Zahtijeva li PDF OCR? Koristite PyMuPDF za provjeru stranice po stranicu umjesto potpunog ponovnog prepoznavanja

Ako želite OCR PDF, nema potrebe za ponovnim prepoznavanjem cijelog PDF-a. Upotrijebite PyMuPDF da odredite stranicu po stranicu postoji li tekstualni sloj i radi li se o slici cijele stranice te šaljite samo stranice koje su stvarno potrebne za prepoznavanje. U prilogu su uzorci koji se mogu izvoditi, testovi rotirajućih stranica i upute za granice grana.

Kada se mnogi timovi bave prevođenjem ili arhiviranjem PDF-a, navikli su cijeli dokument označiti kao "skenirano" ili "kopirano" na ulazu. PDF od 300 stranica može imati prvih 280 stranica sa slojevima teksta i samo zadnjih 20 stranica kao skenirane privitke. Ako se klasificiraju po cijelim dijelovima, cijeli OCR će produžiti vrijeme čekanja, a također može pogrešno identificirati izvorno točne brojeve. S druge strane, ako možete kopirati samo tekst na početnoj stranici i preskočiti OCR na svim stranicama, također je riskantno.

Pouzdaniji pristup je pustiti da svaka stranica prijeđe na sljedeći korak s rezultatima predispitivanja. Ovaj članak implementira konzervativnu trosmjernu podjelu: izravno izdvajanje, slanje u red čekanja OCR kandidata i ručna inspekcija. To je interpretabilna inženjerska heuristika, a ne univerzalni klasifikator za procjenu kvalitete teksta. Nakon čitanja, možete dobiti program za provjeru stranice koji se može izvoditi stranicu po stranicu, kao i granice skretanja i uobičajene ideje za rukovanje greškama.

Zaključak jedne rečenice

Nema potrebe prosuđivati zahtijeva li PDF OCR. Upotrijebite PyMuPDF za prethodnu provjeru stranice po stranicu i slanje OCR-u samo stranica koje stvarno trebaju biti prepoznate.

vaša situacijaPreporučene prakserazlog
Izdvojite najmanje 40 znakova koji nisu razmaci s jedne straniceIzravno izdvajanje (TEXT_CANDIDATE)Već imate dovoljno znakova, ali ipak trebate provjeriti postoje li skriveni loši OCR slojevi
Manje od 40 riječi i jedna slika koja pokriva najmanje 70% stranicePošalji u red čekanja OCR kandidataSkenirane cijele stranice prikladne su za identifikaciju, no dovoljne su i čiste fotografije.
Prazna stranica, vektorski tip, oskudan naslov ili složena zagonetkaRučni pregled (PREGLED)Te se situacije ne mogu pouzdano klasificirati u prve dvije kategorije i ne mogu se automatski preskočiti ili odbaciti.
Hibridni dokument od 300 stranicaPregled stranice po stranice, ne potpuna obradaIzbjegavajte OCR na svim stranicama zbog nekoliko skeniranih privitaka ili preskakanje svih OCR jer na početnoj stranici ima teksta

Napomena: sadržaj na slici dolazi iz sintetiziranog PDF-a generiranog kodom u nastavku, a ne iz korisničke datoteke niti OmniDoc sučelja. Tekst na stranici sa slikom je rasterski piksel; tekst na tekstualnoj stranici ima pravi sloj teksta.

Odlučite što ćete prvo provjeriti

Ovdje se koriste dva signala: broj znakova teksta nakon uklanjanja razmaka i udio površine stranice koju zauzima najveća slika na stranici. Prvi odgovara "Je li izvučeno dovoljno znakova?" a potonji pomaže u razlikovanju skenirane cijele stranice od prazne stranice. Područje slike prvo će se presijecati s okvirom za obrezivanje kako bi se izbjeglo prekoračenje omjera povećanja slike na stranici.

promatranjeDiverzija ovog člankaJoš treba pozornost
Najmanje 40 znakova koji nisu razmaciTEXT_CANDIDATESkriveni loši OCR slojevi također mogu sadržavati mnogo riječi
Manje od 40 riječi i jedna slika koja pokriva najmanje 70%OCR_CANDIDATEČiste fotografije također zadovoljavaju zahtjeve; OCR možda nije značajan
Ostatak situacijeREVIEWPrazni prostori, vektorski tekst, rijetki naslovi i složene zagonetke mogu biti ovdje

Pragovi od 40 i 0,70 namijenjeni su olakšavanju revizije ovog skupa testova, a ne standardima za više jezika. Kineski, formule, korice i kratki oblici trebaju biti označeni zasebno. Ovdje se uzima najveća slika po površini, umjesto da se samo dodaju područja preklapajućih slika. Stoga skenirana stranica sastavljena od više slika može završiti u REVIEW. Ovo je namjerno očuvana granica.

Kompletan primjerak koji se može izvesti

Uzorak koristi PyMuPDF==1.28.0, ne oslanja se na Tesseract i ne poziva nikakve online OCR ili prevoditeljske usluge. Spremi kao example.py i pokreni ga u praznom direktoriju. Naziv datoteke koji kreira fiksiran je na routing-fixture.pdf. Za stvarne projekte, molimo vas da ne prepisujete ulazne datoteke.

import json
import pymupdf

def inspect_page(page):
    chars = len("".join(page.get_text().split()))
    bounds = page.cropbox
    # 图片坐标与文本坐标都是未旋转坐标;不要混用旋转后的 page.rect。
    bounds = pymupdf.Rect(0, 0, bounds.width, bounds.height)
    ratios = []
    for image in page.get_image_info():
        rect = pymupdf.Rect(image["bbox"]) & bounds
        ratios.append(max(0, rect.get_area()) / bounds.get_area())
    largest = max(ratios, default=0.0)
    route = ("TEXT_CANDIDATE" if chars >= 40 else
             "OCR_CANDIDATE" if largest >= 0.70 else "REVIEW")
    return {"page": page.number + 1, "chars": chars,
            "largest_image_ratio": round(largest, 3), "route": route}

with pymupdf.open() as source:
    page = source.new_page(width=360, height=480)
    page.insert_text((28, 60), "Sample invoice 2026-09-26", fontsize=16)
    page.insert_text((28, 100), "Quantity 12   Unit price USD 15.00", fontsize=12)
    page.insert_text((28, 132), "Amount USD 180.00   Checked manually", fontsize=12)
    scan = page.get_pixmap(matrix=pymupdf.Matrix(2, 2)).tobytes("png")
    page = source.new_page(width=360, height=480)
    page.insert_image(page.rect, stream=scan)
    source.new_page(width=360, height=480)
    source.save("routing-fixture.pdf")

with pymupdf.open("routing-fixture.pdf") as pdf:
    result = [inspect_page(page) for page in pdf]
    assert [r["route"] for r in result] == [
        "TEXT_CANDIDATE", "OCR_CANDIDATE", "REVIEW"]
    assert result[1]["chars"] == 0
    assert result[1]["largest_image_ratio"] == 1.0
    pdf[1].set_rotation(90)
    assert inspect_page(pdf[1])["route"] == "OCR_CANDIDATE"
print(json.dumps(result, indent=2))

Prilikom pristupa OCR-u, keširaj TextPage, a ne marker uspjeha

OCR sučelje PyMuPDF-a je page.get_textpage_ocr(...). Tesseract i njegovi odgovarajući jezični podaci trebaju se pripremiti zasebno. Nakon dobivanja TextPagea, naknadna ekstrakcija trebala bi je proslijediti kao parametar textpage kako bi se izbjeglo prepoznavanje duplikata na istoj stranici. Za specifične metode i parametre instalacije, molimo pogledajte PyMuPDF OCR dokument.

Ovaj članak ne pokreće OCR motor, pa rezultati testa samo dokazuju da su logika distribucije i korištenje koordinata ispravni, te ne predstavljaju stopu prepoznavanja kineskog jezika, brzinu oporavka tablica ili kvalitetu prijevoda. U produkciji treba zabilježiti verziju OCR enginea, jezični paket, broj stranice, sažetak ulazne datoteke i rezultate ručnog uzorkovanja. Nemojte zadržati samo završni niz, inače je teško protumačiti s koje stranice broj dolazi.

Tri vrste grešaka koje je najlakše previdjeti

Skriveni slojevi teksta mogu biti iskrivljeni tekst. Ispunjavanje broja znakova znači samo "možete nastaviti pokušavati ekstrakciju." Također trebate provjeriti odgovaraju li zamijenjeni znakovi, duplicirani redovi i ključna polja prikazu. Ključne stavke poput broja ugovora i iznosa moraju se nasumično pregledati.

Tekst nacrtan vektorskom putanjom nije ni tekst ni slike. Ući će u RECENZIJU. Nemojte automatski označavati stranice kao prazne i nemojte ih tiho ispuštati.

Korištenje stranice nakon zatvaranja dokumenta rezultirat će nevažećim objektom. Molimo zadržite opseg with pymupdf.open(...) i otpustite datoteku tek nakon prethodne provjere, renderiranja i raspakiranja. Za više detalja o koordinatama, informacijama o slici i životnim ciklusima stranica, pogledajte PyMuPDF Page API.

Nepouzdani PDF-ovi također bi trebali postaviti veličinu datoteke, broj stranica, piksele prikaza, vrijeme i ograničenja memorije u samostalnom procesu. Primjer testira samo male datoteke i ne pruža sandbox za zlonamjerne datoteke. Prije proizvodnje i korištenja PyMuPDF-a, trebali biste provjeriti uvjete licenciranja i način distribucije.

Prijelaz s tokova na prevoditeljski tijek rada

Kvalificirani izlaz nije niz teksta, već zapis s brojevima stranica i razlozima za odluku. Prije prijevoda, provjerite koje se stranice mogu pouzdano izdvojiti; Nakon prijevoda, sadržaj, brojevi i raspored se zatim pregledavaju. Usluge obrade dokumenata možete pregledati na Unos proizvoda u OmniDocu. Lokalni program u ovom članku radi neovisno i ne oslanja se na OmniDoc račun, niti znači da je interni algoritam proizvoda.

📊 Usporedba jezgre

RutaUvjeti okidačaPrikladna stranicaGlavni rizici
Izravna ekstrakcija (TEXT_CANDIDATE)Najmanje 40 znakova bez razmakaGlavna stranica postojećeg tekstualnog slojaSkriveni slojevi lošeg OCR-a mogu sadržavati iskrivljeni tekst
Kandidati za OCR (OCR_CANDIDATE)Manje od 40 riječi, s jednom slikom koja pokriva najmanje 70%Skenirana kopija na cijeloj straniciČiste fotografije također zadovoljavaju zahtjeve, ali rezultati OCR-a možda nisu značajni
Ručna inspekcija (RECENZIJA)Ne zadovoljava gore navedene dvije kategorijePrazne stranice, vektorski tekst, rijetki naslovi, složene zagonetkePotrebna je ručna procjena; preskakanje ili odbacivanje ne može se raditi automatski

🎯 Koja ti metoda najviše odgovara?

Ako ......

  • Obrađivao je miješane dokumente, s velikim razlikama u kvaliteti između prednjih i stražnjih stranica: stranica po stranica pre-check, svaki ulazeći u drugačiji smjer.
  • Uglavnom se bavi ugovorima, financijskim dokumentima i drugim dokumentima koji sadrže ključne brojeve: Za stranicu TEXT_CANDIDATE nasumično provjerite podudarnost između brojeva i prikaza.
  • Serijska obrada skenova: Zabilježite verzije enginea, jezične pakete i brojeve stranica za OCR rezultate radi lakše praćenosti.
  • Primanje PDF-ova iz nepoznatih izvora: Postavite ograničenja resursa u samostalnim procesima; ne obrađujte ih izravno u glavnom procesu.

❓ Često postavljana pitanja (FAQ)

1. Početna stranica može kopirati tekst; mogu li preskočiti OCR proces za cijeli PDF?

Ne, ne možeš. Imati tekstualni sloj na prvoj stranici ne znači da ih i sljedeće stranice imaju; trebali biste procjenjivati stranicu po stranicu.

2. Zašto jednostavno ne zbrojite područje slike?

Dodavanje preklapajućih slika po području precijenit će stopu pokrivenosti. Ovaj članak uzima najveću sliku po području, pa skenirane stranice sašivene od više slika mogu spadati u odjeljak RECENZIJA, što je namjerna granica.

3. Ako broj znakova dosegne 40, znači li to da je kvaliteta teksta u redu?

Ne može se tako zaključiti. Skriveni slojevi lošeg OCR-a također mogu imati mnogo znakova, pa i dalje trebaš provjeriti ima li zamjenskih znakova, dupliciranih linija i polja za spot.

4. Kako bi se trebao obrađivati tekst nacrtan vektorskim putanjama?

Nisu ni tekst ni slike, ulaze u RECENZIJU i ocjenjuju se ručno; ne bi se trebale automatski označavati kao prazne ili tiho ispuštene stranice.

5. Ovisi li lokalni program o OmniDoc računu?

Nije ovisan. Lokalni program u ovom članku radi neovisno i ne poziva nikakve online OCR ili prevoditeljske usluge.

📝 Sažetak

Prvo, ostavite dokaze stranicu po stranicu prije nego odlučite hoćete li provesti OCR. Ostaviti neizvjesne stranice u redu je učinkovitije nego prikrivati neizvjesne rezultate kao uspjeh.

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

Ažurirano 2026-11-16