Što trebam učiniti ako mogu kliknuti na stranicu sa sadržajem PDF-a, ali izgubim razinu nakon izdvajanja?

Hijerarhija knjižnih oznaka mora se provjeriti prije pisanja. Prva stavka je jedna razina, a sljedeće stavke mogu se povećati za najviše jednu razinu; primjer odbija ilegalne razine i brojeve stranica izvan granica, i ne mijenja automatski razinu da krivotvori strukturu direktorija. Brojevi stranica knjižnih oznaka počinju od jedan, a indeksi stranica obično počinju od nule.

Stranica sa sadržajem PDF-a može se normalno preusmjeriti u čitaču, ali nakon izdvajanja pomoću skripte, hijerarhija može biti ravna, brojevi stranica mogu biti pogrešno postavljeni ili čak indeks može biti nenormalan. Ova vrsta problema uobičajena je pri spajanju skeniranih datoteka ili datoteka s nepravilnom strukturom oznaka. Ako se rezultati ekstrakcije izravno predaju daljnjim korisnicima, mogu se pojaviti pogreške u segmentaciji prijevoda i povezivanju.

Ovaj je članak namijenjen programerima i dokumentacijskim timovima koji trebaju skupnu obradu PDF kataloga. Nakon čitanja, možete razumjeti značenje povratne vrijednosti get_toc(), savladati pravila provjere za razine i brojeve stranica i znati koje situacije treba pretvoriti u ručnu provjeru. Ovaj članak koristi sintetički uzorak za demonstraciju metode obrade, a kôd je provjeren uzorkom u izoliranom okruženju, ali to 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.

Što trebam učiniti ako se stranica sa sadržajem PDF-a može kliknuti, ali je hijerarhija izgubljena nakon izdvajanja? Zaključak jedne rečenice

Prvo potvrdite, a zatim pišite: prvo se mora provjeriti razina knjižne oznake, prva stavka smatra se prvom razinom, sljedeće razine ne bi trebale premašiti prethodnu stavku plus jedan, a unosi s brojevima stranica izvan granica neće biti upisani.

vaša situacijaPreporučene prakserazlog
Na stranicu imenika se može kliknuti, a hijerarhija je ravna ili neporavnata nakon izdvajanja.Najprije upotrijebite get_toc() da dobijete izvorni popis, a zatim ga provjerite jedan po jedan prije korištenja.Izvorni popis koji vraća get_toc() nema strukturiranu provjeru valjanosti
Broj stranice je 0 ili premašuje ukupan broj stranicaOdbacite unos i prijavite seBrojevi stranica izvan granica uzrokovat će neuspjeh skoka
get_toc() vraća prazan popisUmjesto toga upotrijebite analizu izgleda teksta i ne pokušavajte naslijepoDatoteka možda nema ugrađene metapodatke oznake
Isti naslov odgovara više različitih brojeva stranicaOznači kao dvosmisleno, prebaci na ručnu provjeruNije moguće automatski odrediti koji je broj stranice točan

Zašto rezultat ekstrakcije gubi razine?

get_toc() zadano ispisuje popis [level, title, page] trojki. Među njima, page je fizički broj stranice počevši od 1, a level samo predstavlja dubinu ugniježđivanja i ne jamči kontinuitet ili zakonitost.

Ako je izvorni PDF generiran pomoću alata za spajanje skeniranja, uobičajeni problemi uključuju:

  • Level Jump: Na primjer, skočite izravno s 1 na 3
  • Iznimka broja stranice: Broj stranice je 0 ili premašuje ukupan broj stranica
  • Iznimka naslova: Naslov sadrži kontrolne znakove

Ako se koristi izravno za nizvodne zadatke, uzrokovat će zabunu u segmentima prijevoda ili kvar veze. Što je još podmuklije, neki PDF-ovi imaju vizualnu stranicu sa sadržajem, ali nemaju ugrađene metapodatke knjižne oznake. Normalno je da get_toc() u ovom trenutku vraća praznu listu, a umjesto toga treba koristiti analizu izgleda teksta.

Primjer samostalne kompozicije

Pogledajte popis uvoza za primjer ovisnosti. Kod konstruira unos u memoriju, a zapisi pokretanja daju se zasebno i ne predstavljaju jamstvo za sve stvarne datoteke.

import pymupdf
def validate(rows, pages):
    previous = 0
    for level, title, page in rows:
        if type(level) is not int or level < 1 or level > previous + 1:
            raise ValueError("invalid hierarchy")
        if type(page) is not int or not 1 <= page <= pages:
            raise ValueError("invalid destination")
        if not isinstance(title, str) or not title.strip():
            raise ValueError("empty title")
        previous = level
    return rows
with pymupdf.open() as doc:
    for _ in range(3):
        doc.new_page()
    rows = [[1, "Chapter", 1], [2, "Section", 2], [1, "Appendix", 3]]
    doc.set_toc(validate(rows, doc.page_count))
    assert doc.get_toc() == rows
    assert len(doc.get_toc()) == 3
    for bad in [[[2, "Bad", 1]], [[1, "Bad", 99]], [[1, "", 1]]]:
        try:
            validate(bad, doc.page_count)
        except ValueError:
            pass
        else:
            raise AssertionError("invalid outline accepted")

Pravila obrade za legalan i nezakonit unos

Točan unos treba zadovoljiti: popis trojki s kontinuiranim razinama i brojevima stranica u rasponu [1, doc.page_count]. Na primjer, [[1, "引言", 1], [2, "背景", 2], [1, "方法", 5]] je legalan, druga razina pojavljuje se nakon prve razine i odgovara sintaksi nacrta PDF-a.

Uobičajeni netočni unosi uključuju:

  • Razina je 0 ili negativna
  • Broj stranice je 0
  • Broj stranica premašuje ukupni broj stranica
  • Naslov je prazan niz ili sadrži samo razmake

Za te situacije, metode navedene u članku su sljedeće:

  1. Preskači stranice s nevažećim stranicama i zabilježi upozorenja.
  2. Zadržati privremene oznake poput [untitled] za prazne naslove radi očuvanja strukturnog integriteta.
  3. Nemojte prekidati rezoluciju cijelog direktorija zbog jedne pogreške.

Za slučajeve s razinama manjim od 1, treba razmotriti dvije strategije: sažetak primjera zagovara odbacivanje nezakonitih razina i njihovo automatsko ispravljanje, dok pravila u tekstu provode 1. Izbor između ta dva ovisi o vašem vlastitom procesu. Također treba napomenuti da su ta pravila osmišljena kako bi osigurala robusnost procesa nizvodno i nisu obavezni zahtjevi PDF standarda. Testovi pokazuju da kada brojevi stranica izađu izvan granica, PyMuPDF ispisuje upozorenja, ali ne baca iznimke, pa funkcija validacije mora aktivno filtrirati i ne može se oslanjati na ponašanje biblioteke.

📊 Usporedba jezgre

Pod različitim uvjetima dokumenta, rezultati i preporučene metode rukovanja za get_toc() variraju:

Status dokumentaget_toc() rezultatPreporučeno rukovanje
Označeno u oznake i strukturno legalnoVratite popis tripletaUpotreba neposredno nakon provjere
Postoje oznake, ali hijerarhija ili broj stranice su neuobičajeniVraća popis iznimkiFiltrirati i zabilježiti zapise te prebaciti na ručni rad kad je potrebno
Vizualna verzija ima stranicu sadržaja, ali nema oznakuPovratak na praznu listuPrijelaz na analizu rasporeda teksta
Preuređivanje dokumenata poput EPUB-aFormat broja stranice je (poglavlje, pno)Ova logika verifikacije broja stranice nije primjenjiva i zahtijeva posvećenu obradu

Kriteriji prihvaćanja i granice ručnog pregleda

Tablica u nastavku fokusira se isključivo na fazu izdvajanja metapodataka PDF kataloga:

Promatrajte fenomenOdluka da se riješi ovaj slučajJe li automatizacija prikladna
Broj stranice je 0 ili veći od ukupnog broja stranicaOdbacite unos i zabilježite gaDa
Razine manje od 1 ili necijele brojeveRukovanje prema gore navedenim pravilima (vidi prethodno objašnjenje)Da
Naslovi su ili potpuno prazni ili isključivo simboličniZamijeni s [untitled]Da
Skakanje razina (npr. od 1 do 3)Zadržite izvorne slojeve bez popunjavanja srednjih slojevaDa (strukturno legalno)
Isti naslov odgovara broju različitih stranicaOznačeno kao dvosmisleno, pretvoreno u ručnoNe
Više od 200 unosa bez hijerarhijskih promjenaSumnja na pogrešnu identifikaciju OCR-a zahtijeva ručnu provjeruNe
Uključuje vanjske URI ili JavaScript radnjeFiltrirajte preusmjeravanja koja nisu vezana uz stranicuDa (Sigurnosna politika)
Preuređeni dokumenti poput EPUB-a, broj stranice (poglavlje, pno)Ova logika provjere broja stranice ne primjenjuje seNe (zahtijeva poseban tretman)

Napomena: demonstracija koda provjerava samo strukturnu zakonitost; end-to-end efekti također se moraju kombinirati s renderiranjem radi provjere točnosti skokova.

🎯 Koja ti metoda najviše odgovara?

Ako trebaš grupno izvlačiti direktorije

Prvo, izvršite strukturnu validaciju rezultata get_toc()-a, zatim ih upišite u sljedeće radne tokove i vodite logove za verifikaciju.

Ako vaš PDF vizualno ima sadržaj, ali je izvučen prazan

Nemojte stalno pokušavati get_toc(); prebacite se na analizu i obradu rasporeda teksta.

Ako vaš unos u direktoriju ima isto ime, ali različite stranice

Ručno provjerite te unose; nemojte automatski birati jedan od brojeva stranica.

Ako želiš predati dokumente procesu prijevoda,

Prvo, potvrdite ispravnu strukturu sadržaja i brojeve stranica prije prijevoda kako biste izbjegli zabunu u odlomcima.

❓ Često postavljana pitanja (FAQ)

1. Zašto broj stranice počinje s 1, dok indeksi stranica obično počinju s 0?

Brojevi stranica u oznakama su fizički brojevi stranica koji počinju od 1, dok indeksi stranica u knjižnicama poput PyMuPDF-a obično počinju od 0. Ova razlika je važna pri konverziji, inače se brojevi stranica mogu pomaknuti.

2. get_toc(): Znači li vraćanje praznog popisa nužno problem s datotekom?

Ne nužno. Neki PDF-ovi vizualno imaju stranicu sadržaja, ali nemaju ugrađene metapodatke za oznake, pa je vraćanje praznog popisa normalno. U tom slučaju treba koristiti analizu rasporeda teksta.

3. Ako broj stranice izađe izvan granica, hoće li knjižnica odmah prijaviti pogrešku?

Ne. Testovi u ovom članku pokazuju da PyMuPDF ispisuje upozorenja kada brojevi stranica prelaze granicu, ali ne baca iznimke, pa funkcija validacije mora aktivno filtrirati.

4. Zahtijevaju li hijerarhijski skokovi (poput izravnog prelaska s 1 na 3) popunjavanje srednjih slojeva?

Prijedlog u članku je zadržati izvornu hijerarhiju i ne popunjavati srednje slojeve, jer je ta struktura i dalje legitimna.

📝 Sažetak

Hijerarhija i brojevi stranica PDF direktorija moraju se provjeriti prije upotrebe, pa se izvorni izlaz get_toc() ne može izravno smatrati pouzdanom strukturom. Kada naiđete na nejasnoće ili nedostatak oznaka, odmah prijeđite na ručni rad ili druge metode kako biste izbjegli pogreške u procesu nakon toga.

Iskustvo sada: Učitajte svoj dokument kako biste započeli prijevod, zadržavajući izvorno formatiranje

Reference i sljedeći koraci

Sljedeći korak je pripremiti testni PDF koji sadrži poznate probleme s direktorijem, pokrenuti gore navedeni verifikacijski skript i izračunati udio raznih anomalija. Ako postoje česta hijerarhijska preskakanja ili pomaci broja stranica, razmislite o dodavanju koraka rekonstrukcije sadržaja prije prijevoda.

Koristite ovaj kontrolni popis za prijevod dokumenata

Prvo, pažljivo provjerite redoslijed stranica, lokaciju izvora i integritet teksta, a zatim pošaljite isti uzorak desenzitizacije u proces prevođenja. Nakon prijevoda, i dalje je potrebno provjeriti odgovaraju li naslov, glavni tekst i natpisi ispravno; nije dovoljno suditi samo po glatkoći teksta.

OmniDoc nudi portale za prijevod dokumenata u više formata, a službena web stranica uvodi OCR, rječnike i dvojezične referentne značajke. Za timove koji žele krenuti izravno od datoteka, ovo je put koji vrijedi procijeniti s stvarnim uzorcima. Molimo koristite anonimiziranu datoteku koju ste ovlastili za učitavanje i provjeru rezultata pomoću kontrolnog popisa u ovom članku. Ovo ne tvrdi da OmniDoc koristi open-source biblioteku ili interne algoritme iz ovog članka, niti zamjenjuje testiranje performansi proizvoda primjerima.

Ažurirano 2026-11-16