Τι πρέπει να κάνω εάν μπορώ να κάνω κλικ στη σελίδα του πίνακα περιεχομένων ενός PDF αλλά χάσω το επίπεδο μετά την εξαγωγή;

Η ιεραρχία των σελιδοδεικτών πρέπει να ελεγχθεί πριν γραφτεί. Το πρώτο στοιχείο είναι ένα επίπεδο και τα επόμενα στοιχεία μπορούν να αυξηθούν κατά ένα επίπεδο το πολύ. το παράδειγμα απορρίπτει παράνομα επίπεδα και αριθμούς σελίδων εκτός ορίων και δεν αλλάζει αυτόματα το επίπεδο για να πλαστογραφήσει τη δομή του καταλόγου. Οι αριθμοί σελίδων στους σελιδοδείκτες ξεκινούν από το ένα και τα ευρετήρια σελίδων συνήθως ξεκινούν από το μηδέν.

Η σελίδα του πίνακα περιεχομένων του PDF μπορεί να ανακατευθυνθεί κανονικά στον αναγνώστη, αλλά μετά την εξαγωγή με χρήση ενός σεναρίου, η ιεραρχία μπορεί να είναι επίπεδη, οι αριθμοί σελίδων μπορεί να είναι λανθασμένα ή ακόμα και το ευρετήριο μπορεί να είναι μη φυσιολογικό. Αυτός ο τύπος προβλήματος είναι κοινός όταν συγχωνεύονται σαρωμένα αρχεία ή αρχεία με ακανόνιστες δομές σελιδοδεικτών. Εάν τα αποτελέσματα εξαγωγής παραδοθούν απευθείας σε μεταγενέστερους χρήστες, ενδέχεται να προκύψουν σφάλματα στην τμηματοποίηση της μετάφρασης και στη σύνδεση.

Αυτό το άρθρο προορίζεται για προγραμματιστές και ομάδες τεκμηρίωσης που χρειάζεται να επεξεργαστούν ομαδικά τους καταλόγους PDF. Μετά την ανάγνωση, μπορείτε να κατανοήσετε την έννοια της επιστρεφόμενης τιμής get_toc(), να κυριαρχήσετε τους κανόνες επαλήθευσης για τα επίπεδα και τους αριθμούς σελίδων και να γνωρίζετε ποιες καταστάσεις πρέπει να μετατραπούν σε μη αυτόματη επαλήθευση. Αυτό το άρθρο χρησιμοποιεί ένα συνθετικό δείγμα για την επίδειξη της μεθόδου επεξεργασίας και ο κώδικας έχει ελεγχθεί από το δείγμα σε απομονωμένο περιβάλλον, αλλά αυτό δεν αποτελεί εγγύηση για όλα τα πραγματικά αρχεία ή τα αποτελέσματα του προϊόντος. Πριν επεξεργαστείτε σημαντικά έγγραφα, διατηρήστε τα πρωτότυπα και ελέγξτε τα σύμφωνα με τα όρια και τα στοιχεία αποδοχής στο κείμενο.

Τι πρέπει να κάνω εάν μπορεί να γίνει κλικ στη σελίδα πίνακα περιεχομένων PDF, αλλά η ιεραρχία χαθεί μετά την εξαγωγή; Μια φράση συμπέρασμα

Επαληθεύστε πρώτα και μετά γράψτε: Πρέπει πρώτα να ελεγχθεί το επίπεδο σελιδοδείκτη, το πρώτο στοιχείο θεωρείται πρώτο επίπεδο, τα επόμενα επίπεδα δεν πρέπει να υπερβαίνουν το προηγούμενο στοιχείο συν ένα και οι καταχωρίσεις με αριθμούς σελίδων εκτός ορίων δεν θα γραφτούν.

την κατάστασή σαςΣυνιστώμενες πρακτικέςλόγος
Μπορείτε να κάνετε κλικ στη σελίδα καταλόγου και η ιεραρχία είναι επίπεδη ή εσφαλμένη ευθυγράμμιση μετά την εξαγωγή.Χρησιμοποιήστε πρώτα το get_toc() για να λάβετε την αρχική λίστα και, στη συνέχεια, επαληθεύστε την ένα προς ένα πριν τη χρησιμοποιήσετε.Η αρχική λίστα που επιστράφηκε από το get_toc() δεν έχει δομημένη επικύρωση
Ο αριθμός σελίδας είναι 0 ή υπερβαίνει τον συνολικό αριθμό σελίδωνΑπορρίψτε την καταχώρηση και καταγράψτεΟι αριθμοί σελίδων εκτός ορίων θα προκαλέσουν αποτυχία μετάβασης
Το get_toc() επιστρέφει μια κενή λίσταΧρησιμοποιήστε την ανάλυση διάταξης κειμένου και μην επαναλάβετε τυφλάΤο αρχείο ενδέχεται να μην έχει ενσωματωμένα μεταδεδομένα σελιδοδείκτη
Ο ίδιος τίτλος αντιστοιχεί σε πολλούς διαφορετικούς αριθμούς σελίδωνΕπισήμανση ως διφορούμενη, μεταφορά σε μη αυτόματη επαλήθευσηΔεν είναι δυνατός ο αυτόματα προσδιορισμός του αριθμού σελίδας που είναι σωστός

Γιατί το αποτέλεσμα εξαγωγής χάνει επίπεδα;

Το get_toc() έχει ως προεπιλογή την έξοδο μιας λίστας τριπλών [level, title, page]. Μεταξύ αυτών, το page είναι ο φυσικός αριθμός σελίδας που ξεκινά από το 1 και το level αντιπροσωπεύει μόνο το βάθος ένθεσης και δεν εγγυάται τη συνέχεια ή τη νομιμότητα.

Εάν το PDF προέλευσης δημιουργήθηκε από ένα εργαλείο συγχώνευσης σάρωσης, τα κοινά ζητήματα περιλαμβάνουν:

  • Άλμα επιπέδου: Για παράδειγμα, μεταβείτε απευθείας από το 1 στο 3
  • Εξαίρεση αριθμού σελίδας: Ο αριθμός σελίδας είναι 0 ή υπερβαίνει τον συνολικό αριθμό σελίδων
  • Εξαίρεση τίτλου: Ο τίτλος περιέχει χαρακτήρες ελέγχου

Εάν χρησιμοποιηθεί απευθείας για εργασίες κατάντη, θα προκαλέσει σύγχυση στα τμήματα μετάφρασης ή αποτυχία σύνδεσης. Πιο ύπουλα, ορισμένα PDF έχουν μια οπτική σελίδα πίνακα περιεχομένων, αλλά όχι ενσωματωμένα μεταδεδομένα σελιδοδεικτών. Είναι φυσιολογικό για το get_toc() να επιστρέφει μια κενή λίστα αυτήν τη στιγμή και αντί αυτού πρέπει να χρησιμοποιηθεί ανάλυση διάταξης κειμένου.

Παράδειγμα αυτοτελούς σύνθεσης

Δείτε τη λίστα εισαγωγής για παράδειγμα εξαρτήσεων. Ο κώδικας δημιουργεί την είσοδο στη μνήμη και οι εγγραφές εκτέλεσης παρέχονται χωριστά και δεν αποτελούν εγγύηση για όλα τα πραγματικά αρχεία.

import pymupdf
def validate(rows, pages):
    previous = 0
    for level, title, page in rows:
        if type(level) is not int or level < 1 or level > previous + 1:
            raise ValueError("invalid hierarchy")
        if type(page) is not int or not 1 <= page <= pages:
            raise ValueError("invalid destination")
        if not isinstance(title, str) or not title.strip():
            raise ValueError("empty title")
        previous = level
    return rows
with pymupdf.open() as doc:
    for _ in range(3):
        doc.new_page()
    rows = [[1, "Chapter", 1], [2, "Section", 2], [1, "Appendix", 3]]
    doc.set_toc(validate(rows, doc.page_count))
    assert doc.get_toc() == rows
    assert len(doc.get_toc()) == 3
    for bad in [[[2, "Bad", 1]], [[1, "Bad", 99]], [[1, "", 1]]]:
        try:
            validate(bad, doc.page_count)
        except ValueError:
            pass
        else:
            raise AssertionError("invalid outline accepted")

Κανόνες επεξεργασίας για νόμιμες και παράνομες εισαγωγές

Η σωστή εισαγωγή πρέπει να ικανοποιεί: μια λίστα τριπλών με συνεχή επίπεδα και αριθμούς σελίδων στην περιοχή [1, doc.page_count]. Για παράδειγμα, το [[1, "引言", 1], [2, "背景", 2], [1, "方法", 5]] είναι νόμιμο, το δεύτερο επίπεδο εμφανίζεται μετά το πρώτο επίπεδο και συμμορφώνεται με τη σύνταξη περίγραμμα PDF.

Οι συνήθεις λανθασμένες εισαγωγές περιλαμβάνουν:

  • Το επίπεδο είναι 0 ή αρνητικό
  • Ο αριθμός σελίδας είναι 0
  • Ο αριθμός των σελίδων υπερβαίνει τον συνολικό αριθμό σελίδων
  • Ο τίτλος είναι μια κενή συμβολοσειρά ή περιέχει μόνο χαρακτήρες κενού διαστήματος

Για αυτές τις περιπτώσεις, οι μέθοδοι που δίνονται στο άρθρο είναι οι εξής:

  1. Παραλείψτε καταχωρήσεις με μη έγκυρους αριθμούς σελίδων και καταγράψτε μια προειδοποίηση.
  2. Διατηρήστε σύμβολα κράτησης θέσης όπως το [untitled] για κενούς τίτλους για να διατηρήσετε τη δομική ακεραιότητα.
  3. Μην διακόπτετε την ανάλυση ολόκληρου του καταλόγου λόγω ενός μόνο σφάλματος.

Όσον αφορά την περίπτωση όπου το επίπεδο είναι μικρότερο από 1, υπάρχουν δύο στρατηγικές που πρέπει να γνωρίζετε: το συνοπτικό μέρος του παραδείγματος συνηγορεί στην απόρριψη των παράνομων επιπέδων και όχι στην αυτόματη διόρθωσή τους, ενώ η περιγραφή του κανόνα στο άρθρο είναι να το επιβάλετε σε 1. Αποφασίστε μεταξύ των δύο σύμφωνα με τη διαδικασία σας. Λάβετε επίσης υπόψη ότι αυτοί οι κανόνες έχουν σχεδιαστεί για να διασφαλίζουν την ευρωστία των μεταγενέστερων διαδικασιών και δεν αποτελούν υποχρεωτικές απαιτήσεις του προτύπου PDF. Η πραγματική δοκιμή διαπίστωσε ότι όταν ο αριθμός σελίδας ξεπεράσει το όριο, το PyMuPDF θα εκτυπώσει μια προειδοποίηση αλλά δεν θα δημιουργήσει εξαίρεση. Επομένως, η συνάρτηση επαλήθευσης πρέπει να φιλτράρει ενεργά και δεν μπορεί να βασίζεται στη συμπεριφορά της βιβλιοθήκης.

📊 Βασική σύγκριση

Σε διαφορετικές καταστάσεις εγγράφων, τα αποτελέσματα και οι προτεινόμενες μέθοδοι επεξεργασίας του get_toc() είναι διαφορετικά:

Απόδειξη με έγγραφαΑποτελέσματα get_toc()Συνιστώμενη θεραπεία
Υπάρχουν σελιδοδείκτες και η δομή είναι νόμιμηΕπιστρέφει μια λίστα τριπλώνΧρησιμοποιήστε το αμέσως μετά την επαλήθευση
Υπάρχουν σελιδοδείκτες, αλλά το επίπεδο ή ο αριθμός σελίδας είναι μη φυσιολογικόςΕπιστρέφει μια λίστα που περιέχει στοιχεία εξαίρεσηςΦιλτράρισμα και εγγραφή αρχείων καταγραφής, μεταφορά σε χειροκίνητη λειτουργία εάν είναι απαραίτητο
Οπτικά υπάρχει μια σελίδα πίνακα περιεχομένων αλλά δεν υπάρχουν σελιδοδείκτεςΕπιστροφή κενή λίσταΧρησιμοποιήστε την ανάλυση διάταξης κειμένου
Αναδιάταξη εγγράφων όπως το EPUBΗ μορφή αριθμού σελίδας είναι (κεφάλαιο, pno)Αυτή η λογική επαλήθευσης αριθμού σελίδας δεν ισχύει και απαιτεί ειδική επεξεργασία

Κριτήρια αποδοχής και όρια μη αυτόματης αναθεώρησης

Ο παρακάτω πίνακας εστιάζει μόνο στο στάδιο εξαγωγής των μεταδεδομένων καταλόγου PDF:

Παρατηρήστε το φαινόμενοΑπόφαση χειρισμού του θέματοςΕάν ο αυτοματισμός είναι κατάλληλος
Ο αριθμός σελίδας είναι 0 ή μεγαλύτερος από τον συνολικό αριθμό σελίδωνΑπορρίψτε την καταχώρηση και καταγράψτε τηνΝαι
Επίπεδα μικρότερα από 1 ή μη ακέραιοι αριθμοίΧειριστείτε σύμφωνα με τους παραπάνω κανόνες (δείτε την προηγούμενη εξήγηση)Ναι
Οι τίτλοι είναι είτε εντελώς κενοί είτε καθαρά συμβολικοίΑντικατάσταση με [untitled]Ναι
Επίπεδα άλματος (π.χ. 1 έως 3)Διατηρήστε τα αρχικά στρώματα χωρίς να γεμίσετε τα μεσαία στρώματαΝαι (δομικά νόμιμο)
Ο ίδιος τίτλος αντιστοιχεί σε πολλούς διαφορετικούς αριθμούς σελίδωνΕπισημάνθηκε ως διφορούμενο, μετατράπηκε σε χειροκίνητοΌχι
Περισσότερες από 200 καταχωρήσεις χωρίς ιεραρχικές αλλαγέςΗ υποψία εσφαλμένης αναγνώρισης OCR απαιτεί μη αυτόματη επαλήθευσηΌχι
Περιλαμβάνει εξωτερικές ενέργειες URI ή JavaScriptΦιλτράρετε τις ανακατευθύνσεις εκτός σελίδαςΝαι (Πολιτική ασφαλείας)
Αναδιάταξη εγγράφων όπως EPUB, αριθμός σελίδας (κεφάλαιο, pno)Αυτή η λογική επικύρωσης αριθμού σελίδας δεν ισχύειΌχι (απαιτεί ειδική μεταχείριση)

Σημειώστε ότι η επίδειξη κώδικα ελέγχει μόνο τη δομική νομιμότητα. Τα εφέ από άκρο σε άκρο πρέπει επίσης να συνδυαστούν με την απόδοση για να επαληθευτεί η ακρίβεια των αλμάτων.

🎯 Ποια μέθοδος σας ταιριάζει;

Εάν χρειάζεται να εξαγάγετε ομαδικά καταλόγους

Αρχικά, εκτελέστε δομική επικύρωση στα αποτελέσματα του get_toc(), στη συνέχεια γράψτε τα σε επόμενες ροές εργασίας και κρατήστε αρχεία καταγραφής για επαλήθευση.

Εάν το PDF σας έχει οπτικά έναν πίνακα περιεχομένων αλλά εξάγεται κενό

Μην δοκιμάζετε επανειλημμένα το get_toc(). Μεταβείτε στην ανάλυση και επεξεργασία διάταξης κειμένου.

Εάν η καταχώριση του καταλόγου σας έχει το ίδιο όνομα αλλά διαφορετικές σελίδες

Επαληθεύστε αυτές τις καταχωρήσεις με μη αυτόματο τρόπο. Μην επιλέξετε αυτόματα έναν από τους αριθμούς σελίδων.

Εάν θέλετε να παραδώσετε έγγραφα στη διαδικασία μετάφρασης,

Αρχικά, επιβεβαιώστε τη σωστή δομή του πίνακα περιεχομένων και τους αριθμούς σελίδων πριν από τη μετάφραση για να αποφύγετε τη σύγχυση των παραγράφων.

❓ Συχνές Ερωτήσεις (FAQ)

1. Γιατί ο αριθμός σελίδας ξεκινά από το 1, ενώ τα ευρετήρια σελίδων συνήθως ξεκινούν από το 0;

Οι αριθμοί σελίδων σελιδοδεικτών είναι φυσικοί αριθμοί σελίδων που ξεκινούν από το 1, ενώ τα ευρετήρια σελίδων σε βιβλιοθήκες όπως το PyMuPDF συνήθως ξεκινούν από το 0. Αυτή η διαφορά είναι σημαντική κατά τη μετατροπή, διαφορετικά οι αριθμοί σελίδων ενδέχεται να μην ευθυγραμμιστούν σωστά.

2. get_toc(): Η επιστροφή μιας κενής λίστας υποδηλώνει απαραίτητα πρόβλημα αρχείου;

Οχι απαραίτητα. Ορισμένα PDF έχουν οπτικά μια σελίδα πίνακα περιεχομένων αλλά δεν έχουν ενσωματωμένα μεταδεδομένα σελιδοδεικτών, επομένως η επιστροφή μιας κενής λίστας είναι φυσιολογική. Σε αυτήν την περίπτωση, θα πρέπει να χρησιμοποιηθεί η ανάλυση διάταξης κειμένου.

3. Εάν ο αριθμός σελίδας βγει εκτός ορίων, η βιβλιοθήκη θα αναφέρει αμέσως ένα σφάλμα;

Όχι. Οι δοκιμές σε αυτό το άρθρο δείχνουν ότι το PyMuPDF εκτυπώνει προειδοποιήσεις όταν οι αριθμοί σελίδων βγαίνουν εκτός ορίων, αλλά δεν δημιουργεί εξαιρέσεις, επομένως η συνάρτηση επικύρωσης πρέπει να φιλτράρει ενεργά.

4. Τα ιεραρχικά άλματα (όπως η ευθεία από το 1 στο 3) απαιτούν συμπλήρωση των μεσαίων στρωμάτων;

Η πρόταση στο άρθρο είναι να διατηρηθεί η αρχική ιεραρχία και να μην συμπληρωθούν τα μεσαία επίπεδα, καθώς αυτή η δομή εξακολουθεί να είναι νόμιμη.

📝 Περίληψη

Η ιεραρχία και οι αριθμοί σελίδων των καταλόγων PDF πρέπει να ελεγχθούν πριν από τη χρήση, επομένως η αρχική έξοδος του get_toc() δεν μπορεί να θεωρηθεί άμεσα ως αξιόπιστη δομή. Όταν αντιμετωπίζετε ασάφειες ή έλλειψη σελιδοδεικτών, μεταβείτε αμέσως σε χειρωνακτική εργασία ή μεταβείτε σε άλλες μεθόδους για να αποφύγετε σφάλματα κατάντη διαδικασίας.

Δοκιμάστε το τώρα: Ανεβάστε το έγγραφό σας για να ξεκινήσετε τη μετάφραση, διατηρώντας την αρχική μορφοποίηση

Αναφορές και επόμενα βήματα

Το επόμενο βήμα είναι να προετοιμάσετε ένα δοκιμαστικό PDF που περιέχει γνωστά ζητήματα καταλόγου, να εκτελέσετε το παραπάνω σενάριο επαλήθευσης και να υπολογίσετε το ποσοστό των διαφόρων ανωμαλιών. Εάν υπάρχουν συχνές ιεραρχικές παραλείψεις ή μετατοπίσεις αριθμού σελίδας, εξετάστε το ενδεχόμενο να προσθέσετε ένα βήμα ανακατασκευής πίνακα περιεχομένων πριν από τη μετάφραση.

Χρησιμοποιήστε αυτήν τη λίστα ελέγχου για μετάφραση εγγράφων

Πρώτα, ελέγξτε προσεκτικά τη σειρά της σελίδας, τη θέση της πηγής και την ακεραιότητα του κειμένου και, στη συνέχεια, υποβάλετε το ίδιο δείγμα απευαισθητοποίησης στη διαδικασία μετάφρασης. Μετά τη μετάφραση, εξακολουθεί να είναι απαραίτητο να ελέγξετε εάν ο τίτλος, το κύριο κείμενο και οι λεζάντες αντιστοιχούν σωστά. Δεν αρκεί να κρίνουμε μόνο από την ομαλότητα του κειμένου.

Το OmniDoc παρέχει πύλες μετάφρασης εγγράφων πολλαπλών μορφών και ο επίσημος ιστότοπος εισάγει OCR, γλωσσάρια και δίγλωσσες λειτουργίες αναφοράς. Για τις ομάδες που θέλουν να ξεκινήσουν απευθείας από τα αρχεία, αυτή είναι μια διαδρομή που αξίζει να αξιολογηθεί με πραγματικά δείγματα. Χρησιμοποιήστε το ανώνυμο αρχείο που έχετε εξουσιοδοτήσει για να ανεβάσετε και επαληθεύστε τα αποτελέσματα με τη λίστα ελέγχου σε αυτό το άρθρο. Αυτό δεν ισχυρίζεται ότι το OmniDoc χρησιμοποιεί τη βιβλιοθήκη ανοιχτού κώδικα ή εσωτερικούς αλγόριθμους από αυτό το άρθρο, ούτε αντικαθιστά τη δοκιμή απόδοσης προϊόντος με παραδείγματα.

Ενημερώθηκε 2026-11-16