Όταν παραδίδετε σχολιασμένα έγγραφα, μην παραδίδετε απλώς ένα PDF που φαίνεται καθαρό.

Αυτό το άρθρο παρέχει μια πολυεπίπεδη λύση εξαγωγής και επαλήθευσης ασφάλειας που βασίζεται στο PyMuPDF για την αντιμετώπιση προβλημάτων σύγχυσης μεταξύ κειμένου και σχολίων, διαρροής ευαίσθητων δεδομένων και σύγχυσης συστημάτων συντεταγμένων στην εξαγωγή σχολιασμών PDF. Το περιεχόμενο καλύπτει την αρχή του ανεξάρτητου επιπέδου δεδομένων, τα παραδείγματα αμυντικού προγραμματισμού, την επεξεργασία συνόρων και τα κριτήρια χειροκίνητης αποδοχής και εξηγεί πώς να συνδέσετε σωστά το OmniDoc στη ροή εργασίας μετάφρασης εγγράφων για δίγλωσση σύγκριση και αποδοχή.

Πριν παραδώσουν σχολιασμούς PDF, πολλά άτομα θα χρησιμοποιήσουν απευθείας το page.get_text() για να εξαγάγουν ένα καθαρό κείμενο για μετάφραση, αρχειοθέτηση ή παράδοση στον επόμενο αναθεωρητή. Αλλά αυτό το κείμενο συνήθως δεν περιέχει σχολιασμούς. Ορισμένες μέθοδοι εξαγωγής θα εισάγουν επίσης σχόλια στη μέση του κειμένου, διακόπτοντας τη σημασιολογία. Σχόλια τροποποίησης και ευαίσθητες παρατηρήσεις στην πλαϊνή γραμμή ενδέχεται να παραληφθούν.

Αυτό το άρθρο είναι γραμμένο για προγραμματιστές και κατόχους εγγράφων που πρέπει να εργαστούν με σχολιασμένα αρχεία PDF. Αφού διαβάσετε, θα καταλάβετε γιατί οι σχολιασμοί είναι ανεξάρτητα επίπεδα δεδομένων, πώς να εξαγάγετε κείμενο και σχολιασμούς σε επίπεδα, ποιες περιπτώσεις ακμών πρέπει να αντιμετωπίζονται με αμυντικό τρόπο και ποια σημεία αποδοχής πρέπει να επιβεβαιωθούν με μη αυτόματο τρόπο.

Όλα τα παραδείγματα σε αυτό το άρθρο χρησιμοποιούν συνθετικά δείγματα. Ο κωδικός έχει ελεγχθεί δειγματοληπτικά σε απομονωμένο περιβάλλον, αλλά αυτό δεν αποτελεί εγγύηση για όλα τα πραγματικά αρχεία ή την απόδοση του προϊόντος. Πριν επεξεργαστείτε σημαντικά έγγραφα, διατηρήστε τα πρωτότυπα και ελέγξτε τα σύμφωνα με τα όρια και τα στοιχεία αποδοχής στο κείμενο.

Πώς να εξαγάγετε το σχολιασμένο PDF πριν από την παράδοση; Μια φράση συμπέρασμα

Αντιμετωπίστε το κείμενο και τους σχολιασμούς ως δύο ανεξάρτητες ροές δεδομένων και εξάγετε τα χωριστά και πραγματοποιήστε σαφή έλεγχο ασφαλείας στο περιεχόμενο του σχολιασμού.

την κατάστασή σαςΣυνιστώμενες πρακτικέςλόγος
Χρησιμοποιήστε μόνο το get_text() για εξαγωγή του κειμένουΜην το αντιμετωπίζετε ως πλήρεςΗ προεπιλεγμένη έξοδος συνήθως δεν περιέχει σχολιασμούς
Τα σχόλια αναθεώρησης των αναθεωρητών πρέπει να διατηρηθούνΕπαναλάβετε τους σχολιασμούς ξεχωριστά με το page.annots()Οι σχολιασμοί είναι ανεξάρτητα αντικείμενα που επισυνάπτονται στη σελίδα
Τα σχόλια ενδέχεται να περιέχουν αριθμούς ταυτότητας και εσωτερικούς κωδικούς.Αντιστοιχίστε με ευαίσθητους κανόνες, επισημάνετε redacted=True και αντικαταστήστε με σύμβολο κράτησης θέσηςΟι σημειώσεις ελέγχου ενδέχεται να περιέχουν ευαίσθητα δεδομένα
Η σελίδα περιστρέφεταιΧρησιμοποιήστε πρώτα page.rotation_matrix ή page.derotation_matrix για να μετατρέψετε τις συντεταγμένεςΟρθογώνιο σχολιασμού που βασίζεται σε μη περιστρεφόμενη σελίδα
Έτοιμο για μεταφραστική διαδικασίαΚαθαρίστε πρώτα ετικέτες εμπλουτισμένου κειμένου και, στη συνέχεια, ελέγξτε μη αυτόματα μετά τη μετάφρασηΑποφύγετε μεταφράσεις που περιέχουν κώδικα

Γιατί οι σχολιασμοί είναι ανεξάρτητοι από το επίπεδο δεδομένων του κειμένου

Στην προδιαγραφή PDF, η ροή περιεχομένου σελίδας (Ροή περιεχομένου) και το λεξικό σχολιασμού (Annots Array) διαχωρίζονται δομικά. Το σώμα αποτελείται από οδηγίες εμφάνισης κειμένου. Οι σχολιασμοί είναι ανεξάρτητα αντικείμενα που συνδέονται με τη σελίδα, με τις δικές τους συντεταγμένες, τύπο και χαρακτηριστικά περιεχομένου. Η μέθοδος Page.annots() του PyMuPDF επιστρέφει μια γεννήτρια που διασχίζει αυτήν την ανεξάρτητη λίστα σχολιασμών αντί για τη ροή κειμένου σελίδας.

Αυτό σημαίνει ότι δεν μπορείτε να υποθέσετε ότι όλο το κείμενο που βλέπετε μπορεί να εξαχθεί με τον ίδιο τρόπο.

Η διαφορά μεταξύ των σχολιασμών κατηγορίας σήμανσης και κατηγορίας περιεχομένου

  • Οι σχολιασμοί ετικετών (όπως η επισήμανση και η υπογράμμιση) δεν περιέχουν κείμενο, αλλά καταγράφουν μόνο την περιοχή (Quads/Rects) που αντιστοιχεί στο αρχικό κείμενο. Το πραγματικό κείμενο μπορεί να ληφθεί μόνο αν αναζητήσετε το κείμενο μέσω συντεταγμένων.
  • Οι σχολιασμοί περιεχομένου (όπως σημειώσεις, ελεύθερο κείμενο) έχουν τις δικές τους συμβολοσειρές περιεχομένου και μπορούν να διαβαστούν απευθείας.
  • Εάν διαβάσετε απευθείας το annot.info["content"] χωρίς να διακρίνετε τον τύπο, θα χάσετε το αρχικό πλαίσιο που υποδεικνύεται από τον σχολιασμό της κατηγορίας ετικέτας ή θα δημιουργήσετε μια εξαίρεση εάν το περιεχόμενο είναι κενό.

Παράδειγμα σύνθεσης: εξαγωγή σε επίπεδα και υποκλοπή ευαίσθητων πληροφοριών

Για να δείξουμε τη σωστή λογική επεξεργασίας, κατασκευάσαμε ένα συνθετικό σενάριο που περιέχει τρεις τυπικούς σχολιασμούς σε κώδικα. Οι ακόλουθες είσοδοι είναι δείγματα που έχουν δημιουργηθεί εντός του κώδικα, όχι από αρχεία πραγματικών πελατών και προορίζονται μόνο για εκπαιδευτικούς σκοπούς επίδειξης.

Η αναμενόμενη έξοδος περιέχει τρία δομημένα πεδία:

  1. Απόσπασμα κειμένου: Περιέχει μόνο το αρχικό κείμενο της σελίδας, χωρίς περιεχόμενο σχολιασμού.
  2. Λίστα σχολιασμών: Κάθε εγγραφή περιλαμβάνει τύπο, τοποθεσία, συγγραφέα, ώρα και περιεχόμενο (εάν υπάρχει).
  3. Σήμα ασφαλείας: Εάν το περιεχόμενο του σχολιασμού ταιριάζει με τους προκαθορισμένους ευαίσθητους κανόνες (όπως αριθμός αναγνωριστικού, εσωτερικός κωδικός), η καταχώριση επισημαίνεται ως redacted=True και το περιεχόμενο αντικαθίσταται από ένα σύμβολο κράτησης θέσης.

Τρεις τύποι ορίων που πρέπει να υπερασπιστούν

  • Σχολιασμός κενού περιεχομένου: Το μελάνι (Ink) ή οι γραφικοί σχολιασμοί που δημιουργούνται από ορισμένους αναγνώστες δεν έχουν χαρακτηριστικά κειμένου. Η άμεση πρόσβαση στο .info["content"] μπορεί να έχει ως αποτέλεσμα μια κενή συμβολοσειρά ή Κανένα, ο κώδικας πρέπει να κάνει αμυντικούς ελέγχους και δεν μπορεί να υποθέσει ότι όλοι οι σχολιασμοί έχουν αναγνώσιμο κείμενο.
  • Συντεταγμένες σελίδας περιστροφής: Μετά την περιστροφή της σελίδας κατά 90 μοίρες, το ορθογώνιο σχολιασμού εξακολουθεί να βασίζεται στη σελίδα που δεν έχει περιστραφεί. Εάν χρησιμοποιήσετε απευθείας αυτές τις συντεταγμένες για να περικόψετε ή να τοποθετήσετε το κείμενο, η θέση θα είναι εντελώς μπερδεμένη και πρέπει πρώτα να γίνει ο μετασχηματισμός συντεταγμένων.
  • Orphan Object: Εάν το έγγραφο κλείσει ή η σελίδα φορτωθεί ξανά κατά τη διαδικασία διέλευσης, το τρέχον αντικείμενο annot θα γίνει αμέσως άκυρο. Όλες οι λειτουργίες ανάγνωσης πρέπει να ολοκληρωθούν μέσα σε μία μόνο σελίδα.

Εφαρμογή Python: ασφαλής διέλευση σχολιασμού και επαλήθευση

Το παράδειγμα χρησιμοποιεί το PyMuPDF για τη δημιουργία ενός δοκιμαστικού PDF στη μνήμη, επιδεικνύοντας ιεραρχική εξαγωγή και βασική λογική κάλυψης. Η εξαρτημένη βιβλιοθήκη είναι PyMuPDF (δηλαδή πακέτο pymupdf). Εκτελέστε το σε ένα κλειδωμένο περιβάλλον εξάρτησης. Η έκδοση πρέπει να είναι >=1.23.0 για πλήρη πρόσβαση στο χαρακτηριστικό annot. Αυτός ο κώδικας δεν εκτελεί λειτουργίες δικτύου ή εγγραφή αρχείων, χρησιμοποιείται μόνο για την επίδειξη λογικής.

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.")

Στον πυρήνα του, ο κώδικας είναι ο αμυντικός προγραμματισμός: η καθαρότητα του περιεχομένου του σχολιασμού δεν είναι αξιόπιστη, ούτε θεωρείται η ακεραιότητα του τύπου σχολιασμού. Η δήλωση assert χρησιμοποιείται για την επαλήθευση της αναμενόμενης λογικής, αλλά αυτή είναι απλώς μια επίδειξη και δεν αποτελεί εγγύηση απόδοσης από άκρο σε άκρο για όλες τις παραλλαγές PDF.

Σύγκριση κατηγοριών σχολιασμού

Τύπος σχολιασμούΕίτε θα φέρετε το δικό σας κείμενοΠώς να αποκτήσετε περιεχόμενοΣημεία που πρέπει να προσέξετε κατά την παράδοση
Επισήμανση, υπογράμμισηΌχι, μόνο περιοχές εγγραφής (Quads/Rects)Ελέγξτε το κείμενο χρησιμοποιώντας συντεταγμένεςΤο αντίστοιχο αρχικό πλαίσιο κειμένου πρέπει να διατηρηθεί
Σημειώσεις, ελεύθερο κείμενοΝαι, συνοδεύεται από τη δική του συμβολοσειρά περιεχομένουδιαβάστε απευθείαςΕλέγξτε για ευαίσθητο περιεχόμενο
Μελάνι, γραφικά, σφραγίδεςΣυχνά δεν υπάρχει χαρακτηριστικό κειμένουΚάντε μια αμυντική σύντομη κλήσηΕπιβεβαιώστε με μη αυτόματο τρόπο εάν πρόκειται για υπογραφή ή σφραγίδα έγκρισης

Κριτήρια αποδοχής και όρια χειροκίνητου ελέγχου

Η αυτοματοποιημένη εξαγωγή δεν μπορεί να καλύψει όλες τις ακμές θήκες. Ο παρακάτω πίνακας παραθέτει τα σημεία αποδοχής στα οποία πρέπει να δοθεί προσοχή κατά την παράδοση, κάνοντας διάκριση μεταξύ του εύρους που μπορεί να χειριστεί ο κώδικας και των σεναρίων που απαιτούν χειροκίνητη παρέμβαση.

Παρατηρήστε φαινόμεναΕπεξεργασία σε επίπεδο κώδικαΑνθρώπινη αναθεώρηση ή λήψη αποφάσεων
Το περιεχόμενο του σχολίου είναι κενό αλλά το εικονίδιο υπάρχειΟ τύπος εγγραφής είναι Μελάνι ή Σφραγίδα, το περιεχόμενο παραμένει κενόΕπιβεβαιώστε εάν πρόκειται για υπογραφή ή σφραγίδα έγκρισης και αποφασίστε εάν θα διατηρήσετε το στιγμιότυπο εικόνας
Η θέση σχολίου υπερβαίνει το CropBoxΟι συντεταγμένες εξακολουθούν να ισχύουν, αλλά η απόδοση δεν είναι ορατήΠροσδιορίστε εάν πρόκειται για έναν εγκαταλελειμμένο σχολιασμό που έχει απομείνει από την ιστορία, ο οποίος συνήθως μπορεί να αγνοηθεί.
Τα σχόλια εμπλουτισμένου κειμένου περιέχουν ετικέτες HTMLΕξαγάγετε την αρχική συμβολοσειρά, κρατήστε ετικέτεςΚαθαρίστε τις ετικέτες ή μετατρέψτε τις σε απλό κείμενο πριν από τη μετάφραση για να αποφύγετε τις μεταφράσεις που περιέχουν κώδικα.
Το όνομα του συγγραφέα του σχολιασμού είναι αλλοιωμένοΕξαγωγή ως έχει, χωρίς εικασίες κωδικοποίησηςΕλέγξτε τα μεταδεδομένα του αρχείου προέλευσης για να επιβεβαιώσετε εάν είναι το όνομα μιας συγκεκριμένης κωδικοποίησης
Ένθετο νήμα απάντησηςΤο PyMuPDF επιστρέφει μια επίπεδη λίσταΔημιουργήστε ξανά το δέντρο διαλόγου με βάση το ParentID, διαφορετικά το περιβάλλον θα χαθεί

Δεν ισχύει: Αυτή η λύση δεν ισχύει για κρυπτογραφημένα αρχεία PDF χωρίς την παροχή κωδικού πρόσβασης, δομικά κατεστραμμένα PDF και αρχεία που χρησιμοποιούν μη τυπικές ιδιωτικές επεκτάσεις για τον ορισμό τύπων σχολιασμού. Σε αυτές τις περιπτώσεις, το σενάριο μπορεί να παρακάμψει ή να δημιουργήσει μια εξαίρεση χαμηλού επιπέδου C++, η οποία πρέπει να επιβεβαιωθεί ανοίγοντας με μη αυτόματο τρόπο το αρχείο προέλευσης χρησιμοποιώντας επαγγελματικά εργαλεία.

Χρησιμοποιήστε λίστες ελέγχου για μετάφραση εγγράφων

Πρώτα επιβεβαιώστε τη σειρά σελίδων, την τοποθεσία της πηγής και την ακεραιότητα του κειμένου και, στη συνέχεια, υποβάλετε το ίδιο απευαισθητοποιημένο δείγμα στη διαδικασία μετάφρασης. Μετά τη μετάφραση, πρέπει να ελέγξετε αν ο τίτλος, το κείμενο και οι εικόνες αντιστοιχούν σωστά. Δεν μπορείτε απλώς να ελέγξετε εάν το κείμενο είναι ομαλό.

Το OmniDoc παρέχει μια πύλη μετάφρασης εγγράφων πολλαπλών μορφών και ο επίσημος ιστότοπος εισάγει λειτουργίες OCR, γλωσσάρι και δίγλωσση σύγκριση. Εάν η ομάδα θέλει να ξεκινήσει την επεξεργασία απευθείας από το αρχείο, αυτή η διαδρομή μπορεί να αξιολογηθεί με πραγματικά δείγματα. Χρησιμοποιήστε απευαισθητοποιημένα αρχεία που έχετε άδεια να ανεβάσετε και ελέγξτε τα αποτελέσματα σύμφωνα με τα στοιχεία ελέγχου σε αυτό το άρθρο. Δεν υπάρχει κανένας ισχυρισμός εδώ ότι το OmniDoc χρησιμοποιεί τις βιβλιοθήκες ανοιχτού κώδικα ή τους εσωτερικούς αλγόριθμους αυτού του άρθρου, ούτε το παράδειγμα αντικαθιστά τη δοκιμή απόδοσης προϊόντος.

Αναφορές και επόμενα βήματα

  1. Επιλέξτε ένα ιστορικό αρχείο έργου που περιέχει μεικτούς τύπους σχολιασμού.
  2. Εκτελέστε το παραπάνω σενάριο επαλήθευσης και μετρήστε το ποσοστό των καταχωρίσεων που απαιτούν μη αυτόματο έλεγχο.
  3. Εάν η αναλογία υπερβαίνει τις προσδοκίες, προσθέστε ένα βήμα προεπεξεργασίας στη διαδικασία παράδοσης αντί να βασίζεστε σε εργαλεία κατάντη για να δώσετε την απάντηση.

🎯 Ποια μέθοδος είναι κατάλληλη για εσάς;

Εάν χρειάζεται μόνο να μεταφράσετε το κείμενο

Μπορείτε να εξαγάγετε απευθείας το κείμενο, αλλά πρέπει να επιβεβαιώσετε εάν λείπουν σχολιασμοί στο εξαγόμενο περιεχόμενο.

Εάν θέλετε να δώσετε το έγγραφο σε κάποιον άλλο για αρχειοθέτηση

Ταυτόχρονα, διατηρήστε το κύριο κείμενο και τη λίστα σχολιασμών και επισημάνετε ευαίσθητο περιεχόμενο ως απευαισθητοποιημένο.

Εάν το PDF σας έχει περιστρέψει σελίδες

Πρώτα κάντε τον μετασχηματισμό συντεταγμένων και, στη συνέχεια, χρησιμοποιήστε τη θέση σχολιασμού για να εντοπίσετε το κείμενο.

Εάν το αρχείο είναι κρυπτογραφημένο ή δομικά κατεστραμμένο

Αυτή η λύση δεν είναι εφαρμόσιμη. Χρησιμοποιήστε μη αυτόματα επαγγελματικά εργαλεία για να ανοίξετε το αρχείο προέλευσης για επιβεβαίωση.

❓ Συχνές ερωτήσεις (FAQ)

1. Γιατί το get_text() δεν περιέχει σχολιασμούς;

Η προεπιλεγμένη έξοδος περιέχει συνήθως μόνο το σώμα της σελίδας. Οι σχολιασμοί είναι αντικείμενα ανεξάρτητα από τη ροή κειμένου της σελίδας και πρέπει να διασχίζονται ξεχωριστά μέσω του page.annots().

2. Μπορεί να διαβαστεί απευθείας το κείμενο όλων των σχολίων;

δεν μπορεί. Οι σχολιασμοί τύπου σήμανσης, όπως η επισήμανση και η υπογράμμιση, δεν περιέχουν κείμενο και μόνο περιοχές εγγραφής. Το μελάνι και οι γραφικοί σχολιασμοί μπορεί επίσης να μην έχουν χαρακτηριστικά κειμένου και να απαιτούν αμυντική κρίση.

3. Γιατί είναι μπερδεμένη η θέση της σελίδας μετά την περιστροφή της;

Το ορθογώνιο σχολιασμού βασίζεται σε μια σελίδα που δεν έχει περιστραφεί. Εάν χρησιμοποιηθεί απευθείας για την τοποθέτηση του κειμένου, θα προκαλέσει σφάλματα. Πρέπει πρώτα να χρησιμοποιήσετε page.rotation_matrix ή page.derotation_matrix για μετασχηματισμό συντεταγμένων.

4. Θα χαθούν οι ένθετες απαντήσεις;

Το PyMuPDF επιστρέφει μια επίπεδη λίστα και εάν το δέντρο διαλόγου δεν ανακατασκευαστεί με βάση το ParentID, το περιβάλλον θα χαθεί.

5. Μπορεί να γίνει επεξεργασία κρυπτογραφημένου PDF με αυτό το σενάριο;

Τα αρχεία PDF που είναι κρυπτογραφημένα και δεν παρέχουν κωδικό πρόσβασης δεν εμπίπτουν στο πεδίο εφαρμογής αυτής της λύσης και απαιτούν μη αυτόματη επιβεβαίωση.

📝 Περίληψη

Οι σχολιασμοί είναι ένα ανεξάρτητο επίπεδο δεδομένων σε PDF. Πριν από την παράδοση, το κείμενο και οι σχολιασμοί θα πρέπει να εξαχθούν χωριστά και οι σχολιασμοί θα πρέπει να ελεγχθούν για ευαίσθητο περιεχόμενο. Τα αυτοματοποιημένα σενάρια μπορούν να καλύπτουν κοινές περιπτώσεις, αλλά οι ακραίες περιπτώσεις και η τελική αποδοχή πρέπει να γίνουν χειροκίνητα.

Δοκιμάστε το τώρα: Ανεβάστε το έγγραφο για να ξεκινήσει η μετάφραση, διατηρώντας την αρχική διάταξη

Ενημερώθηκε 2026-11-16