Zašto se PDF s dva stupca ekstrahira serijski? Prvo zadržite koordinate, a onda razgovarajte o redoslijedu čitanja

Objasnite da serijalizacija PDF teksta u dva stupca proizlazi iz nedostatka semantičke strukture formata, pojasnite da je parametar sortiranja samo geometrijsko sortiranje. Primjer sintetičkog Pythona koji se temelji na koordinatnoj particiji pruža se kako bi se demonstrirala logika reorganizacije niza, pojasnile primjenjive granice i crvene crte ručnog pregleda te pružio pragmatični put prihvaćanja koji povezuje tijek rada prijevoda OmniDoc.

Nizovi teksta izdvojeni iz PDF-ova s dva stupca često se ne prepoznaju pogrešno, već se čitaju pogrešnim redoslijedom. Ovaj je članak namijenjen čitateljima koji trebaju izdvojiti tekst iz PDF-ova s dva stupca kao što su radovi i izvješća, a zatim ih prevesti ili organizirati.

Čitatelji se obično susreću s ovom situacijom: na pola lijevog stupca sljedeća rečenica slijedi objašnjenje formule u desnom stupcu. Svi se znakovi mogu ispravno prepoznati, ali redoslijed je poremećen. Ovaj članak prvo objašnjava zašto dolazi do serijalizacije, a zatim koristi sintetički primjer za demonstraciju kako podijeliti i reorganizirati redoslijed prema koordinatama. Konačno, daje primjenjive granice i popis prihvatljivosti kako bi vam olakšao procjenu može li se koristiti u vašim datotekama.

Zašto se PDF s dva stupca ekstrahira serijski? Zaključak jedne rečenice

Prvo zadržite koordinate i izvornu stranicu, a zatim sortirajte prema regionalnim pravilima. Nemojte izravno komprimirati cijelu stranicu u dugački niz.

vaša situacijaPreporučene prakserazlog
Obični papir u dva stupca, serijalizacija tekstaPrvo pročitajte lijevi stupac odjeljka, a zatim pročitajte desni stupacNaizmjenično spajanje redak po redak uništit će odlomke
Samo sam želio na brzinu isprobatiUsporedite rezultate uključivanja i isključivanja sortsort radi samo geometrijsko sortiranje, prikladno za stranice s pravilima
Stranice imaju naslove u više stupaca, bilješke sa strane i bilješkeObradite zasebno po regijama i provjerite regionalne odnoseSamo geometrijsko sortiranje ne može odrediti atribuciju ovih sadržaja.
Potrebno je predati modelu prijevodaSačuvajte koordinate i brojeve stranica, prvo organizirajte narudžbu pa onda prevoditeKontekste u pogrešnom redoslijedu teško je popraviti čak i promjenom modela.

Zašto je narudžba pogrešna?

PDF bilježi položaj svakog odlomka teksta, a ne "koji je ovo odlomak i kojem stupcu pripada?" Kada alat za izdvajanje ispisuje prema koordinatama, ako nema pravila područja, tekst u lijevom i desnom stupcu može biti isprepleten.

Takvi se problemi ne moraju nužno pojaviti tijekom faze identifikacije. Možda su sve riječi točno navedene, ali pogrešnim redoslijedom. Stoga bi ideja rješenja trebala biti usmjerena na razvrstavanje i zoniranje, a ne opetovano mijenjanje veza za prepoznavanje ili prijevod.

Prvo zadržite koordinate, a zatim razgovarajte o redoslijedu čitanja

Prije rješavanja problema s naručivanjem sačuvajte koordinate i izvornu stranicu teksta. Nemojte žuriti komprimirati cijelu stranicu u jedan dugi niz.

  • Zadržite četiri koordinate svakog bloka teksta kako biste olakšali kasniju prosudbu vlasništva nad područjem.
  • Zadržite broj izvorne stranice kako biste olakšali praćenje i ručnu provjeru.
  • Nakon što se regionalne informacije izgube, sljedeći prijevodi dobit će pogrešan kontekst, a promjena modela prijevoda to možda neće moći ispraviti.

sort=Istina vrijedi pokušati, ali ne razumije izgled

PyMuPDF pruža različite oblike ekstrakcije kao što su tekst, riječi, blokovi itd. Specifična obrada sort-a razlikuje se ovisno o vrsti i verziji izlaza. Ne može se općenito opisati kao fiksni algoritam za slaganje slova, niti se može obećati da će vratiti redoslijed čitanja svih dokumenata.

Prijedlozi za korištenje su sljedeći:

  • Za stranicu s pravilima prvo možete usporediti rezultate uključivanja i isključivanja sortiranja.
  • Za stranice s naslovima u više stupaca, bočnim bilješkama i fusnotama, regionalni odnos mora se ponovno provjeriti.
  • PDF može sadržavati strukturne oznake, ali to ne znači da će vam trenutno korišteno sučelje za izdvajanje automatski dati semantičko stablo odlomaka koje vam je potrebno.

Ovaj članak ne implementira univerzalno prepoznavanje izgleda, već samo pokazuje "kako sortirati prema postojećim regionalnim pravilima" i jasno objašnjava granice mogućnosti. Za sučelje i obrazac za izdvajanje pogledajte PyMuPDF službeni vodič za ekstrakciju teksta.

Koristite pet sintetiziranih tekstualnih blokova da objasnite problem

Stranica primjera široka je 600 točaka, s granicom od 300 točaka između stupaca; unutar 80 točaka od vrha je područje naslova križnih stupaca, a ispod toga je područje teksta. Unos je namjerno šifriran: drugi odlomak u desnom stupcu je prvi, a prvi odlomak u lijevom stupcu dolazi zadnji. Svaka torka sadrži četiri koordinate pravokutnika i tekst. Ovo je pojednostavljena struktura definirana u svrhu demonstracije i nije ekvivalentna punoj povratnoj vrijednosti get_text("blocks").

Očekivani rezultat trebao bi biti: naslov, prvi odlomak u lijevom stupcu, drugi odlomak u lijevom stupcu, prvi odlomak u desnom stupcu, drugi odlomak u desnom stupcu. Blokovi teksta koji prelaze granice stupaca moraju ići na popis izuzetaka umjesto da budu tiho odbačeni ili ubačeni u lijevi stupac.

Mali primjer koji se može pokrenuti u potpunosti

Sljedeći primjeri koriste samo Python standardnu biblioteku. Kada se povezujete na PyMuPDF, možete zadržati prvih pet polja iz rezultata ekstrakcije blokova i prvo isključiti blokove koji nisu tekstualni. Primjer ne otvara vanjske datoteke, ne zahtijeva OCR i ne određuje automatski granice stupaca.

def order_known_layout(blocks, split_x=300, title_bottom=80):
    groups = {"title": [], "left": [], "right": []}
    rejected = []
    for block in blocks:
        x0, y0, x1, y1, text = block
        if x1 <= x0 or y1 <= y0:
            rejected.append(block)
            continue
        if y1 <= title_bottom:
            region = "title"
        elif y0 < title_bottom:
            rejected.append(block)
            continue
        elif x1 <= split_x:
            region = "left"
        elif x0 >= split_x:
            region = "right"
        else:
            rejected.append(block)
            continue
        groups[region].append(block)
    ordered = []
    for region in ("title", "left", "right"):
        ordered.extend(sorted(groups[region], key=lambda b: (b[1], b[0])))
    return [b[4] for b in ordered], rejected

sample = [(330, 160, 550, 190, "R2"), (40, 100, 270, 130, "L1"),
          (40, 20, 550, 50, "TITLE"), (330, 100, 550, 130, "R1"),
          (40, 160, 270, 190, "L2")]
ordered, rejected = order_known_layout(sample)
assert ordered == ["TITLE", "L1", "L2", "R1", "R2"]
assert rejected == []
wide = (40, 220, 550, 250, "FULL WIDTH BODY")
assert order_known_layout(sample + [wide])[1] == [wide]
assert order_known_layout([]) == ([], [])
print("known-layout examples: 3 assertions passed")

80 i 300 u primjeru dolaze iz postavki na ovoj složenoj stranici i nisu empirijski pragovi koji se primjenjuju na sve PDF-ove. Kada naiđete na promjene u širini lijevog i desnog stupca na sljedećoj stranici, korištenje parametara s prethodne stranice može uzrokovati "program radi normalno, ali sadržaj je pogrešan." Regionalna pravila trebaju slijediti stranicu, barem zabilježiti verziju pravila i veličinu stranice.

📊 Osnovna usporedba

Metoda obradešto se može učinitiNa što obratiti pozornost
Koristite sort=True izravnoIzvršite geometrijsko sortiranje po koordinatama. Prvo ga možete isprobati na stranici s pravilima.Nemojte razumjeti vlasništvo nad naslovima u različitim stupcima, bilješkama s strane i fusnotama
Poredaj na temelju koordinatne particijePrvo podijelite područje, a zatim pročitajte po odjeljcima kako biste olakšali pregled.Prag podjele ovisi o stranici i potrebno ga je provjeriti na temelju stranice.
Ručno označeni redoslijed čitanjaRezultat je najkontroliraniji i pogodniji za provjeru ključnih dokumenataVisoka cijena, pogodna za provjere na licu mjesta i usporedne analize

Nemojte samo provjeravati ima li grešaka tijekom prihvaćanja

Provjerite stavkeŠto vidjetiŠto učiniti kada se ne poklapa
Redoslijed područjaNakon naslova prvo cijeli lijevi stupac, a zatim cijeli desni stupacProvjerite pravila particije i nemojte krpati mijenjajući nizove
očuvanje sadržajaBroj prihvaćenih blokova plus broj odbijenih blokova jednak je broju ulaznih blokovaBlokirajte isporuku i provjerite postoji li gubitak tihog bloka
Tekst na poprečnoj tracipojaviti na listi odbijenihDodajte novi odjeljak s preprekama ili ga podnesite na ručnu procjenu
Rotirajte i obrežiteUlazni blok koristi isti koordinatni sustav kao i particijaPrvo ujednačite koordinate, a zatim procijenite uključivanje
Zaglavlje, podnožjeZasebno kategorizirano poslovnim pravilimaNemojte brisati sav donji tekst

Pravi papir također može imati strukturu poput ove: umetnite figuru s križnim stupcima u sredinu i ponovo pokrenite dvostruke stupce ispod figure. U ovom trenutku stranicu je potrebno najprije podijeliti na gornji i donji dio, a zatim ih zasebno sortirati. Jednokratne tri grupe particija u ovom članku nisu dovoljne. Smjer čitanja ovdje ne bi se trebao primjenjivati na kineski okomiti izgled, tekst zdesna nalijevo i složene marginalije.

🎯 Koja je metoda prikladna za vas?

ako ti……

  • Samo stranice s jednim ili dva stupca koje trebaju obraditi pravila: Prvo usporedite rezultate uključivanja i isključivanja sort, a zatim odlučite jesu li potrebna pravila particije.
  • Rukuj dokumentima s razdvojenim naslovima, slikama ili fusnotama: Podijeli stranice po odjeljcima i postavi popise izuzetaka za razdvojeni sadržaj.
  • Prijevod je potrebno dostaviti drugima: Sačuvajte koordinate i brojeve stranica i provjerite ih jednu po jednu prema listi prihvaćanja. Nemojte samo provjeravati postoje li pogreške tijekom operacije.
  • Ne želite sami održavati skripte: možete izravno koristiti gotove alate za prevođenje dokumenata i provjeriti prijevod pomoću istog skupa sekvencijalnih popisa za provjeru.

Kako primiti postupak prevođenja OmniDoca

Vrijednost samostalno izrađenih skripti leži u jasnom pisanju pravila prihvaćanja; vrijednost gotovih prevoditeljskih alata leži u smanjenju operativnih veza između datoteka i prijevoda. Nema sukoba između njih dvoje. OmniDoc (portal proizvoda) nudi portal za prevođenje dokumenata, a službena web stranica također uvodi funkcije kao što su OCR, glosar i dvojezična usporedba. Možete odabrati desenzibilizirani papir za koji imate dopuštenje za učitavanje i provjeriti prijevod pomoću istog sekvencijalnog popisa za provjeru.

Usredotočite se na provjeru sljedećih stavki:

  • Je li prva rečenica nakon naslova unakrsnog stupca pravilno povezana.
  • Jesu li opisi slika ugrađeni u tekst?
  • Preslikavaju li se reference fusnota na točnu lokaciju.

Ovo je procjena rezultata, a ne zaključak o internim algoritmima OmniDoca. Ako rezultati ne zadovoljavaju zahtjeve, molimo vas da zadržite izvornu stranicu i odjeljak s pogreškama, prvo saznajte leži li problem u procesu prepoznavanja, sortiranja ili prijevoda, a zatim odlučite kako ga ispraviti.

❓ Često postavljana pitanja (FAQ)

1. Serijski PDF s dva stupca, prepoznaje li se pogrešno?

neizvjestan. Sve se riječi mogu ispravno prepoznati, ali problem često leži u redoslijedu čitanja, pa prvo treba provjeriti sortiranje i regionalna pravila.

2. Može li sort=True izravno riješiti problem dvostrukog reda stupaca?

Ne može se generalizirati. Rukovanje sort-om varira s tipom izlaza i verzijom, on nije razumijevač izgleda i ne može obećati vraćanje redoslijeda čitanja svih dokumenata. Prvo možete isprobati stranicu s pravilima, a također morate provjeriti regionalni odnos za stranice sa sadržajem u više stupaca.

3. Zašto se cijela stranica ne može komprimirati u dugački niz?

Nakon što se izgube koordinate i podaci o području, naknadni prijevodi dobit će pogrešan kontekst, a promjena modela prijevoda to možda neće moći ispraviti.

4. Mogu li se 80 točaka i 300 točaka u primjeru koristiti izravno na drugim PDF-ovima?

ne može. To su samo postavke za ovu složenu stranicu. Kada se promijeni veličina stranice ili širina stupca, verziju pravila treba provjeriti i zabilježiti zasebno za svaku stranicu.

📝 Sažetak

Za probleme s narudžbama u PDF-ovima s dva stupca, koordinate i izvorne stranice prvo treba zadržati, zatim obraditi pomoću regionalnih pravila i provjeriti stavku po stavku prema popisu za provjeru prihvaćanja. Samoizgrađene skripte prikladne su za jasno pisanje pravila, a gotovi alati prikladni su za smanjenje operativnih veza. To dvoje se može koristiti zajedno.

Isprobajte sada: prenesite dokument za početak prijevoda, zadržavajući izvorni izgled

Ažurirano 2026-11-16