Ekstrahirajte detaljnu tablicu, ne dopustite da sortiranje poremeti korespondenciju između redaka i izvornog teksta
Ista količina detalja u dva retka ne znači da se radi o dvostrukim podacima; sortirana tablica je urednija, ali to ne znači da se red po red može poravnati s izvornim tekstom. Ono što se najlakše gubi prilikom izdvajanja detalja često je podudarnost između svakog retka i izvora. Ovaj će članak objasniti kako ga zadržati.
Samo zato što su iznosi u dva retka isti ne znači da se radi o dvostrukim podacima. Samo zato što je tablica sortirana ne znači da i dalje odgovara izvornom tekstu red po red. Prilikom izvlačenja detalja, ono što se lako izgubi često nije samo polje, već korespondencija između svakog reda i izvora.
Ovaj je članak prikladan za ljude koji trebaju izvući detalje iz dokumenata kao što su ugovori, ponude, financijske tablice itd. Također je prikladan za programere koji grade nizvodne procese obrade. Nakon čitanja, znat ćete kako zadržati izvorne informacije za svaki detalj, kako se nositi s problemima uzrokovanim istom količinom, zaglavljima na više stranica i sortiranjem te koje poravnanje treba koristiti tijekom provjere nakon prijevoda.
Kako zadržati korespondenciju između redaka i izvora prilikom izdvajanja detalja? Zaključak jedne rečenice
Spremite stabilan identifikator izvora za svaki detalj. Razvrstavanje je samo za prikaz i ne prepisuje izvorni broj retka.
| vaša situacija | Preporučene prakse | razlog |
|---|---|---|
| Oba retka imaju isti iznos | Prvo provjerite izvornu stranicu i izvorni broj retka i nemojte žuriti s uklanjanjem duplikata. | Isti iznos ne predstavlja duple podatke |
| Moraju biti prikazani poredani po iznosu | Stvorite prikaz prikaza i zadržite izvorni broj retka nepromijenjenim | Razvrstane serijske brojeve ne treba vraćati u izvor |
| U tablici se pojavljuju dvostruka zaglavlja ili međuzbrojevi | Isključite prema protumačivim pravilima i zadržite isključene retke i razloge | Olakšajte preglednicima otkrivanje slučajnih brisanja |
| Potrebno je uskladiti višejezične detalje | Uskladite prema ID-u izvora, a ne samo pretražujte prema prevedenom nazivu proizvoda | I naziv i količina proizvoda mogu se ponavljati |
Prvo spremite stabilni identitet retka
Zadržite izvornu stranicu, broj tablice i broj retka izvora za svaki detalj ili stabilni identifikator sastavljen od ovih informacija. Naziv i količina proizvoda mogu se ponavljati i nisu prikladni kao zasebni identiteti.
Kada nizvodno treba sortirati po količini, možete stvoriti prikaz prikaza, ali nemojte greškom zapisati sortirane serijske brojeve natrag u izvorni izvor.
Može se koristiti kao identitet retka na nekoliko načina
| Način | Je li prikladan kao identitet? | razlog |
|---|---|---|
| Izvorna stranica + broj tablice + izvorni broj retka | Prikladno | Može stabilno locirati redak u izvornom tekstu |
| Naziv proizvoda | Nije prikladno za samostalnu upotrebu | mogući duplikat |
| Iznositi | Nije prikladno za samostalnu upotrebu | mogući duplikat |
| Prikaz serijskog broja nakon sortiranja | Nije prikladno kao izvor | Promijenit će se nakon sortiranja |
Obratite pozornost na jedinstvenost JSON sheme
Sam JSON niz zadržava redoslijed, ali uniqueItems u shemi nije prečac za "polje je jedinstveno". Dva se objekta još uvijek mogu smatrati različitim stavkama sve dok su druga polja različita. Jedinstvenost na razini polja potrebno je provjeriti pojedinačno.
Skup pojedinosti s istim iznosom i različitim izvorima
from collections import Counter
rows = [{"source_id": "p1-t1-r1", "item": "Bolt", "amount": "10.00"},
{"source_id": "p1-t1-r2", "item": "Nut", "amount": "10.00"}]
def check_ids(items):
counts = Counter(row["source_id"] for row in items)
return [key for key, count in counts.items() if count > 1]
assert check_ids(rows) == []
assert len(rows) == 2
assert check_ids(rows + [dict(rows[0])]) == ["p1-t1-r1"]
display = sorted(rows, key=lambda row: row["item"], reverse=True)
assert [r["source_id"] for r in rows] == ["p1-t1-r1", "p1-t1-r2"]
assert {r["source_id"] for r in display} == {r["source_id"] for r in rows}
Ovo je provjera identiteta sintetičkih podataka, a ne prepoznavanje tablice. Kod namjerno ne uklanja duplikate istih iznosa, niti redoslijed prikaza smatra izvornim redoslijedom.
Pravila za generiranje ID-ova izvora istine trebaju uzeti u obzir verzije datoteka. U suprotnom, sadržaj na istoj stranici i retku u obje verzije može se zamijeniti za isti dokaz.
Kada je broj redaka netočan, prvo pronađite kariku koja nedostaje.
| Fenomen | treba provjeriti | ne treba uzeti odmah |
|---|---|---|
| Dvostruki iznos | Bilo da se radi o drugom projektu ili drugoj izvornoj liniji | Uklonite duplikate prema iznosu |
| Dvostruki ID izvora | Postoji li dvostruki uvoz ili pogreška mapiranja? | Nasumično dodajte novi ID |
| Broj redaka smanjen | Spoji ćelije, prazne retke i pravila filtriranja | Završi s prethodnim retkom |
| Promjena sekvence | Treba li sortirati samo za pojavljivanja | Prebrišite izvorni broj retka |
Zaglavlje na više stranica nije običan podatkovni red
Ponavljajuća zaglavlja tablice, opisi tablice nastavka i retci međuzbrojeva mogu ući u niz detalja. Njihovo uklanjanje zahtijeva interpretabilna pravila koja ne gledaju samo na više pozicioniranje ili kraći tekst.
Zadržavanje izuzetih redaka i njihovih razloga može pomoći recenzentima da otkriju slučajna brisanja. U suprotnom, problem će se nastaviti samo ako konačni zbroj nije jednak.
Dovedite izvorni odnos u provjeru nakon prijevoda
Višejezični rasporedi trebali bi se moći uskladiti prema ID-u izvora, a ne samo prema prevedenom nazivu proizvoda. Prilikom ocjenjivanja rezultata prijevoda tabelarnih dokumenata OmniDoc (portal proizvoda)-a, odnose redova i stupaca, količine i jedinice vrijedi provjeriti pojedinačno.
Izvorna identifikacija ovog članka je vanjska inženjerska konvencija i nije opis interne implementacije platforme.
Izvori: Niz JSON shema
🎯 Koja je metoda prikladna za vas?
Ako trebate sortirati po količini da biste je pokazali drugima
Stvorite prikaz prikaza, razvrstavanje utječe samo na prikaz, originalna izvorna stranica i izvorni broj retka ostaju nepromijenjeni.
Ako vaša tablica ima zaglavlja ili međuzbrojeve na više stranica
Upotrijebite interpretabilna pravila da biste isključili te retke i zadržali izuzete retke i razloge za kasniji pregled.
Ako želite obraditi više verzija datoteke
Pravila za generiranje ID-a izvora trebaju biti uključena u verziju datoteke kako bi se spriječilo miješanje sadržaja istog retka na istoj stranici između različitih verzija.
Ako želite napraviti višejezično detaljno usklađivanje
Uskladite prema ID-u izvora, nemojte se oslanjati samo na prevedeni naziv proizvoda.
❓ Često postavljana pitanja (FAQ)
1. Iznosi u dva retka su isti. Mogu li izravno ukloniti duplikate?
ne može. Isti iznos ne znači duple podatke. Prvo biste trebali provjeriti njihovu izvornu stranicu i broj izvornog reda kako biste potvrdili pripadaju li različitim projektima ili različitim izvornim redovima.
2. Zašto naziv proizvoda nije prikladan kao identitet retka?
Naziv proizvoda i količina mogu se ponavljati, a nemoguće je stabilno locirati redak u izvornom tekstu kada se koristi sam.
3. Može li se novi redni broj vratiti na izvorne podatke nakon sortiranja?
Ne preporučuje se. Razvrstani serijski brojevi prikladni su samo za prikaz. Prepisivanjem originalnih brojeva redaka izgubit će se korespondencija s izvorom.
4. Na što treba obratiti pozornost prilikom brisanja duplikata zaglavlja?
Moraju postojati pravila koja se mogu tumačiti, a isključene linije i razlozi trebaju biti sačuvani kako bi se slučajna brisanja mogla otkriti.
📝 Sažetak
Prilikom izvlačenja detalja, prvo održavajte korespondenciju između svakog retka i izvora, a zatim razgovarajte o sortiranju i deduplikaciji. Kôd u ovom članku samo je sintetički primjer demonstracije i ne predstavlja jamstvo svih stvarnih datoteka ili učinaka proizvoda. Prije obrade važnih dokumenata, molimo vas da sačuvate izvornike i pregledate ih prema granicama i stavkama prihvaćanja u tekstu.
Isprobajte sada: prenesite dokument za početak prijevoda, zadržavajući izvorni izgled


