Označite PDF riječi za pretraživanje, zašto pravokutnik pogrešno uokviruje kurzivni tekst?
Kurzivni fontovi ne čine nužno područje traženog Quad-a manjim od pravokutnika koji ga okružuje. Kada trebate zadržati informacije o smjeru četiri ugla, izravno upotrijebite rezultat quads=True za dodavanje isticanja; nemojte koristiti nikakav prag razlike područja kako biste utvrdili je li isticanje ispravno.
Kada je polje za označavanje pretraživanja za kurzivni tekst iskrivljeno, to često nije zato što postoji problem sa samim fontom, već zato što je geometrijski objekt korišten za isticanje pogrešno odabran. Ovaj je članak namijenjen programerima koji koriste PyMuPDF za obradu pozicioniranja PDF teksta. Objašnjava zašto se okvirni pravokutnik (Rect) ne može koristiti za određivanje je li isticanje kurziva ili zakrenutog teksta ispravno i kako to postupiti u različitim situacijama.
Nakon što pročitate ovaj članak, možete odlučiti hoćete li koristiti Quad ili Rect za rezultate pretraživanja, znati kako postupiti bez pogodaka, križnih redaka, višestrukih pogodaka i CropBox obrezivanje prilikom pretraživanja te razumjeti koji su problemi izvan opsega geometrijskog pozicioniranja.
Cijeli tekst prikazan je sintetičkim uzorcima, a kod je prošao provjere uzoraka u izoliranom okruženju, ali to ne predstavlja jamstvo svih stvarnih datoteka ili učinaka proizvoda. Prije obrade važnih dokumenata, sačuvajte izvornike i zatim ih pregledajte u skladu s granicama i stavkama prihvaćanja u nastavku.
Za traženje isticanja kurzivnog teksta, odaberite Quad ili Rect? Zaključak jedne rečenice
Kurzivni font ne čini nužno Quad područje dobiveno pretraživanjem manjim od pravokutnika koji ga okružuje. Kada je potrebno zadržati informacije o smjeru u četiri ugla, izravno upotrijebite rezultate quads=True za dodavanje istaknutih dijelova. Nemojte koristiti bilo koji prag razlike područja kako biste utvrdili je li isticanje ispravno.
| vaša situacija | Preporučene prakse | razlog |
|---|---|---|
| Kurziv ili rotirani tekst, mora se sačuvati orijentacija u četiri ugla | Izravno upotrijebite rezultate quads=True za dodavanje istaknutih stvari | Quad zadržava informacije o orijentaciji u četiri kuta |
| Želim upotrijebiti prag razlike područja kako bih utvrdio je li isticanje ispravno. | nemoj to raditi | Kurzivni font ne smanjuje nužno Quad područje, a procjena praga je nepouzdana. |
| Pojmovi za pretraživanje protežu se kroz retke i motor ih ne prepoznaje kao istu jedinicu vokabulara. | Zadržite sve vraćene Quad fragmente i iscrtajte istaknute dijelove pojedinačno | Prisilno spajanje u Rect izgubit će semantiku bijelog prostora u sredini. |
| Stranica ima CropBox obrezivanje | Provjerite je li sadržaj još uvijek unutar vidljivog područja nakon vraćanja CropBoxa | Koordinate koje vraća search_for temelje se na nerotiranom originalnom prostoru stranice i ne može se pretpostaviti da get_text zanemaruje izrezano područje prema zadanim postavkama |
| Više pogodaka | Čuvajte brojeve stranica stavku po stavku i obrađujte ih jednu po jednu | Samo obrada prvog će propustiti preostale pozicije |
Zašto se tekst u kurzivu neispravno prikazuje?
Mnogi će ljudi prema zadanim postavkama pretpostaviti da je okvirni pravokutnik kurzivnih znakova puno veći od Quad-a, pa će korištenje Rect-a za isticanje uzrokovati "odstupanje okvira". Zapravo, kurzivni font ne čini nužno područje traženog Quad-a manjim od pravokutnika koji ga okružuje, tako da nije pouzdano koristiti razliku područja za procjenu je li isticanje ispravno.
Ono što je stvarno potrebno je sačuvati informacije o orijentaciji četiri ugla. Događa se da Quad bilježi te informacije, a njegovo korištenje za izravno dodavanje isticanja pouzdanije je od korištenja pravokutnika koji ga okružuje za pogađanje oblika.
Primjer samostalne kompozicije
Pogledajte popis uvoza za primjer ovisnosti. Kod konstruira unos u memoriji i ne zahtijeva vanjske datoteke za pokretanje. Operativni zapisi dostavljaju se zasebno i ne predstavljaju jamstvo da su svi dokumenti autentični.
import pymupdf
with pymupdf.open() as source:
page = source.new_page(width=300, height=300)
page.insert_text((100, 250), "Searchable", fontsize=14, rotate=90)
hits = page.search_for("Searchable", quads=True)
assert len(hits) == 1
assert isinstance(hits[0], pymupdf.Quad)
page.add_highlight_annot(hits)
assert page.search_for("Missing", quads=True) == []
raw = source.tobytes()
with pymupdf.open(stream=raw, filetype="pdf") as doc:
page = doc[0] # Keep the owning page alive while using annotations.
annotations = list(page.annots())
assert len(annotations) == 1
assert len(annotations[0].vertices) == 4
Ispravna obrada izlaza i graničnog ulaza
Gornji sintetički primjer generira PDF u memoriji koji se koristi za provjeru ponašanja Quada. Ispod je nekoliko uobičajenih graničnih unosa.
1. Riječi za pretraživanje protežu se kroz retke
Ako se pojam za pretraživanje proteže u novom retku i motor ga ne prepoznaje kao istu jedinicu vokabulara, search_for može vratiti prazan popis ili pronaći samo djelomične fragmente.
- Nemojte prisilno spajati više nesusjednih kvadrata u jedan pravokutnik, jer ćete izgubiti semantiku praznih područja između.
- Zadržite sve vraćene Quad segmente i crtajte istaknute dijelove zasebno.
2. Pojmovi za pretraživanje sadrže obične posebne znakove
Ako vaši pojmovi za pretraživanje sadrže uobičajene posebne znakove bez izbjegavanja, rezultati možda neće biti očekivani. Ulazni niz treba sigurno obraditi prije poziva.
3. CropBox obrezivanje
Ako stranica ima CropBox obrezivanje, koordinate koje vraća search_for ostaju temeljene na izvornom nerotiranom prostoru stranice. Nakon vraćanja CropBoxa, provjerite je li sadržaj još uvijek unutar vidljivog područja; nemojte pretpostavljati da get_text prema zadanim postavkama ignorira područje za obrezivanje.
Kriteriji prihvaćanja i granice ručnog pregleda
Ovo rješenje rješava samo problem geometrijskog pozicioniranja. Sljedeće situacije ne spadaju u pitanje izbora Quad naspram Rect izbora:
- Oštećenje tekstualnog sloja samog PDF-a;
- Anomalije ugrađivanja fontova;
- Prisutnost skrivenih slojeva.
U takvim slučajevima, rezultati search_for-a možda uopće nisu pouzdani i trebaju se ručno pregledati ili ponovno pregledati. Primjer koda provjerava samo geometrijska svojstva; učinci od početka do kraja i dalje se moraju evaluirati u svjetlu specifičnih vrsta dokumenata.
Specifične odluke o postupanju s iznimkama
| Promatranje | Što treba učiniti? | i ne treba ih osuđivati |
|---|---|---|
| Pretraga nije dala rezultate | Provjerite tekstualni sloj i ključne riječi | Ne stvaraju se prazni istaknuti elementi |
| Rotirajte tekst | Zadrži četiri kuta Quada | Točnost se ne procjenjuje na temelju razlika u površini |
| i na mnogim mjestima pogodio je bit | Zadrži brojeve stranica stavku po stavku | Nemojte se baviti samo prvim |
📊 Usporedba jezgre
| Objekt | Informacije koje se mogu sačuvati | Primjenjivi scenariji | Bilješke |
|---|---|---|---|
| Quad | Smjer četiri kuta | Kurziv i rotirajući tekst zahtijevaju precizno označavanje | Izravno koristite rezultate quads=True |
| Pravokutnik (vanjski pravokutnik) | Vanjski kontaktni domet | Jednostavan odabir horizontalnog teksta | Kurziv ili rotirajući tekst može biti izvan okvira i nije prikladan za provjeru točnosti |
| Spojeni ispravak | Opći opseg | Nije preporučljivo za pretraživanje između redaka | To će izgubiti značenje praznih područja u sredini |
🎯 Koja ti metoda najviše odgovara?
Ako ......
- Kutovi teksta moraju biti sačuvani: Izravno koristite rezultate
quads=Trueza dodavanje istaknutih dijelova. - Želite procijeniti je li isticanje ispravno prema pragu razlike u površini: Nemojte to raditi; kurzivni fontovi ne moraju nužno smanjiti kvadratnu površinu.
- Ako naiđete na pojmove za pretraživanje koji prelaze linije: Sačuvajte sve Quad segmente, označite ih zasebno i nemojte ih spajati u jedan Rect.
- Rukovanje stranicama s cropBox izrezivanjem: Nakon vraćanja CropBoxa, provjerite je li sadržaj još uvijek unutar vidljivog područja.
Koristite ovaj kontrolni popis za prijevod dokumenata
Prvo temeljito provjerite redoslijed stranica, lokaciju izvora i integritet teksta, zatim predajte isti uzorak desenzitizacije u proces prevođenja. Nakon prijevoda, i dalje biste trebali provjeriti odgovaraju li naslov, glavni tekst i natpisi ispravno; ne možete samo gledati je li tekst tečan.
OmniDoc (unos proizvoda) nudi portale za prijevod dokumenata u više formata, a njegova službena web stranica uvodi OCR, terminologiju 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 biblioteke ili interne algoritme spomenute u ovom članku, niti primjeri ne mijenjaju testiranje performansi proizvoda.
Reference
❓ Često postavljana pitanja (FAQ)
1. Čini li kurziv nužno manji područje kvadrata?
Ne nužno. Kurzivni glifovi ne moraju nužno dati manju kvadratnu površinu od vanjskog pravokutnika, pa se ne možete oslanjati na razlike u površinama da biste utvrdili je li isticanje ispravno.
2. Kada biste trebali čuvati informacije o kutu kvada?
Ako trebate zadržati informacije o smjeru za četiri kuta, trebali biste izravno koristiti rezultate quads=True za dodavanje isticanja.
3. Što učiniti ako pojam za pretraživanje prelazi granice i ne pogodi cilj?
Nemojte stvarati prazne istaknute dijelove; prvo provjerite tekstualni sloj s ključnim riječima. Ako se vrati samo dio fragmenta, svi vraćeni Quad fragmenti trebaju se zadržati i istaknuti zasebno, umjesto da se prisilno spajaju u jedan Rect.
4. Na što trebate obratiti pažnju prilikom obrezivanja stranice pomoću CropBoxa?
Koordinate koje vraća search_for i dalje se temelje na izvornom nerotiranom prostoru stranice. Nakon vraćanja CropBoxa, provjerite je li sadržaj još uvijek unutar vidljivog područja; nemojte pretpostavljati da get_text prema zadanim postavkama ignorira izrezano područje.
📝 Sažetak
Isticanje kurziva i rotiranje teksta trebaju se temeljiti na kvadratu, a brojevi stranica i informacije o kutovima trebaju se zadržati za svaki predmet. Problemi poput oštećenja tekstualnog sloja i abnormalnog ugrađivanja fontova i dalje zahtijevaju ručni pregled ili ponovni OCR.


