন্টেশন

1. মিশ্র টীকা ধরনের আছে এমন একটি ঐতিহাসিক প্রকল্প ফাইল নির্বাচন করুন।
2. উপরের যাচাইকরণ স্ক্রিপ্টটি চালান এবং ম্যানুয়াল পর্যালোচনার প্রয়োজন হয় এমন এন্ট্রিগুলির অনুপাত গণনা করুন৷
3. যদি অনুপাত প্রত্যাশা ছাড়িয়ে যায়, উত্তর প্রদানের জন্য ডাউনস্ট্রিম সরঞ্জামগুলির উপর নির্ভর না করে হস্তান্তর প্রক্রিয়ায় একটি প্রাক-প্রক্রিয়াকরণ পদক্ষেপ যোগ করুন।

🎯 কোন পদ্ধতি আপনার জন্য উপযুক্ত?

যদি আপনার শুধুমাত্র লেখাটি অনুবাদ করতে হয়

আপনি সরাসরি টেক্সট এক্সট্র্যাক্ট করতে পারেন, কিন্তু এক্সপোর্ট করা কন্টেন্টে কোনো অনুপস্থিত টীকা আছে কিনা তা আপনাকে নিশ্চিত করতে হবে।

আর্কাইভ করার জন্য ডকুমেন্টটি অন্য কাউকে দিতে চাইলে

একই সময়ে, মূল পাঠ্য এবং টীকা তালিকা রাখুন এবং সংবেদনশীল বিষয়বস্তুকে সংবেদনশীল হিসাবে চিহ্নিত করুন।

যদি আপনার পিডিএফে পেজ ঘুরানো থাকে

প্রথমে স্থানাঙ্ক রূপান্তর করুন, এবং তারপর পাঠ্যটি সনাক্ত করতে টীকা অবস্থান ব্যবহার করুন।

ফাইলটি এনক্রিপ্টেড বা কাঠামোগতভাবে ক্ষতিগ্রস্ত হলে

এই সমাধান প্রযোজ্য নয়। নিশ্চিত করতে উত্স ফাইল খুলতে ম্যানুয়ালি পেশাদার সরঞ্জাম ব্যবহার করুন.

❓ প্রায়শই জিজ্ঞাসিত প্রশ্ন (FAQ)

1. get_text() কেন টীকা ধারণ করে না?

ডিফল্ট আউটপুটে সাধারণত শুধুমাত্র পেজ বডি থাকে। টীকাগুলি পৃষ্ঠার পাঠ্য স্ট্রীম থেকে স্বাধীন বস্তু এবং page.annots() এর মাধ্যমে আলাদাভাবে অতিক্রম করা প্রয়োজন৷

2. সব কমেন্টের লেখা কি সরাসরি পড়া যাবে?

পারে না মার্ক-টাইপ টীকা যেমন হাইলাইটিং এবং আন্ডারলাইনিং এর মধ্যে পাঠ্য থাকে না এবং শুধুমাত্র রেকর্ড এলাকা থাকে; কালি এবং গ্রাফিক টীকাগুলিতে কোনও পাঠ্য বৈশিষ্ট্য নাও থাকতে পারে এবং প্রতিরক্ষামূলক রায়ের প্রয়োজন হতে পারে।

3. ঘোরার পর পেজটির অবস্থান কেন এলোমেলো হয়ে যায়?

টীকা আয়তক্ষেত্রটি একটি অপরিবর্তিত পৃষ্ঠার উপর ভিত্তি করে। যদি এটি সরাসরি পাঠ্যের অবস্থানে ব্যবহার করা হয় তবে এটি ত্রুটির কারণ হবে। সমন্বয় পরিবর্তনের জন্য আপনাকে প্রথমে page.rotation_matrix বা page.derotation_matrix ব্যবহার করতে হবে।

4. নেস্টেড উত্তর কি হারিয়ে যাবে?

PyMuPDF একটি সমতল তালিকা প্রদান করে, এবং যদি ডায়ালগ ট্রিটি ParentID-এর উপর ভিত্তি করে পুনর্গঠিত না হয়, তাহলে প্রসঙ্গটি হারিয়ে যাবে।

5. এনক্রিপ্ট করা PDF কি এই স্ক্রিপ্ট দিয়ে প্রসেস করা যাবে?

যে PDFগুলি এনক্রিপ্ট করা এবং পাসওয়ার্ড প্রদান করে না সেগুলি এই সমাধানের সুযোগের মধ্যে নেই এবং ম্যানুয়াল নিশ্চিতকরণের প্রয়োজন৷

📝 সারাংশ

টীকাগুলি PDF এ একটি স্বাধীন ডেটা স্তর। হস্তান্তর করার আগে, পাঠ্য এবং টীকা আলাদাভাবে বের করা উচিত এবং সংবেদনশীল বিষয়বস্তুর জন্য টীকাগুলি পর্যালোচনা করা উচিত। স্বয়ংক্রিয় স্ক্রিপ্টগুলি সাধারণ ক্ষেত্রে কভার করতে পারে, তবে প্রান্তের ক্ষেত্রে এবং চূড়ান্ত স্বীকৃতি এখনও ম্যানুয়ালি করা দরকার।

এটি এখনই চেষ্টা করুন: অনুবাদ শুরু করতে নথিটি আপলোড করুন, মূল বিন্যাস বজায় রেখে৷