Πώς να ανακτήσετε ένα ποσό σε PDF, τη θέση του στη σελίδα
Αυτό το άρθρο δείχνει τη χρήση του PyMuPDF για τον εντοπισμό επαναλαμβανόμενων ποσών κειμένου μέσα σε ένα καθορισμένο ορθογώνιο. Αναλύοντας τα πρώτα πέντε πεδία των λέξεων οκτάδα και επαληθεύοντας τον αριθμό των υποψηφίων, μπορούν να αποφευχθούν λανθασμένες εκτιμήσεις στο μάτισμα θραυσμάτων. Παρέχει παραδείγματα Python σε επίπεδο μνήμης, στρατηγικές επεξεργασίας ορίων και πίνακες αποδοχής και δίνει πρακτικές προτάσεις για σύνδεση με τη ροή εργασίας μετάφρασης εγγράφων OmniDoc.
Πώς να εντοπίσετε διπλά ποσά; Μια φράση συμπέρασμα
Όταν διορθωθεί η διάταξη, περιορίστε πρώτα τη γνωστή περιοχή και, στη συνέχεια, ελέγξτε το κείμενο και αφήστε τον αριθμό των υποψηφίων στον καλούντα για κρίση. Είναι πιο εύκολο να ερμηνευτεί παρά να συνεχίσει να συσσωρεύει κανονικές εκφράσεις και είναι λιγότερο πιθανό να κάνει σιωπηλά λάθη.
| την κατάστασή σας | Συνιστώμενες πρακτικές | λόγος |
|---|---|---|
| Το ίδιο ποσό εμφανίζεται σε πολλά σημεία της σελίδας | Περιορίστε την αναζήτηση στην ορθογώνια περιοχή όπου βρίσκεται το επιχειρηματικό πεδίο και, στη συνέχεια, πραγματοποιήστε αναζήτηση | Η αναζήτηση πλήρους κειμένου δεν μπορεί να προσδιορίσει ποιο πεδίο είναι το επιχειρηματικό πεδίο |
| Υπάρχουν πολλοί υποψήφιοι στην περιοχή ερωτημάτων | Επιστρέψτε όλους τους υποψηφίους, σε συνδυασμό με ετικέτες ή μη αυτόματη αποσαφήνιση | Τα προγράμματα δεν πρέπει να κάνουν επιλογές για την επιχείρηση |
| Δεν υπάρχουν επισκέψεις στην περιοχή ερωτημάτων | Σημειώστε τον λόγο και ελέγξτε την αρχική σελίδα, χωρίς μηδενική συμπλήρωση | Η λανθασμένη περιοχή, τα διαχωρισμένα ποσά ή τα επίπεδα κειμένου που λείπουν μπορεί να οδηγήσουν σε μηδενικές επισκέψεις |
| Η θέση του πλαισίου φαίνεται μετατοπισμένη | Αλυσίδες σαφούς μετασχηματισμού για περιστροφή, περικοπή και κλιμάκωση απόδοσης | Η ανάμειξη των συντεταγμένων οθόνης και των εξαγόμενων συντεταγμένων θα προκαλέσει αποκλίσεις |
Δύο πανομοιότυπα ποσά σε μία κατάσταση
Το 1,200.00 εμφανίζεται δύο φορές σε μια κατάσταση: μία στη στήλη του οφειλόμενου ποσού και μία στο κείμενο περιγραφής. Η αναζήτηση πλήρους κειμένου μπορεί να τα βρει, αλλά δεν μπορεί να αποφασίσει για εσάς ποιο είναι το επιχειρηματικό πεδίο.
Εάν η διάταξη της φόρμας είναι σταθερή, είναι συνήθως ευκολότερη η ερμηνεία περιορίζοντας πρώτα μια γνωστή περιοχή και στη συνέχεια αναζητώντας το κείμενο παρά συνεχίζοντας την προσαρμογή της κανονικής έκφρασης. Το κλειδί δεν είναι να "βρίσκετε μόνο ένα κουτί", αλλά να αντιμετωπίζετε τόσο τα μηδενικά όσο και τα πολλαπλά χτυπήματα ως σαφή αποτελέσματα και να μην αφήνετε το πρόγραμμα να κάνει μη εξουσιοδοτημένες επιλογές.
Αφήστε τη θέση της λέξης, όχι μόνο το κείμενο
Το `page.get_text("words")` του PyMuPDF επιστρέφει μια εγγραφή λέξης με θέση, το κοινό πεδίο είναι (x0, y0, x1, y1, text, block_no, line_no, word_no). Το παρακάτω παράδειγμα λαμβάνει μόνο τα πρώτα πέντε πεδία και οι τρεις τελευταίοι αριθμοί δεν εμπλέκονται στο τοπικό φιλτράρισμα προς το παρόν.
Η «λέξη» εδώ είναι το απόσπασμα που δίνει ο εξαγωγέας, το οποίο δεν είναι απαραίτητα ίσο με μια λέξη με τη γλωσσική έννοια, ούτε είναι εγγυημένο ότι ένα ποσό θα είναι πάντα ένα πλήρες κομμάτι. Το 1,200.00 μπορεί να αποσυναρμολογηθεί ή να έχει γειτονικές ετικέτες. Αυτό το άρθρο ασχολείται μόνο με την ακριβή αντιστοίχιση πλήρων αποσπασμάτων: Θα προτιμούσα να παραδώσω αρχεία που δεν πληρούν τις προϋποθέσεις για έλεγχο παρά να τα συνδυάσω αθόρυβα σε ένα φαινομενικά νόμιμο ποσό.
Επαληθεύστε με δύο συνθετικές σελίδες της ίδιας ποσότητας
Δημιουργούμε μια νέα σελίδα PDF στη μνήμη και τοποθετούμε την ίδια ποσότητα κοντά στις κατακόρυφες συντεταγμένες 120 και 420 αντίστοιχα. Η περιοχή ερωτήματος καλύπτει μόνο το παραπάνω ποσό.
Το σημείο εισαγωγής κειμένου είναι η θέση βάσης και όχι η επάνω αριστερή γωνία του πλαισίου κειμένου. Το ύψος και το πλάτος του πραγματικού πλαισίου θα επηρεαστούν από τη γραμματοσειρά και το μέγεθος της γραμματοσειράς, επομένως οι συντεταγμένες δεν μπορούν να κωδικοποιηθούν σκληρά σε μια σταθερή τιμή.
Η σωστή έξοδος πρέπει να πληροί δύο προϋποθέσεις:
- Υπάρχει μόνο ένας υποψήφιος στην περιοχή ερωτήματος και το υποψήφιο ορθογώνιο περιλαμβάνεται πλήρως στην περιοχή.
- Μετά την επέκταση του εύρους του ερωτήματος σε ολόκληρη τη σελίδα, θα πρέπει να ληφθούν δύο υποψήφιοι, μπαίνοντας έτσι στον κλάδο ασάφειας.
Τέλος, ελέγξτε για μηδενικές επιτυχίες με μια συμβολοσειρά που δεν υπάρχει στη σελίδα. Αυτό είναι πιο κοντά στο συμβόλαιο που απαιτείται από μια πραγματική διεπαφή παρά μόνο η επίδειξη μιας επιτυχημένης αναζήτησης.
Κωδικός με δυνατότητα εκτέλεσης: παραδώστε τον αριθμό των υποψηφίων στον καλούντα
Η εξάρτηση είναι pymupdf, εγκαταστήστε και κλειδώστε την έκδοση στο δοκιμαστικό περιβάλλον. Ο παρακάτω κώδικας δεν έχει πρόσβαση στο δίκτυο, δεν εγγράφει αρχεία και δεν τροποποιεί το αρχικό έγγραφο πελάτη. Κατασκευάζει μόνο ένα PDF επίδειξης.
import pymupdf
def locate(page, target, query):
query = pymupdf.Rect(query)
candidates = []
for word in page.get_text("words"):
x0, y0, x1, y1, text = word[:5]
box = pymupdf.Rect(x0, y0, x1, y1)
if text == target and query.contains(box):
candidates.append(tuple(box))
return candidates
def decide(candidates):
if len(candidates) == 0:
return "missing"
if len(candidates) > 1:
return "ambiguous"
return "unique"
with pymupdf.open() as doc:
page = doc.new_page(width=595, height=842)
page.insert_text((80, 120), "1,200.00", fontsize=11)
page.insert_text((80, 420), "1,200.00", fontsize=11)
query = pymupdf.Rect(72, 100, 300, 150)
local = locate(page, "1,200.00", query)
assert decide(local) == "unique"
assert query.contains(pymupdf.Rect(local[0]))
assert decide(locate(page, "1,200.00", page.rect)) == "ambiguous"
assert decide(locate(page, "999.99", query)) == "missing"
print("unique / ambiguous / missing cases passed")
Το contains απαιτεί πλήρη συμπερίληψη, αντί να αγγίζει απλώς την άκρη της περιοχής. Εάν το πλαίσιο ερωτήματος είναι πολύ στενό, τα πλευρικά ποσά ενδέχεται να πέσουν σε μηδενικές επισκέψεις, κάτι που δεν είναι λόγος για τον οποίο θα πρέπει να διευρύνεται αυτόματα σε ολόκληρη τη σελίδα. Θα πρέπει να ελέγξετε το σύστημα συντεταγμένων που χρησιμοποιείται κατά τη μέτρηση της περιοχής πριν αποφασίσετε πώς να ρυθμίσετε το εύρος.
Εάν η επιχείρηση επιτρέπει στο κεντρικό σημείο να πέσει μέσα, θα πρέπει να γραφτούν πρόσθετοι κανόνες και να γίνουν πρόσθετες δοκιμές για επικάλυψη ορίων. Μην αλλάζετε κρυφά το νόημα της κρίσης στην ίδια λειτουργία.
Η λογική παραγωγής δεν θα πρέπει να βασίζεται αποκλειστικά στο assert για την παρεμπόδιση των εξαιρέσεων, καθώς οι τρόποι βελτιστοποίησης ενδέχεται να αφαιρέσουν ισχυρισμούς. Οι ισχυρισμοί στο παράδειγμα χρησιμοποιούνται για τον έλεγχο παλινδρόμησης. Κατά την πραγματική πρόσβαση στην ουρά εργασιών, θα πρέπει να χρησιμοποιούνται καθαροί κλάδοι υπό όρους και επιχειρηματικές καταστάσεις.
Τρία αποτελέσματα, τρεις μέθοδοι επεξεργασίας
Τα αποτελέσματα των ερωτημάτων συνήθως χωρίζονται σε τρεις κατηγορίες, καθεμία από τις οποίες απαιτεί διαφορετικές ενέργειες επεξεργασίας:
- Μόνο ένα χτύπημα: Υπάρχει μόνο ένα πλήρες αντίστοιχο κομμάτι στην περιοχή και ο αριθμός σελίδας, το αρχικό κείμενο, το ορθογώνιο και η έκδοση κανόνα αποθηκεύονται.
- Μηδενικό χτύπημα: Μπορεί η περιοχή να είναι λάθος, το ποσό να έχει χωριστεί ή να λείπει το επίπεδο κειμένου. Επισημάνετε την υποψήφια αιτία, ελέγξτε την αρχική σελίδα και μην προσθέτετε μηδενικά.
- Πολλαπλές επισκέψεις: Υπάρχουν διπλά ποσά στην ίδια περιοχή ή το πρότυπο έχει αλλάξει, επιστρέψτε όλους τους υποψήφιους, συνδυάστε ετικέτες ή μη αυτόματη αποσαφήνιση.
Οι άλλες δύο καταστάσεις πρέπει επίσης να αντιμετωπίζονται χωριστά:
- Υπάρχει ένα πλαίσιο, αλλά η τιμή είναι λάθος: Το ίδιο το επίπεδο κειμένου μπορεί να είναι λάθος ή ο στόχος που ταιριάζει είναι λάθος. Θα πρέπει να επιστρέψετε στην αρχική σελίδα για να ελέγξετε και να αποτρέψετε τις συντεταγμένες να εγκρίνουν την τιμή.
- Μετατόπιση με εμφάνιση πλαισίου: Οι συντεταγμένες οθόνης και οι συντεταγμένες εξαγωγής ενδέχεται να αναμειγνύονται και η αλυσίδα μετασχηματισμού της κλιμάκωσης περιστροφής, περικοπής και απόδοσης πρέπει να είναι σαφής.
📊 Βασική σύγκριση
| Μέθοδος ερωτήματος | Κριτήρια κρίσης | Απαιτείται προσοχή |
|---|---|---|
| Πλήρης ένταξη (παράδειγμα που υιοθετήθηκε) | Το υποψήφιο ορθογώνιο τοποθετείται πλήρως μέσα στην περιοχή ερωτήματος | Αν το πλαίσιο ερωτήματος είναι πολύ στενό, το ποσό κοντά στην άκρη μπορεί να είναι μηδέν χτυπήματα |
| Πτώση κεντρικού σημείου (απαιτούνται ξεχωριστοί κανόνες) | Το σημείο κέντρου υποψηφίου βρίσκεται εντός της περιοχής | Η επικάλυψη ορίων απαιτεί ξεχωριστές συμπληρωματικές δοκιμές |
| Ερώτημα πλήρους σελίδας | Αναζήτηση όλων των υποψηφίων | Τα αποτελέσματα είναι κατά κύριο λόγο ασαφή και απαιτούν επισήμανση ή χειροκίνητη περαιτέρω αξιολόγηση |
Αυτό δεν είναι καθολικός εκχυλιστής
Ο κώδικας δεν αναλύει νόμισμα, διαχωριστικά χιλιάδων ή δεκαδικούς κανόνες, ούτε αναγνωρίζει σημασιολογίες όπως «τρέχουσα πληρωτέα περίοδο» ή «υπόλοιπο προηγούμενης περιόδου». Το γεγονός ότι υπάρχει μόνο ένας υποψήφιος δεν σημαίνει ότι η επιχείρηση είναι σωστή.
Το σαρωμένο αντίγραφο πρέπει επίσης πρώτα να αποκτήσει διαθέσιμο κείμενο και θέσεις. Σελίδες με στρώματα κειμένου αλλά λανθασμένο περιεχόμενο δεν μπορούν να εγκριθούν απλώς επειδή είναι «αντιγράψιμες».
Αυτό το άρθρο χρησιμοποιεί μια μη περιστραμμένη σύνθετη σελίδα. Όταν η πραγματική σελίδα περιστραφεί, καθορίστε πρώτα αν το πλαίσιο ερωτήματος προέρχεται από την οθόνη ή από τις εξαγόμενες συντεταγμένες και μετατρέψτε αν χρειάζεται. Μην πολλαπλασιάζετε με πίνακα ανεξάρτητα από την πηγή.
Κατά την αποθήκευση σελίδων πηγής, διακρίνετε μεταξύ ευρετηρίων μηδενικής βάσης και αριθμών σελίδων που απευθύνονται σε ανθρώπους, ώστε να αποφύγετε τη λανθασμένη υπόθεση ότι υπάρχουν αποδείξεις μετά το άνοιγμα γειτονικών σελίδων.
🎯 Ποια προσέγγιση σου ταιριάζει;
Αν χρειάζεστε να ανακτήσετε αριθμούς από φόρμες σταθερής διάταξης
Πρώτα, περιορίστε την περιοχή όπου βρίσκεται το επιχειρηματικό πεδίο, μετά αναζητήστε το ποσό και αποθηκεύστε τον αριθμό σελίδας, το ορθογώνιο και την έκδοση του κανόνα.
Αν συναντήσεις πολλούς υποψηφίους
Μην επιλέξετε μόνο τον πρώτο· επιστρέψτε όλους τους υποψηφίους και καθορίστε τον επιχειρηματικό τομέα βάσει ετικετών ή χειροκίνητης κρίσης.
Αν η σελίδα σου πέφτει συχνά στο μηδέν
Πρώτα, ελέγξτε αν οι συντεταγμένες της περιοχής, η ποσότητα έχει χωριστεί και αν υπάρχει το επίπεδο κειμένου, και μετά αποφασίστε αν θα προσαρμόσετε το εύρος ή θα αλλάξετε σε άλλη διαδρομή εξαγωγής.
Αν θέλετε να κάνετε μετάφραση εγγράφων
Βασικές λεπτομέρειες όπως η ποσότητα, η ημερομηνία και η ποσότητα περιλαμβάνονται στη χειροκίνητη ανασκόπηση, με σαφή διαχωρισμό εργασίας μεταξύ τεχνικής και χειροκίνητης ανασκόπησης.
Αφήστε βασικούς αριθμούς για έλεγχο μετά τη μετάφραση
Η μετάφραση εγγράφων δεν πρέπει να βασίζεται μόνο στο αν οι προτάσεις είναι ρέουσες, αλλά και σε βασικά στοιχεία όπως η ποσότητα, η ημερομηνία και η ποσότητα. Το OmniDoc (Πύλη Προϊόντων) προσφέρει πολλαπλές πύλες μετάφρασης εγγράφων, και η δίγλωσση σύγκριση που παρουσιάζεται στην επίσημη ιστοσελίδα μπορεί να λειτουργήσει ως πύλη αξιολογήσεων; Τα σενάρια συντεταγμένης θέσης είναι κατάλληλα για τη διατήρηση πρωτότυπων τεκμηρίων και για τη βοήθεια στον εντοπισμό προβληματικών περιοχών.
Συνιστάται πρώτα να αξιολογήσετε χρησιμοποιώντας δείγματα απευαισθητοποίησης που έχουν δικαίωμα μεταφόρτωσης. Αφού η μετάφραση γίνει μεγαλύτερη, η θέση του περιεχομένου μπορεί να αλλάξει λογικά, και το «οι παλιές και οι νέες συντεταγμένες είναι ακριβώς οι ίδιες» δεν πρέπει να θεωρείται δύσκολη προϋπόθεση για σωστή μετάφραση.
Πιο πολύτιμοι έλεγχοι είναι: αν το ποσό παρακρατείται, αν το νόμισμα είναι καθαρό και αν οι αντίστοιχες ετικέτες εξακολουθούν να δείχνουν την ίδια επιχειρηματική σημασία.
❓ Συχνές Ερωτήσεις (FAQ)
1. Γιατί να μην πάρεις απλώς την πρώτη τζούρα;
Επειδή η αναζήτηση πλήρους κειμένου μπορεί μόνο να σας πει πού εμφανίζεται το ποσό, όχι ποιο μέρος είναι επιχειρηματικό πεδίο. Παίρνοντας απευθείας την πρώτη τζούρα, το αποτέλεσμα φαίνεται σωστό, αλλά η πηγή μπορεί ήδη να είναι λάθος.
2. Γιατί ένα πλαίσιο ερωτήματος απαιτεί πλήρη συμπερίληψη αντί απλώς να αγγίζει την άκρη;
Το παράδειγμα χρησιμοποιεί μια πλήρως ενσωματωμένη μέθοδο κρίσης για να αποφύγει την αντιμετώπιση των ελλιπών τμημάτων ως έγκυρων αποτελεσμάτων. Αν το πλαίσιο ερωτήματος είναι πολύ στενό και προκαλεί μηδενικά αποτελέσματα, ελέγξτε πρώτα το σύστημα συντεταγμένων και το εύρος, αντί να το διευρύνετε αυτόματα σε ολόκληρη τη σελίδα.
3. Τι πρέπει να κάνετε όταν το αποτέλεσμα του ερωτήματος είναι μηδέν;
Σημειώστε τον υποψήφιο για τον λόγο και ελέγξτε την αρχική σελίδα, χωρίς μηδενικά. Λανθασμένες περιοχές, ποσότητες διαχωρισμού ή ελλείποντα επίπεδα κειμένου μπορούν όλα να προκαλέσουν μηδενικά χτυπήματα.
4. Μπορεί αυτός ο κωδικός να χρησιμοποιηθεί απευθείας σε πραγματικούς λογαριασμούς;
Δεν μπορεί να χρησιμοποιηθεί άμεσα. Τα παραδείγματα δεν αφορούν νόμισμα, χιλιάδες διαχωριστές ή επιχειρηματική σημασιολογία, και τα συνθετικά παραδείγματα σε αυτό το άρθρο δεν αντιπροσωπεύουν δοκιμές ακρίβειας για πραγματικά γραμμάτια.
📝 Περίληψη
Κατά τον καθορισμό του ποσού, πρώτα ορίστε την περιοχή και μετά δώστε τον πλήρη αριθμό των υποψηφίων στον καλούντα για κρίση. Τόσο τα μηδενικά όσο και τα πολλαπλά χτυπήματα πρέπει να έχουν σαφείς ενέργειες χειρισμού. Πρώτα, οι κανόνες επικυρώνονται με μασκαρισμένα δείγματα και στη συνέχεια ενσωματώνονται σταδιακά στο πραγματικό έγγραφο.


