Kada predajete označene dokumente, nemojte samo predati PDF koji izgleda čisto.
Ovaj članak pruža rješenje za slojevito izdvajanje i sigurnosnu provjeru temeljeno na PyMuPDF-u za rješavanje problema zabune između teksta i komentara, curenja osjetljivih podataka i zabune koordinatnih sustava u ekstrakciji PDF komentara. Sadržaj pokriva načelo neovisnog podatkovnog sloja, primjere obrambenog programiranja, obradu rubnih uvjeta i ručne kriterije prihvaćanja te objašnjava kako ispravno povezati OmniDoc u tijek rada prijevoda dokumenata za dvojezičnu usporedbu i prihvaćanje.
Prije predaje PDF komentara, mnogi će ljudi izravno koristiti page.get_text() za izvoz teksta čistog izgleda za prijevod, arhiviranje ili predaju sljedećem recenzentu. Ali ovaj tekst obično ne sadrži komentare. Neke metode ekstrakcije također će umetnuti komentare u sredinu teksta, prekidajući semantiku; komentari izmjena i osjetljive napomene na bočnoj traci mogu biti propušteni.
Ovaj je članak napisan za programere i vlasnike dokumenata koji trebaju raditi s PDF-ovima s bilješkama. Nakon čitanja shvatit ćete zašto su zabilješke neovisni slojevi podataka, kako izdvojiti tekst i zabilješke u slojevima, s kojim rubnim slučajevima treba obrambeno postupati i koje se točke prihvaćanja moraju potvrditi ručno.
Svi primjeri u ovom članku koriste sintetičke uzorke. Kôd je provjeren kao uzorak u izoliranom okruženju, ali to nije jamstvo svih stvarnih datoteka ili performansi proizvoda. Prije obrade važnih dokumenata, molimo vas da sačuvate izvornike i pregledate ih prema granicama i stavkama prihvaćanja u tekstu.
Kako izdvojiti dokumentirani PDF prije primopredaje? Zaključak jedne rečenice
Tretirajte tekst i zabilješke kao dva neovisna toka podataka i izdvojite ih odvojeno te izvršite izričit sigurnosni pregled sadržaja zabilješki.
| vaša situacija | Preporučene prakse | razlog |
|---|---|---|
Koristite samo get_text() za izvoz teksta | Nemojte ga tretirati kao potpuno | Zadani izlaz obično ne sadrži bilješke |
| Revizijske komentare recenzenata potrebno je zadržati | Pojedinačno ponavljajte primjedbe s page.annots() | Bilješke su neovisni objekti priloženi stranici |
| Komentari mogu sadržavati ID brojeve i interne kodove. | Usporedite prema osjetljivim pravilima, označite redacted=True i zamijenite rezerviranim mjestom | Bilješke o recenziji mogu sadržavati osjetljive podatke |
| Stranica je zakrenuta | Prvo upotrijebite page.rotation_matrix ili page.derotation_matrix za transformaciju koordinata | Pravokutnik za napomene na temelju nerotirane stranice |
| Spremno za proces prevođenja | Prvo očistite oznake obogaćenog teksta, a zatim ručno provjerite nakon prijevoda | Izbjegavajte prijevode koji sadrže kod |
Zašto su komentari neovisni o podatkovnom sloju teksta
U PDF specifikaciji, tok sadržaja stranice (Content Stream) i rječnik komentara (Annots Array) strukturno su odvojeni. Tijelo se sastoji od tekstualnih uputa za prikaz; zabilješke su neovisni objekti priloženi stranici, s vlastitim koordinatama, vrstom i atributima sadržaja. Page.annots() metoda PyMuPDF-a vraća generator koji prolazi kroz ovu nezavisnu listu zabilješki umjesto toka teksta stranice.
To znači da ne možete pretpostaviti da se sav tekst koji vidite može izdvojiti na isti način.
Razlika između oznake klase i zabilješki klase sadržaja
- Bilješke oznake (kao što su isticanje i podcrtavanje) same po sebi ne sadrže tekst, već samo bilježe područje (četverostruki/pravocrtni) koje odgovara izvornom tekstu. Pravi tekst se može dobiti samo traženjem teksta kroz koordinate.
- Bilješke o sadržaju (kao što su bilješke, slobodni tekst) imaju vlastite nizove sadržaja i mogu se čitati izravno.
- Ako izravno čitate
annot.info["content"]bez razlikovanja tipa, izgubit ćete izvorni kontekst na koji ukazuje anotacija klase oznake ili ćete izbaciti iznimku ako je sadržaj prazan.
Primjer sinteze: slojevita ekstrakcija i presretanje osjetljivih informacija
Kako bismo pokazali ispravnu logiku obrade, konstruirali smo sintetički scenarij koji sadrži tri tipične napomene u kodu. Sljedeći unosi su uzorci izgrađeni unutar koda, a ne iz stvarnih korisničkih datoteka, i služe samo u obrazovne demonstracijske svrhe.
Očekivani izlaz sadrži tri strukturirana polja:
- Tekstualni fragment: Sadrži samo izvorni tekst stranice, bez ikakvog sadržaja napomena.
- Popis zabilješki: Svaki zapis uključuje vrstu, mjesto, autora, vrijeme i sadržaj (ako postoji).
- Sigurnosna oznaka: Ako sadržaj zabilješke odgovara unaprijed postavljenim osjetljivim pravilima (kao što je ID broj, interni kod), unos se označava kao
redacted=Truei sadržaj se zamjenjuje rezerviranim mjestom.
Tri vrste granica koje je potrebno braniti
- Prazna bilješka sadržaja: Tinta (Tinta) ili grafičke bilješke koje su stvorili neki čitači nemaju atribute teksta. Izravan pristup
.info["content"]može rezultirati praznim nizom ili None, kod mora vršiti obrambene provjere i ne može pretpostaviti da sve napomene imaju čitljiv tekst. - Koordinate zakrenute stranice: Nakon što se stranica zakrene za 90 stupnjeva, pravokutnik za napomene i dalje se temelji na nerotiranoj stranici. Ako izravno koristite te koordinate za obrezivanje ili pozicioniranje teksta, pozicija će biti potpuno poremećena, a transformacija koordinata mora se izvršiti prvo.
- Objekt siroče: Ako se dokument zatvori ili se stranica ponovno učita tijekom procesa obilaska, trenutni annot objekt će odmah postati nevažeći. Sve operacije čitanja moraju se dovršiti unutar životnog vijeka jedne stranice.
Implementacija Pythona: sigurno prolaženje i provjera napomena
Primjer koristi PyMuPDF za izradu testnog PDF-a u memoriji, demonstrirajući hijerarhijsko izdvajanje i osnovnu logiku maskiranja. Zavisna biblioteka je PyMuPDF (tj. pymupdf paket). Pokrenite ga u zaključanom okruženju ovisnosti. Verzija mora biti >=1.23.0 za potpuni pristup atributu annot. Ovaj kod ne izvodi mrežne operacije niti pisanje datoteka, koristi se samo za demonstraciju logike.
import fitz # PyMuPDF
import re
# 合成示例:仅在内存中构造,无需外部文件
def create_sample_pdf():
doc = fitz.open()
page = doc.new_page()
# 插入正文
page.insert_text((72, 72), "Confidential Project Alpha Report", fontsize=12)
# 添加便签批注(含敏感信息模拟)
page.add_text_annot((200, 72), "Reviewer: SSN 123-45-6789 approved.")
# 添加高亮批注(无自身文本,关联正文)
highlight = page.add_highlight_annot(fitz.Rect(72, 60, 250, 80))
# 必须调用update()使info变更生效
highlight.set_info(title="Editor", content="Check this term")
highlight.update()
return doc
def extract_with_safety(page, sensitive_pattern=r"\d{3}-\d{2}-\d{4}"):
body_text = page.get_text("text")
annotations = []
# 显式遍历批注生成器
for annot in page.annots():
info = annot.info
# 防御性获取内容,处理None或空字符串
content = info.get("content", "") or ""
# 边界处理:敏感词检测与脱敏
is_sensitive = bool(re.search(sensitive_pattern, content))
safe_content = "[REDACTED]" if is_sensitive else content
annotations.append({
"type": annot.type[1],
"author": info.get("title", "Unknown"),
"content": safe_content,
"is_redacted": is_sensitive,
# 注意:此为未旋转坐标系,若页面有旋转需配合rotation_matrix使用
"rect": list(annot.rect)
})
return body_text, annotations
# 执行校验
doc = create_sample_pdf()
page = doc[0]
text, annots = extract_with_safety(page)
assert "SSN 123-45-6789" not in str(annots), "敏感信息未被拦截"
assert any(a["type"] == "Highlight" for a in annots), "标记类批注丢失"
assert len(text.strip()) > 0, "正文提取失败"
print(f"Extracted {len(annots)} annotations safely.")
U svojoj srži, kod je obrambeno programiranje: ne vjeruje se čistoći sadržaja zabilješke, niti se pretpostavlja integritet vrste zabilješke. Izjava assert koristi se za provjeru očekivane logike, ali ovo je samo demonstracija i ne predstavlja end-to-end jamstvo performansi za sve PDF varijante.
Usporedba kategorija zabilješki
| Vrsta zabilješke | Da li donijeti vlastiti tekst | Kako dobiti sadržaj | Točke koje treba uzeti u obzir prilikom primopredaje |
|---|---|---|---|
| Istakni, podcrtaj | Ne, samo područja snimanja (kvadri/pravokutnici) | Provjerite tekst pomoću koordinata | Potrebno je zadržati odgovarajući kontekst izvornog teksta |
| Bilješke, slobodan tekst | Da, dolazi s vlastitim nizom sadržaja | čitati izravno | Provjerite osjetljivi sadržaj |
| Tinta, grafika, pečati | Često nema atributa teksta | Napravite obrambeni kratki poziv | Ručno potvrdite radi li se o potpisu ili pečatu odobrenja |
Kriteriji prihvaćanja i granice ručnog pregleda
Automatizirano izdvajanje ne može pokriti sve rubne slučajeve. Sljedeća tablica navodi točke prihvaćanja na koje treba obratiti pozornost tijekom primopredaje, razlikujući opseg koji kod može obraditi i scenarije koji zahtijevaju ručnu intervenciju.
| Promatrajte pojave | Obrada na razini koda | Ljudski pregled ili donošenje odluka |
|---|---|---|
| Sadržaj komentara je prazan, ali ikona postoji | Vrsta zapisa je tinta ili pečat, sadržaj ostaje prazan | Provjerite radi li se o potpisu ili pečatu odobrenja i odlučite želite li zadržati snimku slike |
| Položaj komentara premašuje CropBox | Koordinate su još uvijek važeće, ali renderiranje nije vidljivo | Utvrdite radi li se o napuštenoj napomeni koja je ostala iz povijesti, a koja se obično može zanemariti. |
| Komentari obogaćenog teksta sadrže HTML oznake | Izdvoj izvorni niz, zadrži oznake | Očistite oznake ili ih pretvorite u običan tekst prije prijevoda kako biste izbjegli prijevode koji sadrže kod. |
| Ime autora napomene je iskrivljeno | Ekstrakt kakav jest, bez nagađanja o kodiranju | Provjerite metapodatke izvorne datoteke kako biste potvrdili je li to naziv određenog kodiranja |
| Ugniježđena nit odgovora | PyMuPDF vraća ravnu listu | Ponovno izgradite dijaloško stablo na temelju ParentID-a, inače se gubi kontekst |
Nije primjenjivo: ovo se rješenje ne odnosi na šifrirane PDF-ove bez davanja lozinke, strukturno oštećene PDF-ove i datoteke koje koriste nestandardna privatna proširenja za definiranje vrsta komentara. U tim situacijama skripta može tiho preskočiti ili izbaciti C++ iznimku niske razine, što se mora potvrditi ručnim otvaranjem izvorne datoteke pomoću profesionalnih alata.
Koristite kontrolne popise za prijevod dokumenata
Prvo potvrdite redoslijed stranica, lokaciju izvora i integritet teksta, a zatim pošaljite isti desenzibilizirani uzorak u proces prevođenja. Nakon prijevoda još treba provjeriti odgovaraju li naslov, tekst i ilustracije. Ne možete samo provjeriti je li tekst gladak.
OmniDoc nudi portal za prevođenje dokumenata u više formata, a službena web stranica uvodi funkcije OCR-a, pojmovnika i dvojezične usporedbe. Ako tim želi započeti obradu izravno iz datoteke, ovaj se put može procijeniti stvarnim uzorcima. Koristite desenzibilizirane datoteke za čije učitavanje imate dopuštenje i pregledajte rezultate prema stavkama za provjeru u ovom članku. Ovdje se ne tvrdi da OmniDoc koristi biblioteke otvorenog koda ili interne algoritme ovog članka, niti primjer zamjenjuje testiranje performansi proizvoda.
Reference i sljedeći koraci
- Odaberite povijesnu projektnu datoteku koja sadrži miješane vrste zabilješki.
- Pokrenite gornju skriptu za provjeru i izbrojite udio unosa koji zahtijevaju ručni pregled.
- Ako omjer premašuje očekivanja, dodajte korak predobrade procesu primopredaje umjesto oslanjanja na nizvodne alate za pružanje odgovora.
🎯 Koja je metoda prikladna za vas?
Ako samo trebate prevesti tekst
Možete izravno izdvojiti tekst, ali morate potvrditi nedostaju li komentari u izvezenom sadržaju.
Ako želite dokument dati nekom drugom na arhiviranje
U isto vrijeme zadržite glavni tekst i popis zabilješki, a osjetljivi sadržaj označite kao desenzibiliziran.
Ako vaš PDF ima rotirane stranice
Najprije izvršite transformaciju koordinata, a zatim upotrijebite položaj napomene da locirate tekst.
Ako je datoteka šifrirana ili strukturno oštećena
Ovo rješenje nije primjenjivo. Ručno koristite profesionalne alate za otvaranje izvorne datoteke za potvrdu.
❓ Često postavljana pitanja (FAQ)
1. Zašto get_text() ne sadrži bilješke?
Zadani izlaz obično sadrži samo tijelo stranice. Bilješke su objekti neovisni o streamu teksta stranice i moraju se prolaziti odvojeno putem page.annots().
2. Može li se tekst svih komentara izravno pročitati?
ne može. Bilješke tipa označavanja kao što su isticanje i podcrtavanje same po sebi ne sadrže tekst i samo bilježe područja; tinte i grafičke napomene također mogu imati bez tekstualnih atributa i zahtijevaju obrambenu prosudbu.
3. Zašto je položaj stranice poremećen nakon što je rotirana?
Pravokutnik za napomene temelji se na nerotiranoj stranici. Ako se koristi izravno za pozicioniranje teksta, uzrokovat će pogreške. Prvo morate koristiti page.rotation_matrix ili page.derotation_matrix za transformaciju koordinata.
4. Hoće li se ugniježđeni odgovori izgubiti?
PyMuPDF vraća ravnu listu, a ako se dijaloško stablo ne rekonstruira na temelju ParentID-a, kontekst će se izgubiti.
5. Može li se šifrirani PDF obraditi ovom skriptom?
PDF-ovi koji su šifrirani i ne sadrže lozinku nisu unutar opsega ovog rješenja i zahtijevaju ručnu potvrdu.
📝 Sažetak
Bilješke su neovisni podatkovni sloj u PDF-u. Prije primopredaje, tekst i bilješke trebaju biti zasebno izvađene, a bilješke treba pregledati radi osjetljivog sadržaja. Automatizirane skripte mogu pokriti uobičajene slučajeve, ali rubne slučajeve i konačno prihvaćanje i dalje je potrebno obaviti ručno.
Isprobajte sada: prenesite dokument za početak prijevoda, zadržavajući izvorni izgled


