Název souboru se nerovná názvu dokumentu: Jak uspořádat metadata PDF

Název souboru PDF je určen operačním systémem nebo programem pro stahování, ale název interního dokumentu je uložen ve slovníku /Info nebo metadatech XMP. Tyto dva jsou často nekonzistentní a samotná metadata mohou být prázdná, zkomolená nebo mohou mít zástupné symboly zapsané nástroji. Pokud automatizovaný skript přímo zapíše název souboru nebo doc.metadata["title"] do databáze, následný překladový nebo vyhledávací systém může získat pouze nesmyslné řetězce, jako je report_final_v2.

Tento článek je vhodný pro vývojáře a dokumentační týmy, kteří potřebují zpracovávat soubory PDF hromadně a chtějí, aby byl zdroj titulků dohledatelný. Po přečtení můžete vytvořit sadu hierarchických strategií extrakce titulů: nejprve použijte metadata, v případě, že jsou neplatná, ustupte podle pravidel a zaznamenejte důvody každého vrácení, abyste usnadnili rozhodování na základě následné ruční kontroly nebo kontroly strojového zpracování.

Jak spolehlivě extrahovat tituly PDF? Závěr jednou větou

Nejprve ověřte interní metadata, vraťte se k názvům souborů bez přípon, pokud jsou neplatná, a označte zdroj pro každý výsledek.

Proč nelze přímo důvěřovat záhlaví metadat

Tři typické problémy chybějících nebo nedůvěryhodných metadat

• Nezapsána metadata: Nástroj pro generování nezapsal žádná pole,title vrací prázdný řetězec.
• Přepsáno ve výchozím nastavení: Nástroj pro dávkové zpracování změní název na „Bez názvu", „Microsoft Word"nebo řetězec UUID.
• Chyba kódování: Název je zkomolený nebo zkrácený.

Specifikace PDF umožňuje, aby tato pole byla prázdná nebo zcela chyběla, takže tyto situace nelze vyřešit jediným voláním API a vyžadují explicitní ověření a záložní logiku.

Název domovské stránky se také může lišit od metadat

Některé soubory PDF vkládají skutečný název do hlavního textu první stránky namísto oblasti metadat. I když metadata nejsou prázdná, nemusí to být identifikátor dokumentu, který uživatel očekává.

Příklad syntézy: očekávaný výstup a zpracování hranic

Následuje sada syntetických příkladů pro ilustraci očekávaného chování. Tyto vzorky vyžadují, aby si je čtenáři zkonstruovali sami, a nejsou skutečnými dokumenty.

• Normální vstup: Interní PDF/Title je „Výroční zpráva o finančním auditu za rok 2024"a název souboru jeaudit_2024.pdf. Očekávaný výstup má název „Výroční zpráva finančního auditu za rok 2024"a zdroj je označenmetadata.
• Boundary Input 1: /Title je prázdný řetězec a název souboru je Q3_report_draft.pdf. Očekávaný výstup je nazván "Q3_report_draft" (s odstraněným rozšířením) a zdrojová značka je filename_fallback.
• Boundary Input 2: /Title je „dokument bez názvu", který zasáhne seznam neplatných hodnot při shodě bez rozlišení velkých a malých písmen; název souboru jescan_001.pdf. Očekávaný výstupní název je "scan_001" a zdrojová značka je invalid_metadata_fallback.
• Boundary Input 3: /Title obsahuje neplatnou sekvenci UTF-8 a dekódování se nezdařilo. Očekává se, že vyvolá výslovnou výjimku nebo vrátí bezpečné výchozí nastavení a protokol decode_error, poškozený text nelze použít v tichosti.

Každý výstup musí být označen zdrojovým kódem a záložní pravidla musí být v kódu explicitně definována, nikoli spoléhat na implicitní předpoklady.

📊 Srovnání jádra

Body implementace PyMuPDF

Závislost je PyMuPDF>=1.24.0. Toto číslo verze je odvozeno na základě stability API oficiálních dokumentů. Při používání zamkněte konkrétní verzi.

Kód vytvoří jednoduchý PDF v paměti, aby demonstroval logiku, nevyžaduje žádné externí soubory. Chcete-li otestovat skutečný dokument, nahraďte parametr stream lokálním tokem bajtů PDF a ujistěte se, že je soubor legálně čitelný.

import pymupdf
import re
from typing import Dict, Any

# 合成示例：创建一个带元数据的PDF用于演示
def create_sample_pdf(title: str) -> bytes:
    doc = pymupdf.open()
    page = doc.new_page()
    page.insert_text((72, 72), "Sample content")
    if title is not None:
        doc.set_metadata({"title": title})
    return doc.tobytes()

INVALID_TITLES = {"untitled", "untitled document", "microsoft word", "", "document"}

def extract_title_with_fallback(pdf_bytes: bytes, filename: str) -> Dict[str, str]:
    doc = None
    try:
        doc = pymupdf.open(stream=pdf_bytes)
        meta = doc.metadata or {}
        raw_title = (meta.get("title") or "").strip()

        # 检查是否为无效占位符或纯空白
        if not raw_title or raw_title.lower() in INVALID_TITLES:
            fallback = re.sub(r'\.[^.]+$', '', filename)
            source = "invalid_metadata_fallback" if raw_title else "filename_fallback"
            return {"title": fallback, "source": source}

        # 有效元数据标题
        return {"title": raw_title, "source": "metadata"}

    except UnicodeDecodeError:
        raise ValueError("Metadata title contains invalid encoding")
    finally:
        if doc is not None:
            doc.close()

# 验证逻辑（合成样本）
sample_ok = create_sample_pdf("2024年度财务审计报告")
result_ok = extract_title_with_fallback(sample_ok, "audit_2024.pdf")
assert result_ok == {"title": "2024年度财务审计报告", "source": "metadata"}

sample_empty = create_sample_pdf("")
result_empty = extract_title_with_fallback(sample_empty, "Q3_report_draft.pdf")
assert result_empty == {"title": "Q3_report_draft", "source": "filename_fallback"}

sample_invalid = create_sample_pdf("Untitled Document")
result_invalid = extract_title_with_fallback(sample_invalid, "scan_001.pdf")
assert result_invalid == {"title": "scan_001", "source": "invalid_metadata_fallback"}

Tento kód pouze demonstruje extrakci titulků a nouzovou logiku a nezahrnuje kompletní funkce, jako je analýza XMP, výběr vícejazyčného titulku nebo záložní OCR. Produkční prostředí potřebuje rozšířit ověřovací pravidla a přidat protokoly.

Kritéria přijetí a hranice manuální kontroly

Poznámka: Tato tabulka je určena pouze pro krok extrakce názvu metadat. Účinek na pochopení celého dokumentu je také potřeba komplexně posoudit na základě obsahu textu, adresářové struktury atd. Vzorový kód je ověřen a neodpovídá spolehlivosti na úrovni produktu.

Reference

• Oficiální dokument PyMuPDF Document.metadata
• Popis metody PyMuPDF set_metadata, viz odpovídající záznam na stejné stránce.

Tento kontrolní seznam použijte pro překlad dokumentů

Před odesláním stejného znecitlivělého vzorku do procesu překladu potvrďte pořadí stránek, umístění zdroje názvu a integritu textu. Po vydání překladu je třeba ještě zkontrolovat, zda název, text a ilustrace správně odpovídají. Nemůžete jen zkontrolovat, zda je text hladký.

OmniDoc (produktový portál) poskytuje portál pro víceformátový překlad dokumentů. Oficiální webová stránka představuje funkce, jako je OCR, glosář a dvojjazyčné srovnání. Pokud chce tým zahájit zpracování přímo ze souboru, lze tuto cestu vyhodnotit reálnými vzorky. Použijte prosím znecitlivěné soubory, k jejichž nahrávání máte oprávnění, a ke kontrole výsledků použijte zaškrtávací položky v tomto článku. Není zde žádné tvrzení, že OmniDoc používá open source knihovny nebo interní algoritmy uvedené v tomto článku a příklady nemohou nahradit testování výkonu produktu.

❓ Často kladené otázky (FAQ)

1. V metadatech je již název, je třeba jej ještě ověřit?

potřeba. Metadata mohou být přepsána výchozími hodnotami, jako je „Bez názvu", „Microsoft Word"nebo UUID, takže nejprve se provede kontrola platnosti.

2. Jaká jsou rizika návratu k názvům souborů?

Název souboru je určen operačním systémem nebo programem pro stahování a může to být nesmyslný řetězec jakoreport_final_v2. Zdroj výsledku vrácení by měl být označen. Pokud samotný název souboru nemá smysl, měl by být označen jako low_confidence.

3. Jak zpracovat naskenované dokumenty?

Tato sada logiky metadat se nevztahuje na skenování bez textové vrstvy. Před vstupem do následného procesu je třeba pomocí OCR extrahovat název domovské stránky.

4. Lze ukázkový kód přímo použít ve výrobě?

Nelze jej použít přímo. Příklad pouze demonstruje extrakci titulků a záložní řešení. Produkční prostředí také potřebuje rozšířit analýzu XMP, výběr titulků ve více jazycích, záložní OCR a přidat protokoly.

📝 Shrnutí

Extrakce titulků se nemůže spoléhat pouze na jedno volání API. Prostřednictvím vrstveného ověřování, explicitních záložních reklam a značkování zdroje poznají následné systémy, odkud každý titul pochází, což usnadňuje ruční kontrolu.

Vyzkoušejte to hned: Nahrajte dokument a začněte překládat při zachování původního rozvržení