पीडीएफ क्षैतिज दिखता है, लेकिन निकाले गए निर्देशांक गलत हैं: रोटेशन मैट्रिक्स को स्पष्ट रूप से समझाएं

जब मैं पीडीएफ को संसाधित कर रहा था, तो मैंने स्पष्ट रूप से देखा कि तालिका पृष्ठ के दाईं ओर थी, लेकिन निकाले गए निर्देशांक ऊपरी बाएं कोने की ओर इशारा करते थे, या हाइलाइट किया गया रंग ब्लॉक हेडर स्थिति में गिर गया था। इस प्रकार की समस्या अक्सर पार्सिंग लाइब्रेरी में कोई बग नहीं होती है, बल्कि पीडीएफ की समन्वय प्रणाली और विज़ुअल रेंडरिंग के बीच एक असंगति होती है। यह आलेख उन डेवलपर्स के लिए है जिन्हें टेक्स्ट पोजिशनिंग, क्षेत्र मिलान या एनोटेशन ड्राइंग करने की आवश्यकता है। यह बताता है कि कैसे /Rotate विशेषता समन्वयन गलत संरेखण का कारण बनती है, और रूपांतरण को पूरा करने के लिए PyMuPDF के रोटेशन मैट्रिक्स का उपयोग करती है।

इस आलेख के सभी उदाहरण मेमोरी में संश्लेषित हैं और कोई वास्तविक फ़ाइल नहीं पढ़ी जाती है। महत्वपूर्ण दस्तावेज़ों को संसाधित करने से पहले, कृपया मूल प्रतियाँ अपने पास रखें और फिर दस्तावेज़ में सीमाओं और स्वीकृति मदों के अनुसार एक-एक करके उनकी समीक्षा करें।

यदि रोटेशन के बाद पीडीएफ के निर्देशांक मेल नहीं खाते हैं तो मुझे क्या करना चाहिए? एक वाक्य का निष्कर्ष

अनियंत्रित निर्देशांक को प्रदर्शित निर्देशांक में बदलने के लिए Page.rotation_matrix का उपयोग करें, और प्रसंस्करण से पहले पृष्ठ दर पृष्ठ page.rotation की जांच करें। यह न मानें कि सभी पृष्ठों की निर्देशांक दिशाएँ सुसंगत हैं।

बिना घुमाए गए स्थान और प्रदर्शित स्थान के बीच अंतर को समझें

पीडीएफ पेज 0, 90, 180 या 270 डिग्री के मान के साथ /Rotate विशेषता ले सकते हैं। जब पाठक प्रस्तुत करता है तो यह रोटेशन स्वचालित रूप से लागू होता है, लेकिन पृष्ठ सामग्री प्रवाह के निर्देशांक अभी भी अनियंत्रित मूल मीडियाबॉक्स पर आधारित होते हैं। यदि आप सीधे ड्राइंग या क्षेत्र मिलान के लिए निकाले गए मूल निर्देशांक का उपयोग करते हैं, तो परिणाम गलत होंगे।

PyMuPDF v1.17.0 से शुरू होने वाली इन दो समन्वय प्रणालियों के बीच स्पष्ट रूप से अंतर करता है:

• अनरोटेड स्पेस: Page.get_text(), Page.get_image_bbox() और सभी एनोटेशन ऑब्जेक्ट के निर्देशांक डिफ़ॉल्ट रूप से अनरोटेड पेज के सापेक्ष लौटाए जाते हैं।
• प्रदर्शन स्थान: केवल Page.rect और Page.bound() रोटेशन के बाद वास्तविक प्रदर्शन आकार को प्रतिबिंबित करेंगे।

यह डिज़ाइन सामग्री निष्कर्षण को स्थिर रखता है। भले ही पृष्ठ रोटेशन कोण को संशोधित किया गया हो, समान पाठ के निष्कर्षण निर्देशांक नहीं बदलेंगे। लेकिन जब आपको निर्देशांकों को पृष्ठ पर वापस लाने की आवश्यकता होती है, या उन्हें माउस क्लिक जैसे दृश्य इंटरैक्शन के साथ संरेखित करने की आवश्यकता होती है, तो आपको समन्वय परिवर्तन को मैन्युअल रूप से पूरा करना होगा।

PyMuPDF दो प्रमुख मैट्रिक्स प्रदान करता है:

1. Page.rotation_matrix: अनियंत्रित निर्देशांक को प्रदर्शित निर्देशांक में बदलें।
2. Page.derotation_matrix: रिवर्स ऑपरेशन करें।

ये दो मैट्रिक्स अनुवाद और रोटेशन परिवर्तनों को समाहित करते हैं, इसलिए डेवलपर्स को हाथ से त्रिकोणमितीय फ़ंक्शन गणना लिखने की आवश्यकता नहीं होती है।

संश्लेषण उदाहरण: समन्वय परिवर्तन की सही और गलत अपेक्षाएँ

इस तंत्र को प्रदर्शित करने के लिए, हम एक विशुद्ध रूप से इन-मेमोरी सिंथेटिक दृश्य का निर्माण करते हैं जो बाहरी फ़ाइलों पर निर्भर नहीं होता है। यदि आपको किसी वास्तविक दस्तावेज़ का परीक्षण करने की आवश्यकता है, तो कृपया पहले से /Rotate=90 विशेषता के साथ एक पीडीएफ तैयार करें, और सुनिश्चित करें कि क्रॉपिंग ऑफसेट के हस्तक्षेप को खत्म करने के लिए इसका क्रॉपबॉक्स मीडियाबॉक्स के अनुरूप है।

इनपुट सेटिंग्स: एक A4 पोर्ट्रेट पेज (595 x 842 pt) बनाएं, /Rotate = 90 सेट करें। अघुलनशील स्थान में, बिंदु (100, 100) ऊपरी बाएँ कोने के पास स्थित है; जब 90 डिग्री घुमाया जाता है, तो बिंदु की दृश्य स्थिति महत्वपूर्ण रूप से बदल जाती है क्योंकि समन्वय प्रणाली इसके साथ घूमती है।

सही आउटपुट अपेक्षित: (100, 100) को rotation_matrix से गुणा करें और परिणामी प्रदर्शन निर्देशांक घुमाए गए पृष्ठ (यानी page.rect) की वैध सीमा के भीतर आने चाहिए। डिफ़ॉल्ट A4 पेज को 90 डिग्री वामावर्त घुमाने के लिए, मूल ऊपरी बाएँ कोने का बिंदु डिस्प्ले स्पेस में निचले बाएँ कोने के पास स्थित होना चाहिए, अर्थात, x निर्देशांक बड़ा है और y निर्देशांक 0 के करीब है। विशिष्ट मान मीडियाबॉक्स की मूल परिभाषा पर निर्भर करता है। केवल यह न मानें कि y, x से बड़ा है।

बाउंड्री केस हैंडलिंग: जब रोटेशन कोण 0 है, तो rotation_matrix पहचान मैट्रिक्स होना चाहिए। यदि एक रोटेशन मान जो 90 डिग्री का गुणक नहीं है, पारित किया जाता है, तो PyMuPDF आमतौर पर इसे सामान्य कर देगा, लेकिन NaN निर्देशांक उत्पन्न करने से बचने के लिए मैट्रिक्स वैधता की जांच करने की अभी भी सिफारिश की जाती है।

पायथन समन्वय सत्यापन तर्क लागू करता है

निम्नलिखित उदाहरण दिखाता है कि मेमोरी में समन्वय परिवर्तनों को कैसे सत्यापित किया जाए। यह केवल मैट्रिक्स ऑपरेशन लॉजिक प्रदर्शित करता है और पूर्ण पीडीएफ प्रोसेसिंग पाइपलाइन नहीं है। कृपया सुनिश्चित करें कि चलने से पहले PyMuPDF स्थापित है, और इसे ऐसे वातावरण में निष्पादित करें जहां आपने निर्भरताएं लॉक कर दी हैं।

import fitz  # PyMuPDF

def validate_rotation_transform():
    """合成示例：验证旋转矩阵在未旋转坐标与显示坐标间的转换"""
    doc = fitz.open()  # 空文档，无需文件路径
    page = doc.new_page(width=595, height=842)

    # 设置页面旋转90度，模拟横向显示的PDF
    page.set_rotation(90)

    # 定义一个在未旋转空间中的测试点 (左上角附近)
    unrotated_point = fitz.Point(100, 100)

    # 获取旋转矩阵并执行变换
    mat = page.rotation_matrix
    display_point = unrotated_point * mat

    # 验证1: 变换后的点必须位于旋转后的页面可视区域内
    assert page.rect.contains(display_point), (
        f"变换后坐标 {display_point} 超出显示边界 {page.rect}"
    )

    # 验证2: 对于默认A4逆时针旋转90度，原(100,100)应变为左下角
    # 即 x 接近页宽(842)，y 接近 0。注意：此处纠正了常见的 y>x 误区
    assert display_point.x > 500 and display_point.y < 200, (
        f"90度旋转预期左下角，实际得到 ({display_point.x:.1f}, {display_point.y:.1f})"
    )

    # 验证3: 逆变换可精确恢复原始坐标
    inv_mat = page.derotation_matrix
    recovered = display_point * inv_mat
    assert abs(recovered.x - unrotated_point.x) < 0.01
    assert abs(recovered.y - unrotated_point.y) < 0.01

    doc.close()
    print("坐标变换逻辑校验通过（合成数据）")

# 请在本地环境运行，不要假设线上环境已安装fitz
validate_rotation_transform()

यह कोड किसी वास्तविक फ़ाइल को नहीं पढ़ता है, बल्कि मेमोरी में पेज स्थिति का निर्माण करता है। assert कथन गणितीय संबंध की तर्कसंगतता की जाँच करता है, न कि व्यावसायिक शुद्धता की। यदि वास्तविक पीडीएफ में गैर-मानक मीडियाबॉक्स या नेस्टेड ट्रांसफॉर्म शामिल हैं तो अतिरिक्त डिबगिंग की आवश्यकता हो सकती है।

📊 कोर तुलना

स्वीकृति मानदंड और मैन्युअल समीक्षा सीमाएँ

सिर्फ इसलिए कि कोड दावे को पारित कर सकता है इसका मतलब यह नहीं है कि उत्पादन वातावरण फुलप्रूफ है। निम्न तालिका उन परिदृश्यों को अलग करने में मदद करने के लिए सामान्य अपवादों और उनके प्रबंधन निर्णयों को सूचीबद्ध करती है जिन्हें स्वचालित किया जा सकता है और मैन्युअल हस्तक्षेप की आवश्यकता होती है।

यह तालिका केवल समन्वय परिवर्तन तर्क को संबोधित करती है और ओसीआर सटीकता या फ़ॉन्ट एन्कोडिंग मुद्दों को कवर नहीं करती है। जटिल टाइपसेटिंग का सामना करने पर, स्वचालित सत्यापन विफल हो सकता है। इस समय, पाइपलाइन को रोक दिया जाना चाहिए और मैन्युअल निर्णय लिया जाना चाहिए कि इसे जारी रखना है या नहीं।

दस्तावेज़ अनुवाद के लिए चेकलिस्ट का उपयोग करें

अनुवाद से पहले, पृष्ठ क्रम, स्रोत स्थान और पाठ अखंडता की पुष्टि करें, और फिर अनुवाद प्रक्रिया में वही असंवेदनशील नमूना सबमिट करें। अनुवाद के बाद, आपको अभी भी यह जांचना होगा कि शीर्षक, पाठ और चित्र सही ढंग से मेल खाते हैं या नहीं, न कि केवल अनुवाद सुचारू है या नहीं।

ओमनीडॉक (उत्पाद पोर्टल) एक बहु-प्रारूप दस्तावेज़ अनुवाद पोर्टल प्रदान करता है, और आधिकारिक वेबसाइट OCR, शब्दावली और द्विभाषी तुलना कार्यों का परिचय देती है। उन टीमों के लिए जो सीधे फाइलों से काम करना चाहती हैं, यह वास्तविक जीवन के नमूनों के साथ मूल्यांकन करने लायक मार्ग है। कृपया उन डिसेन्सिटाइज़्ड फ़ाइलों का उपयोग करें जिन्हें अपलोड करने की आपके पास अनुमति है, और परिणामों की समीक्षा करने के लिए इस आलेख में चेक आइटम का उपयोग करें। ऐसा कोई दावा नहीं है कि ओमनीडॉक इस आलेख में उल्लिखित ओपन सोर्स लाइब्रेरी या आंतरिक एल्गोरिदम का उपयोग करता है, न ही उदाहरण उत्पाद प्रदर्शन परीक्षण को प्रतिस्थापित करता है।

अग्रिम पठन:

• PyMuPDF Page.rotation_matrix आधिकारिक दस्तावेज़
• PyMuPDF निर्देशांक संकल्पना नोट

🎯कौन सा तरीका आपके लिए उपयुक्त है?

यदि आपको निकाले गए पाठ निर्देशांक को पृष्ठ पर वापस लाने की आवश्यकता है

पहले निर्देशांक प्रदर्शित करने के लिए rotation_matrix का उपयोग करें, और फिर हाइलाइट्स या एनोटेशन बनाएं।

यदि आपको माउस क्लिक को मूल सामग्री पर वापस मैप करने की आवश्यकता है

रिवर्स रूपांतरण के लिए derotation_matrix का उपयोग करें, और जांचें कि क्या बिंदु page.rect के विरुद्ध वैध सीमा के भीतर आता है।

यदि आप मिश्रित घूर्णन कोण वाले दस्तावेज़ों के साथ काम कर रहे हैं

page.rotation पृष्ठ दर पृष्ठ पढ़ें, वैश्विक मैट्रिक्स का पुन: उपयोग न करें, और सीमा से बाहर के पृष्ठों को चिह्नित करें।

यदि आपके पृष्ठ में जटिल लेआउट या आंशिक रूप से घुमाए गए चार्ट हैं

पहले सिंथेटिक नमूनों और छोटे पैमाने के वास्तविक नमूनों को जांचें, और फिर तय करें कि उन्हें स्वचालित प्रक्रिया को सौंपना है या नहीं। असामान्यताओं का सामना करते समय, उन्हें मैन्युअल समीक्षा के लिए सौंप दें।

❓ अक्सर पूछे जाने वाले प्रश्न (FAQ)

1. get_text() द्वारा लौटाए गए निर्देशांक दृश्य स्थिति के साथ असंगत क्यों हैं?

क्योंकि ये एपीआई डिफ़ॉल्ट रूप से अनरोटेटेड पेज के सापेक्ष लौटते हैं, जब रीडर रेंडर करता है तो /Rotate विशेषता लागू होती है।

2. क्या Page.rect और get_text() के निर्देशांक डेटा समान हैं?

नहीं वही. Page.rect और Page.bound() घुमाए गए डिस्प्ले आकार को दर्शाते हैं, जबकि get_text() जैसे एपीआई के निर्देशांक मूल अनियंत्रित चौड़ाई और ऊंचाई पर आधारित होते हैं।

3. क्या घूर्णन कोण 0 होने पर भी रूपांतरण की आवश्यकता है?

अनावश्यक. इस बिंदु पर rotation_matrix एक पहचान मैट्रिक्स होना चाहिए, लेकिन फिर भी पूर्वाग्रह की जांच करने की अनुशंसा की जाती है क्योंकि तीसरे पक्ष के उपकरण छिपे हुए रोटेशन मेटाडेटा लिख सकते हैं।

4. क्या दावे को पारित करने के बाद कोड को सीधे उत्पादन के लिए इस्तेमाल किया जा सकता है?

सिफारिश नहीं की गई। अभिकथन केवल गणितीय संबंधों की तर्कसंगतता की जाँच करता है। वास्तविक पीडीएफ में गैर-मानक मीडियाबॉक्स, स्वतंत्र सीटीएम परिवर्तन या असामान्य पृष्ठ हो सकते हैं, जिन्हें अभी भी स्वीकृति प्रपत्र के अनुसार आइटम दर आइटम समीक्षा करने की आवश्यकता है।

📝सारांश

समन्वय गलत संरेखण का स्रोत अनियंत्रित स्थान और प्रदर्शन स्थान के बीच अंतर में निहित है। रूपांतरण के लिए rotation_matrix और derotation_matrix का उपयोग करते हुए, पृष्ठ-दर-पृष्ठ निरीक्षण और मैन्युअल समीक्षा के साथ, जोखिम को एक सत्यापन योग्य सीमा के भीतर नियंत्रित किया जा सकता है।

इसे अभी आज़माएं: मूल लेआउट को बरकरार रखते हुए अनुवाद शुरू करने के लिए दस्तावेज़ अपलोड करें