Επισημάνετε τις λέξεις αναζήτησης PDF, γιατί το ορθογώνιο πλαισιώνει εσφαλμένα το πλάγιο κείμενο;

Οι πλάγιες γραμματοσειρές δεν κάνουν απαραίτητα την περιοχή του Quad που αναζητήθηκε μικρότερη από το παραλληλόγραμμο που περικλείει. Όταν πρέπει να διατηρήσετε τις πληροφορίες κατεύθυνσης τεσσάρων γωνιών, χρησιμοποιήστε απευθείας το αποτέλεσμα του quads=True για να προσθέσετε επισήμανση. μην χρησιμοποιείτε κανένα όριο διαφοράς περιοχής για να προσδιορίσετε εάν η επισήμανση είναι σωστή.

Όταν το πλαίσιο επισήμανσης αναζήτησης για το πλάγιο κείμενο είναι λοξό, συχνά δεν συμβαίνει επειδή υπάρχει πρόβλημα με την ίδια τη γραμματοσειρά, αλλά επειδή το γεωμετρικό αντικείμενο που χρησιμοποιείται για την επισήμανση έχει επιλεγεί λανθασμένα. Αυτό το άρθρο προορίζεται για προγραμματιστές που χρησιμοποιούν το PyMuPDF για την επεξεργασία τοποθέτησης κειμένου PDF. Εξηγεί γιατί το εσωκλειόμενο ορθογώνιο (Rect) δεν μπορεί να χρησιμοποιηθεί για να προσδιοριστεί εάν η επισήμανση του πλάγιου ή περιστρεφόμενου κειμένου είναι σωστή και πώς να το χειριστείτε σε διαφορετικές καταστάσεις.

Αφού διαβάσετε αυτό το άρθρο, μπορείτε να αποφασίσετε εάν θα χρησιμοποιήσετε το Quad ή το Rect για αποτελέσματα αναζήτησης, να γνωρίζετε πώς να χειρίζεστε χωρίς επισκέψεις, διασταυρούμενες σειρές, πολλαπλές επισκέψεις και περικοπή CropBox κατά την αναζήτηση και να κατανοήσετε ποια προβλήματα είναι πέρα από το πεδίο της γεωμετρικής τοποθέτησης.

Το πλήρες κείμενο παρουσιάζεται με συνθετικά δείγματα και ο κώδικας πέρασε από δειγματοληπτικούς ελέγχους 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 στη συνέχεια ελέγξτε τα σύμφωνα με τα όρια και τα στοιχεία αποδοχής παρακάτω.

Για επισήμανση αναζήτησης πλάγιου κειμένου, επιλέξτε Quad ή Rect; Μια φράση συμπέρασμα

Η πλάγια γραμματοσειρά δεν κάνει απαραίτητα την περιοχή Quad που λαμβάνεται από την αναζήτηση μικρότερη από το παραλληλόγραμμο που περικλείει. Όταν είναι απαραίτητο να διατηρήσετε τις πληροφορίες κατεύθυνσης τεσσάρων γωνιών, χρησιμοποιήστε απευθείας τα αποτελέσματα του quads=True για να προσθέσετε τονισμένα σημεία. Μην χρησιμοποιείτε κανένα όριο διαφοράς περιοχής για να προσδιορίσετε εάν η επισήμανση είναι σωστή.

την κατάστασή σαςΣυνιστώμενες πρακτικέςλόγος
Πλάγιο ή περιστρεφόμενο κείμενο, ο προσανατολισμός των τεσσάρων γωνιών πρέπει να διατηρηθείΧρησιμοποιήστε απευθείας τα αποτελέσματα του quads=True για να προσθέσετε επισημάνσειςΤο Quad διατηρεί πληροφορίες προσανατολισμού σε τέσσερις γωνίες
Θέλω να χρησιμοποιήσω το όριο διαφοράς περιοχής για να προσδιορίσω εάν η επισήμανση είναι σωστή.μην το κάνεις αυτόΗ πλάγια γραμματοσειρά δεν κάνει απαραίτητα την περιοχή Quad μικρότερη και η κρίση του κατωφλίου είναι αναξιόπιστη.
Οι όροι αναζήτησης εκτείνονται σε όλες τις γραμμές και η μηχανή δεν τους αναγνωρίζει ως την ίδια μονάδα λεξιλογίου.Διατηρήστε όλα τα επιστρεφόμενα τμήματα Quad και σχεδιάστε ξεχωριστά τις επισημάνσειςΗ αναγκαστική συγχώνευση σε ένα Rect θα χάσει τη σημασιολογία του λευκού χώρου στη μέση.
Η σελίδα έχει περικοπή CropBoxΒεβαιωθείτε ότι το περιεχόμενο εξακολουθεί να βρίσκεται εντός της περιοχής με δυνατότητα προβολής μετά την επαναφορά του CropBoxΟι συντεταγμένες που επιστρέφονται από το search_for βασίζονται στον μη περιστρεφόμενο χώρο της αρχικής σελίδας και δεν μπορούν να θεωρηθούν ότι το get_text αγνοεί την περιοχή περικοπής από προεπιλογή
Πολλαπλές επιτυχίεςΔιατηρήστε τους αριθμούς σελίδων ανά στοιχείο και επεξεργαστείτε τους έναν προς ένανΜόνο η επεξεργασία του πρώτου θα χάσει τις υπόλοιπες θέσεις

Γιατί το πλάγιο κείμενο εμφανίζεται εσφαλμένα;

Πολλοί άνθρωποι θα υποθέσουν από προεπιλογή ότι το εσωκλειόμενο ορθογώνιο των πλάγιων χαρακτήρων είναι πολύ μεγαλύτερο από το Quad, επομένως η χρήση του Rect για επισήμανση θα προκαλέσει την "απόκλιση πλαισίου". Στην πραγματικότητα, η πλάγια γραμματοσειρά δεν κάνει απαραίτητα την περιοχή του Quad που αναζητήθηκε μικρότερη από το παραλληλόγραμμο που περικλείει, επομένως δεν είναι αξιόπιστο να χρησιμοποιήσετε τη διαφορά περιοχής για να κρίνουμε εάν η επισήμανση είναι σωστή.

Αυτό που πραγματικά χρειάζεται είναι να διατηρηθούν οι πληροφορίες προσανατολισμού των τεσσάρων γωνιών. Το Quad τυγχάνει να καταγράφει αυτές τις πληροφορίες και η χρήση τους για την άμεση προσθήκη επισημάνσεων είναι πιο αξιόπιστη από τη χρήση ενός παραλληλογράμμου για να μαντέψεις το σχήμα.

Παράδειγμα αυτοτελούς σύνθεσης

Δείτε τη λίστα εισαγωγής για παράδειγμα εξαρτήσεων. Ο κώδικας δημιουργεί είσοδο στη μνήμη και δεν απαιτεί εξωτερικά αρχεία για την εκτέλεση. Τα αρχεία λειτουργίας παρέχονται χωριστά και δεν αποτελούν εγγύηση ότι όλα τα έγγραφα είναι αυθεντικά.

import pymupdf
with pymupdf.open() as source:
    page = source.new_page(width=300, height=300)
    page.insert_text((100, 250), "Searchable", fontsize=14, rotate=90)
    hits = page.search_for("Searchable", quads=True)
    assert len(hits) == 1
    assert isinstance(hits[0], pymupdf.Quad)
    page.add_highlight_annot(hits)
    assert page.search_for("Missing", quads=True) == []
    raw = source.tobytes()
with pymupdf.open(stream=raw, filetype="pdf") as doc:
    page = doc[0]  # Keep the owning page alive while using annotations.
    annotations = list(page.annots())
    assert len(annotations) == 1
    assert len(annotations[0].vertices) == 4

Σωστή επεξεργασία εξόδου και ορίων εισόδου

Το παραπάνω συνθετικό παράδειγμα δημιουργεί ένα PDF στη μνήμη που χρησιμοποιείται για την επαλήθευση της συμπεριφοράς του Quad. Παρακάτω είναι αρκετές κοινές εισόδους ορίων.

1. Οι λέξεις αναζήτησης εκτείνονται σε όλες τις γραμμές

Εάν ο όρος αναζήτησης εκτείνεται σε νέες γραμμές και η μηχανή δεν τον αναγνωρίζει ως την ίδια μονάδα λεξιλογίου, το search_for μπορεί να επιστρέψει μια κενή λίστα ή να αντιστοιχίσει μόνο μερικά τμήματα.

  • Μην συγχωνεύετε αναγκαστικά πολλαπλά μη γειτονικά Quads σε ένα Rect, διαφορετικά η σημασιολογία του λευκού χώρου στη μέση θα χαθεί.
  • Διατηρήστε όλα τα επιστρεφόμενα κομμάτια Quad και σχεδιάστε ξεχωριστά τις επισημάνσεις.

2. Ο όρος αναζήτησης περιέχει κανονικούς ειδικούς χαρακτήρες

Εάν οι όροι αναζήτησής σας περιέχουν κανονικούς ειδικούς χαρακτήρες χωρίς διαφυγή, τα αποτελέσματα ενδέχεται να μην είναι τα αναμενόμενα. Η συμβολοσειρά εισόδου θα πρέπει να υποβληθεί σε ασφαλή επεξεργασία πριν από την κλήση.

3. Περικοπή CropBox

Εάν η σελίδα έχει περικοπή CropBox, οι συντεταγμένες που επιστρέφονται από το search_for εξακολουθούν να βασίζονται στον μη περιστρεφόμενο χώρο της αρχικής σελίδας. Μετά την επαναφορά του CropBox, πρέπει να επαληθεύσετε ότι το περιεχόμενο βρίσκεται ακόμα εντός της ορατής περιοχής. Δεν μπορείτε να υποθέσετε ότι το get_text αγνοεί την περιοχή περικοπής από προεπιλογή.

Κριτήρια αποδοχής και όρια χειροκίνητου ελέγχου

Αυτή η λύση λύνει μόνο το πρόβλημα γεωμετρικής τοποθέτησης. Οι ακόλουθες καταστάσεις δεν είναι θέμα επιλογής μεταξύ Quad και Rect:

  • Καταστροφή επιπέδου κειμένου στο ίδιο το PDF;
  • Εξαιρέσεις ενσωμάτωσης γραμματοσειρών;
  • Υπάρχουν κρυφά επίπεδα.

Σε τέτοιες περιπτώσεις, τα αποτελέσματα του search_for ενδέχεται να μην είναι καθόλου αξιόπιστα και θα πρέπει να επανεξεταστούν χειροκίνητα ή να επανεξεταστούν. Το δείγμα κώδικα επαληθεύει μόνο τις γεωμετρικές ιδιότητες. Τα αποτελέσματα από άκρο σε άκρο πρέπει ακόμα να αξιολογηθούν με βάση συγκεκριμένους τύπους εγγράφων.

Συγκεκριμένες Αποφάσεις Διαχείρισης Εξαιρέσεων

ΠαρατήρησηΤι πρέπει να γίνει;και δεν πρέπει να κρίνονται
Η αναζήτηση δεν απέδωσε κανένα αποτέλεσμαΕλέγξτε το επίπεδο κειμένου και τις λέξεις-κλειδιάΜην δημιουργείτε κενές φωτεινές περιοχές
Περιστροφή κειμένουΚρατήστε τις τέσσερις γωνίες του τετραγώνουΗ ακρίβεια δεν εκτιμάται με βάση τις διαφορές επιφάνειας
και πέτυχαν τον στόχο σε πολλά σημείαΚάθε στοιχείο πρέπει να διατηρείται με αριθμούς σελίδωνΜην ασχολείσαι μόνο με το πρώτο

📊 Σύγκριση Πυρήνων

ΣτόχοςΠληροφορίες που μπορούν να διατηρηθούνΙσχύοντα σενάριαΣημαντικές σημειώσεις
QuadΤέσσερις γωνίεςΤο πλάγιο και το περιστραμμένο κείμενο απαιτούν ακριβή επισήμανσηΧρησιμοποιήστε απευθείας τα αποτελέσματα του quads=True
Ορθογώνιο (Εξωτερικό Ορθογώνιο)Περιφερειακό τηλεσκόπιοΑπλή επιλογή οριζόντιου κειμένουΤο πλάγιο ή περιστρεφόμενο κείμενο μπορεί να είναι εκτός πλαισίου και να μην είναι κατάλληλο για τον έλεγχο της ακρίβειας
Συγχωνευμένο RectΣυνολικό πεδίο εφαρμογήςΔεν συνιστάται για αναζήτηση μεταξύ γραμμώνΑυτό θα χάσει το νόημα των κενών περιοχών στη μέση

🎯 Ποια προσέγγιση σου ταιριάζει;

Αν ......

  • Οι γωνίες κειμένου πρέπει να διατηρηθούν: Χρησιμοποιήστε απευθείας τα αποτελέσματα του quads=True για να προσθέσετε επισημάνσεις.
  • Θέλετε να κρίνετε εάν η επισήμανση είναι σωστή με βάση το όριο διαφοράς περιοχής: Μην το κάνετε αυτό. Οι πλάγιες γραμματοσειρές δεν κάνουν απαραίτητα την τετραπλή περιοχή μικρότερη.
  • Εάν συναντήσετε όρους αναζήτησης που διασχίζουν γραμμές: Διατηρήστε όλα τα τμήματα Quad, επισημάνετε τα ξεχωριστά και μην τα συγχωνεύσετε σε ένα μόνο Rect.
  • Χειρισμός σελίδων με περικοπή cropBox: Μετά την επαναφορά του CropBox, βεβαιωθείτε ότι το περιεχόμενο εξακολουθεί να βρίσκεται εντός της περιοχής με δυνατότητα προβολής.

Χρησιμοποιήστε αυτή τη λίστα ελέγχου για μετάφραση εγγράφων

Πρώτα, ελέγξτε διεξοδικά τη σειρά της σελίδας, τη θέση της πηγής και την ακεραιότητα του κειμένου και, στη συνέχεια, παραδώστε το ίδιο ανώνυμο δείγμα 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 το αν το κείμενο είναι άπταιστα.

Το OmniDoc (Πύλη Προϊόντων) παρέχει πύλες μετάφρασης εγγράφων πολλαπλών μορφών, και η επίσημη ιστοσελίδα εισάγει OCR, γλωσσάρια και δυνατότητες δίγλωσσης σύγκρισης. Για τις ομάδες που θέλουν να ξεκινήσουν την επεξεργασία απευθείας από τα αρχεία, αυτή είναι μια διαδρομή που αξίζει να αξιολογηθεί με πραγματικά δείγματα. Παρακαλούμε χρησιμοποιήστε το αρχείο απευαισθητοποίησης για το οποίο έχετε άδεια να ανεβάσετε και εξετάστε τα αποτελέσματα με τη λίστα ελέγχου σε αυτό το άρθρο. Δεν υποστηρίζεται ότι το OmniDoc χρησιμοποιεί τις βιβλιοθήκες ανοιχτού κώδικα ή τους εσωτερικούς αλγορίθμους που αναφέρονται εδώ, ούτε τα παραδείγματα μπορούν να αντικαταστήσουν τις δοκιμές απόδοσης προϊόντων.

Αναφορές

❓ Συχνές Ερωτήσεις (FAQ)

1. Το πλάγιο κείμενο κάνει απαραίτητα την περιοχή του τετραγώνου μικρότερη;

Όχι απαραίτητα. Οι πλάγιες γραμματοσειρές δεν σημαίνουν απαραίτητα ότι η αναζήτηση δίνει μικρότερη περιοχή Quad από το εξωτερικό ορθογώνιο, οπότε δεν μπορείτε να βασιστείτε στις διαφορές περιοχών για να προσδιορίσετε αν η επισήμανση είναι σωστή.

2. Πότε πρέπει να διατηρούνται οι πληροφορίες τεσσάρων γωνιών του Quad;

Εάν πρέπει να διατηρήσετε τις πληροφορίες κατεύθυνσης για τις τέσσερις γωνίες, θα πρέπει να χρησιμοποιήσετε απευθείας τα αποτελέσματα του quads=True για να προσθέσετε επισήμανση.

3. Τι πρέπει να κάνετε αν ο όρος αναζήτησης ξεπερνά τα όρια και δεν πετυχαίνει τον στόχο;

Μην δημιουργείτε κενές επισημάνσεις· πρώτα ελέγξτε το επίπεδο κειμένου με λέξεις-κλειδιά. Εάν επιστραφεί μόνο μέρος του θραύσματος, όλα τα επιστρεφόμενα θραύσματα Quad θα πρέπει να διατηρηθούν και να επισημανθούν ξεχωριστά, αντί να συγχωνευτούν βίαια σε ένα ενιαίο Rect.

4. Η σελίδα περιλαμβάνει το CropBox. Τι πρέπει να προσέχετε όταν κόβετε;

Οι συντεταγμένες που επιστρέφονται από το search_for βασίζονται ακόμα στον αρχικό, μη περιστραμμένο χώρο σελίδας. Μετά την επαναφορά του CropBox, επαληθεύστε αν το περιεχόμενο βρίσκεται ακόμα στην ορατή περιοχή· μην υποθέτετε ότι το get_text αγνοεί την περικομμένη περιοχή από προεπιλογή.

📝 Περίληψη

Η επισήμανση πλάγιων γραμμάτων και η περιστροφή του κειμένου θα πρέπει να βασίζονται στο Τετράγωνο, και οι αριθμοί σελίδων και οι πληροφορίες γωνιών να διατηρούνται για κάθε στοιχείο. Ζητήματα όπως η αλλοίωση των επιπέδων κειμένου και η μη φυσιολογική ενσωμάτωση γραμματοσειρών απαιτούν ακόμα χειροκίνητο έλεγχο ή επαναπροσδιορισμό της οπτικής αναγνώρισης (OCR).

Κατεβάστε δωρεάν το OmniDoc desktop: ολοκληρωμένη επεξεργασία για έγγραφα, υπολογιστικά φύλλα, παρουσιάσεις και αρχεία PDF

Ενημερώθηκε 2026-11-16