Γιατί το PDF διπλής στήλης εξάγεται σειριακά; Κρατήστε πρώτα τις συντεταγμένες και μετά μιλήστε για τη σειρά ανάγνωσης
Εξηγήστε ότι η σειριοποίηση κειμένου PDF διπλής στήλης προέρχεται από την έλλειψη σημασιολογικής δομής της μορφής, διευκρινίστε ότι η παράμετρος ταξινόμησης είναι μόνο μια γεωμετρική ταξινόμηση. Παρέχεται ένα συνθετικό παράδειγμα Python που βασίζεται σε κατάτμηση συντεταγμένων για να επιδείξει τη λογική αναδιοργάνωσης της ακολουθίας, να διευκρινίσει τα ισχύοντα όρια και τις κόκκινες γραμμές με μη αυτόματο έλεγχο και να παρέχει μια ρεαλιστική διαδρομή αποδοχής που συνδέει τη ροή εργασίας μετάφρασης OmniDoc.
Οι ακολουθίες κειμένου που εξάγονται από αρχεία PDF διπλής στήλης συχνά δεν αναγνωρίζονται εσφαλμένα, αλλά διαβάζονται με λάθος σειρά. Αυτό το άρθρο προορίζεται για αναγνώστες που χρειάζονται εξαγωγή κειμένου από αρχεία PDF διπλής στήλης, όπως έγγραφα και αναφορές, και στη συνέχεια να τα μεταφράσουν ή να τα οργανώσουν.
Οι αναγνώστες συνήθως αντιμετωπίζουν αυτήν την κατάσταση: στα μισά της αριστερής στήλης, η επόμενη πρόταση ακολουθείται από την εξήγηση του τύπου στη δεξιά στήλη. Οι χαρακτήρες μπορεί να αναγνωρίζονται όλοι σωστά, αλλά η σειρά διακόπτεται. Αυτό το άρθρο εξηγεί πρώτα γιατί συμβαίνει η σειριοποίηση και, στη συνέχεια, χρησιμοποιεί ένα συνθετικό παράδειγμα για να δείξει πώς γίνεται η κατάτμηση και η αναδιοργάνωση της σειράς κατά συντεταγμένες. Τέλος, δίνει τα ισχύοντα όρια και τη λίστα αποδοχής για να σας διευκολύνει να κρίνετε εάν μπορεί να χρησιμοποιηθεί στα δικά σας αρχεία.
Γιατί το PDF διπλής στήλης εξάγεται σειριακά; Μια φράση συμπέρασμα
Διατηρήστε πρώτα τις συντεταγμένες και τη σελίδα πηγής και μετά ταξινομήστε σύμφωνα με τους τοπικούς κανόνες. Μην συμπιέζετε απευθείας ολόκληρη τη σελίδα σε μια μεγάλη συμβολοσειρά.
| την κατάστασή σας | Συνιστώμενες πρακτικές | λόγος |
|---|---|---|
| Συνηθισμένο δίστηλο χαρτί, σειριοποίηση κειμένου | Διαβάστε πρώτα την αριστερή στήλη μιας ενότητας και μετά διαβάστε τη δεξιά στήλη | Η εναλλαγή γραμμή προς γραμμή θα καταστρέψει τις παραγράφους |
| Απλά ήθελα να το δοκιμάσω γρήγορα | Συγκρίνετε τα αποτελέσματα της ενεργοποίησης και απενεργοποίησης του sort | Το sort κάνει μόνο γεωμετρική ταξινόμηση, κατάλληλη για σελίδες κανόνων |
| Οι σελίδες έχουν τίτλους διασταύρωσης στηλών, πλευρικές σημειώσεις και υποσημειώσεις | Επεξεργαστείτε ξεχωριστά ανά περιοχή και ελέγξτε τις περιφερειακές σχέσεις | Η γεωμετρική ταξινόμηση από μόνη της δεν μπορεί να καθορίσει την απόδοση αυτών των περιεχομένων. |
| Πρέπει να παραδοθεί στο μοντέλο μετάφρασης | Διατηρήστε τις συντεταγμένες και τους αριθμούς σελίδων, οργανώστε πρώτα την παραγγελία και μετά μεταφράστε | Τα συμφραζόμενα με λάθος σειρά είναι δύσκολο να διορθωθούν ακόμη και με την αλλαγή του μοντέλου. |
Γιατί είναι μπερδεμένη η παραγγελία;
Το PDF καταγράφει τη θέση κάθε παραγράφου κειμένου, όχι "ποια παράγραφος είναι αυτή και σε ποια στήλη ανήκει;" Όταν το εργαλείο εξαγωγής εξάγει κατά συντεταγμένες, εάν δεν υπάρχουν κανόνες περιοχής, το κείμενο στην αριστερή και τη δεξιά στήλη μπορεί να συμπλέκεται.
Τέτοια προβλήματα δεν προκύπτουν απαραίτητα κατά τη φάση αναγνώρισης. Ίσως όλες οι λέξεις αναφέρονται σωστά, αλλά με λάθος σειρά. Επομένως, η ιδέα της λύσης θα πρέπει να επικεντρώνεται στην ταξινόμηση και τη χωροθέτηση ζωνών, αντί να αλλάζει επανειλημμένα τους συνδέσμους αναγνώρισης ή μετάφρασης.
Κρατήστε πρώτα τις συντεταγμένες και μετά μιλήστε για τη σειρά ανάγνωσης
Πριν λύσετε το πρόβλημα της παραγγελίας, διατηρήστε τις συντεταγμένες και τη σελίδα πηγής του κειμένου. Μην βιαστείτε να συμπιέσετε ολόκληρη τη σελίδα σε μια μεγάλη συμβολοσειρά.
- Διατηρήστε τις τέσσερις συντεταγμένες κάθε μπλοκ κειμένου για να διευκολύνετε την επακόλουθη κρίση της ιδιοκτησίας της περιοχής.
- Διατηρήστε τον αριθμό της σελίδας πηγής για να διευκολύνετε το backtracking και τη μη αυτόματη επαλήθευση.
- Μόλις χαθούν οι τοπικές πληροφορίες, οι επόμενες μεταφράσεις θα έχουν το λάθος πλαίσιο και η αλλαγή ενός μοντέλου μετάφρασης ενδέχεται να μην είναι σε θέση να το διορθώσει.
sort=True αξίζει να το δοκιμάσετε, αλλά δεν είναι κατανοητής διάταξης
Το PyMuPDF παρέχει διαφορετικές μορφές εξαγωγής, όπως κείμενο, λέξεις, μπλοκ, κ.λπ. Η συγκεκριμένη επεξεργασία του sort ποικίλλει ανάλογα με τον τύπο εξόδου και την έκδοση. Δεν μπορεί γενικά να περιγραφεί ως ένας σταθερός αλγόριθμος στοιχειοθεσίας, ούτε μπορεί να υποσχεθεί ότι θα επαναφέρει τη σειρά ανάγνωσης όλων των εγγράφων.
Οι προτάσεις για χρήση είναι οι εξής:
- Για τη σελίδα κανόνων, μπορείτε πρώτα να συγκρίνετε τα αποτελέσματα της ενεργοποίησης και απενεργοποίησης της ταξινόμησης.
- Για σελίδες με τίτλους διασταύρωσης στηλών, πλευρικές σημειώσεις και υποσημειώσεις, η περιφερειακή σχέση πρέπει να ελεγχθεί ξανά.
- Το PDF μπορεί να περιέχει δομικές ετικέτες, αλλά αυτό δεν σημαίνει ότι η διεπαφή εξαγωγής που χρησιμοποιείται αυτή τη στιγμή θα σας δώσει αυτόματα το σημασιολογικό δέντρο παραγράφων που χρειάζεστε.
Αυτό το άρθρο δεν εφαρμόζει την καθολική αναγνώριση διάταξης, αλλά δείχνει μόνο "πώς να ταξινομήσετε σύμφωνα με τους υπάρχοντες περιφερειακούς κανόνες" και εξηγεί με σαφήνεια τα όρια των δυνατοτήτων. Για τη διεπαφή και τη φόρμα εξαγωγής, ανατρέξτε στο Επίσημος οδηγός εξαγωγής κειμένου PyMuPDF.
Χρησιμοποιήστε πέντε συνθετικά μπλοκ κειμένου για να εξηγήσετε το πρόβλημα
Η σελίδα του παραδείγματος έχει πλάτος 600 πόντους, με όριο 300 σημείων μεταξύ των στηλών. εντός 80 σημείων από την κορυφή βρίσκεται η περιοχή τίτλου μεταξύ στηλών και κάτω από αυτήν είναι η περιοχή κειμένου. Η εισαγωγή είναι σκόπιμα κωδικοποιημένη: η δεύτερη παράγραφος στη δεξιά στήλη έρχεται πρώτη και η πρώτη παράγραφος στην αριστερή στήλη έρχεται τελευταία. Κάθε πλειάδα περιέχει τις τέσσερις συντεταγμένες του ορθογωνίου και του κειμένου. Αυτή είναι μια απλοποιημένη δομή που ορίζεται για σκοπούς επίδειξης και δεν είναι ισοδύναμη με την πλήρη τιμή επιστροφής του get_text("blocks").
Το αναμενόμενο αποτέλεσμα θα πρέπει να είναι: τίτλος, πρώτη παράγραφος στην αριστερή στήλη, δεύτερη παράγραφος στην αριστερή στήλη, πρώτη παράγραφος στη δεξιά στήλη, δεύτερη παράγραφος στη δεξιά στήλη. Τα μπλοκ κειμένου που διασχίζουν τα όρια στηλών πρέπει να μπαίνουν στη λίστα εξαιρέσεων αντί να απορρίπτονται αθόρυβα ή να τοποθετούνται στην αριστερή στήλη.
Ένα μικρό παράδειγμα που μπορεί να εκτελεστεί πλήρως
Τα ακόλουθα παραδείγματα χρησιμοποιούν μόνο την τυπική βιβλιοθήκη Python. Όταν συνδέεστε στο PyMuPDF, μπορείτε να διατηρήσετε τα πρώτα πέντε πεδία από τα αποτελέσματα εξαγωγής μπλοκ και να εξαιρέσετε πρώτα μπλοκ χωρίς κείμενο. Το παράδειγμα δεν ανοίγει εξωτερικά αρχεία, δεν απαιτεί OCR και δεν συνάγει αυτόματα όρια στηλών.
def order_known_layout(blocks, split_x=300, title_bottom=80):
groups = {"title": [], "left": [], "right": []}
rejected = []
for block in blocks:
x0, y0, x1, y1, text = block
if x1 <= x0 or y1 <= y0:
rejected.append(block)
continue
if y1 <= title_bottom:
region = "title"
elif y0 < title_bottom:
rejected.append(block)
continue
elif x1 <= split_x:
region = "left"
elif x0 >= split_x:
region = "right"
else:
rejected.append(block)
continue
groups[region].append(block)
ordered = []
for region in ("title", "left", "right"):
ordered.extend(sorted(groups[region], key=lambda b: (b[1], b[0])))
return [b[4] for b in ordered], rejected
sample = [(330, 160, 550, 190, "R2"), (40, 100, 270, 130, "L1"),
(40, 20, 550, 50, "TITLE"), (330, 100, 550, 130, "R1"),
(40, 160, 270, 190, "L2")]
ordered, rejected = order_known_layout(sample)
assert ordered == ["TITLE", "L1", "L2", "R1", "R2"]
assert rejected == []
wide = (40, 220, 550, 250, "FULL WIDTH BODY")
assert order_known_layout(sample + [wide])[1] == [wide]
assert order_known_layout([]) == ([], [])
print("known-layout examples: 3 assertions passed")
Τα 80 και 300 στο παράδειγμα προέρχονται από τις ρυθμίσεις αυτής της σύνθετης σελίδας και δεν είναι εμπειρικά όρια που ισχύουν για όλα τα PDF. Όταν αντιμετωπίζετε αλλαγές στο πλάτος της αριστερής και της δεξιάς στήλης στην επόμενη σελίδα, η χρήση των παραμέτρων από την προηγούμενη σελίδα μπορεί να προκαλέσει "το πρόγραμμα εκτελείται κανονικά αλλά το περιεχόμενο είναι λάθος". Οι τοπικοί κανόνες θα πρέπει να ακολουθούν τη σελίδα, τουλάχιστον να καταγράφουν την έκδοση του κανόνα και το μέγεθος σελίδας.
📊 Βασική σύγκριση
| Μέθοδος επεξεργασίας | τι μπορεί να γίνει | Τι να προσέξεις |
|---|---|---|
Χρησιμοποιήστε το sort=True απευθείας | Κάντε γεωμετρική ταξινόμηση κατά συντεταγμένες. Μπορείτε να το δοκιμάσετε πρώτα στη σελίδα κανόνων. | Δεν κατανοείτε την κυριότητα των τίτλων, των πλευρικών σημειώσεων και των υποσημειώσεων μεταξύ στηλών |
| Ταξινόμηση με βάση το διαμέρισμα συντεταγμένων | Διαχωρίστε πρώτα την περιοχή και μετά διαβάστε ανά ενότητα για να διευκολύνετε την επιθεώρηση. | Το όριο κατάτμησης εξαρτάται από τη σελίδα και πρέπει να επαληθευτεί σε βάση σελίδας. |
| Σειρά ανάγνωσης με μη αυτόματο σχολιασμό | Το αποτέλεσμα είναι το πιο ελεγχόμενο και κατάλληλο για επαλήθευση βασικών εγγράφων | Υψηλό κόστος, κατάλληλο για επιτόπιους ελέγχους και σημεία αναφοράς |
Μην ελέγχετε απλώς εάν υπάρχουν σφάλματα κατά την αποδοχή
| Ελέγξτε τα στοιχεία | Τι να δείτε | Τι να κάνετε όταν δεν ταιριάζει |
|---|---|---|
| Παραγγελία περιοχής | Μετά τον τίτλο, πρώτα η πλήρης αριστερή στήλη και μετά η πλήρης δεξιά στήλη | Ελέγξτε τους κανόνες κατάτμησης και μην επιδιορθώνετε αλλάζοντας συμβολοσειρές |
| διατήρηση του περιεχομένου | Ο αριθμός των αποδεκτών μπλοκ συν τον αριθμό των μπλοκ που απορρίφθηκαν ισούται με τον αριθμό των μπλοκ εισόδου | Αποκλείστε την παράδοση και ελέγξτε εάν υπάρχει αθόρυβη απώλεια μπλοκ |
| Κείμενο σταυρωτής γραμμής | εμφανίζονται στη λίστα άρνησης | Προσθέστε ένα νέο τμήμα εμποδίων ή υποβάλετέ το σε χειροκίνητη κρίση |
| Περιστροφή και περικοπή | Το μπλοκ εισόδου χρησιμοποιεί το ίδιο σύστημα συντεταγμένων με το διαμέρισμα | Ενοποιήστε πρώτα τις συντεταγμένες και μετά κάντε κρίση συμπερίληψης |
| Κεφαλίδα, υποσέλιδο | Ξεχωριστά κατηγοριοποιούνται βάσει επιχειρηματικών κανόνων | Μην διαγράψετε όλο το κάτω κείμενο |
Ένα πραγματικό χαρτί μπορεί επίσης να έχει μια δομή όπως αυτή: εισαγάγετε ένα σχήμα σταυρού στη μέση και επανεκκινήστε τις διπλές στήλες κάτω από το σχήμα. Αυτή τη στιγμή, η σελίδα πρέπει πρώτα να χωριστεί σε πάνω και κάτω τμήματα και στη συνέχεια να ταξινομηθεί ξεχωριστά. Οι τρεις ομάδες κατατμήσεων μιας χρήσης σε αυτό το άρθρο δεν είναι αρκετές. Η κατεύθυνση ανάγνωσης εδώ δεν πρέπει να εφαρμόζεται σε κινεζική κάθετη διάταξη, κείμενο από δεξιά προς τα αριστερά και σύνθετα περιθωριακά.
🎯 Ποια μέθοδος είναι κατάλληλη για εσάς;
αν……
- Μόνο σελίδες μονής ή διπλής στήλης που πρέπει να επεξεργάζονται κανόνες: Πρώτα συγκρίνετε τα αποτελέσματα της ενεργοποίησης και απενεργοποίησης του
sortκαι, στη συνέχεια, αποφασίστε εάν χρειάζονται κανόνες κατάτμησης. - Χειριστείτε χαρτιά με εκτεταμένους τίτλους, σχήματα ή υποσημειώσεις: Διαχωρίστε τις σελίδες ανά ενότητες και ορίστε λίστες εξαιρέσεων για εκτεταμένο περιεχόμενο.
- Η μετάφραση πρέπει να παραδοθεί σε άλλους: Διατηρήστε τις συντεταγμένες και τους αριθμούς σελίδων και ελέγξτε τους έναν προς έναν σύμφωνα με τη λίστα αποδοχής. Μην ελέγχετε απλώς εάν υπάρχουν σφάλματα κατά τη διάρκεια της λειτουργίας.
- Δεν θέλετε να διατηρείτε μόνοι σας τα σενάρια: Μπορείτε να χρησιμοποιήσετε απευθείας εργαλεία μετάφρασης έτοιμων εγγράφων και να ελέγξετε τη μετάφραση με το ίδιο σύνολο διαδοχικών λιστών ελέγχου.
Πώς να λάβετε τη διαδικασία μετάφρασης του OmniDoc
Η αξία των αυτο-κατασκευασμένων σεναρίων έγκειται στη σαφή σύνταξη των κανόνων αποδοχής. Η αξία των έτοιμων εργαλείων μετάφρασης έγκειται στη μείωση των λειτουργικών δεσμών μεταξύ αρχείων και μεταφράσεων. Δεν υπάρχει καμία σύγκρουση μεταξύ των δύο. Το OmniDoc (πύλη προϊόντων) παρέχει μια πύλη μετάφρασης εγγράφων και ο επίσημος ιστότοπος εισάγει επίσης λειτουργίες όπως OCR, γλωσσάρι και δίγλωσση σύγκριση. Μπορείτε να επιλέξετε ένα απευαισθητοποιημένο χαρτί για το οποίο έχετε άδεια να ανεβάσετε και να ελέγξετε τη μετάφραση χρησιμοποιώντας την ίδια διαδοχική λίστα ελέγχου.
Εστιάστε στον έλεγχο των ακόλουθων στοιχείων:
- Εάν η πρώτη πρόταση μετά τον τίτλο της σταυρωτής έχει συνδεθεί σωστά.
- Οι λεζάντες των φιγούρων έχουν ενσωματωθεί στο κείμενο;
- Εάν οι αναφορές υποσημειώσεων εξακολουθούν να αντιστοιχίζονται στη σωστή τοποθεσία.
Αυτό αξιολογεί παραδοτέα, χωρίς να συνάγει τους εσωτερικούς αλγόριθμους του OmniDoc. Εάν τα αποτελέσματα δεν πληρούν τις απαιτήσεις, διατηρήστε την αρχική σελίδα και την ενότητα σφαλμάτων, πρώτα μάθετε εάν το πρόβλημα έγκειται στη διαδικασία αναγνώρισης, ταξινόμησης ή μετάφρασης και, στη συνέχεια, αποφασίστε πώς να το διορθώσετε.
❓ Συχνές ερωτήσεις (FAQ)
1. Σειρά PDF διπλής στήλης, αναγνωρίζεται λανθασμένα;
αβέβαιος. Οι λέξεις μπορεί να αναγνωρίζονται όλες σωστά, αλλά το πρόβλημα συχνά έγκειται στη σειρά ανάγνωσης, επομένως η ταξινόμηση και οι τοπικοί κανόνες θα πρέπει να ελέγχονται πρώτα.
2. Μπορεί το sort=True να λύσει άμεσα το πρόβλημα της σειράς διπλής στήλης;
Δεν μπορεί να γενικευτεί. Ο χειρισμός του sort ποικίλλει ανάλογα με τον τύπο και την έκδοση εξόδου, δεν είναι κατανοητής διάταξης και δεν μπορεί να υποσχεθεί ότι θα επαναφέρει τη σειρά ανάγνωσης όλων των εγγράφων. Μπορείτε να δοκιμάσετε πρώτα τη σελίδα κανόνων και πρέπει επίσης να ελέγξετε την περιφερειακή σχέση για σελίδες με περιεχόμενο μεταξύ στηλών.
3. Γιατί δεν μπορεί να συμπιεστεί ολόκληρη η σελίδα σε μια μεγάλη συμβολοσειρά;
Μόλις χαθούν οι συντεταγμένες και οι πληροφορίες περιοχής, οι επόμενες μεταφράσεις θα έχουν το λάθος πλαίσιο και η αλλαγή ενός μοντέλου μετάφρασης ενδέχεται να μην είναι σε θέση να το διορθώσει.
4. Μπορούν οι 80 βαθμοί και οι 300 βαθμοί στο παράδειγμα να χρησιμοποιηθούν απευθείας σε άλλα PDF;
δεν μπορεί. Είναι απλώς οι ρυθμίσεις για αυτήν τη σύνθετη σελίδα. Όταν αλλάζει το μέγεθος της σελίδας ή το πλάτος της στήλης, η έκδοση του κανόνα θα πρέπει να επαληθεύεται και να καταγράφεται ξεχωριστά, κάθε σελίδα προς σελίδα.
📝 Περίληψη
Για ζητήματα παραγγελιών σε αρχεία PDF διπλής στήλης, οι συντεταγμένες και οι σελίδες πηγής θα πρέπει να διατηρηθούν πρώτα, στη συνέχεια να υποβληθούν σε επεξεργασία χρησιμοποιώντας τοπικούς κανόνες και να ελέγχονται ανά στοιχείο σύμφωνα με τη λίστα ελέγχου αποδοχής. Τα αυτοκατασκευασμένα σενάρια είναι κατάλληλα για τη σαφή σύνταξη κανόνων και τα έτοιμα εργαλεία είναι κατάλληλα για τη μείωση των συνδέσμων λειτουργίας. Τα δύο μπορούν να χρησιμοποιηθούν μαζί.
Δοκιμάστε το τώρα: Ανεβάστε το έγγραφο για να ξεκινήσει η μετάφραση, διατηρώντας την αρχική διάταξη


