Kako dohvatiti iznos u PDF-u, njegov položaj na stranici
Ovaj članak demonstrira korištenje PyMuPDF-a za lociranje ponovljene količine teksta unutar određenog pravokutnika. Raščlanjivanjem prvih pet polja okteta riječi i provjerom broja kandidata mogu se izbjeći pogrešne procjene u spajanju fragmenata. Pruža primjere Pythona na razini memorije, strategije granične obrade i tablice prihvaćanja te daje praktične prijedloge za povezivanje s tijek rada prijevoda dokumenata OmniDoc.
Kako locirati duple iznose? Zaključak jedne rečenice
Kada je raspored fiksiran, prvo ograničite poznato područje, a zatim provjerite tekst, a broj kandidata prepustite pozivatelju na prosudbu. Lakše ga je protumačiti nego nastaviti gomilati regularne izraze, a manje je vjerojatno da ćete napraviti tihe pogreške.
| vaša situacija | Preporučene prakse | razlog |
|---|---|---|
| Isti iznos pojavljuje se na više mjesta na stranici | Ograničite pretragu na pravokutno područje gdje se nalazi poslovno polje i zatim pretražite | Pretraživanje cijelog teksta ne može odrediti koje je polje poslovno polje |
| Postoji više kandidata u području upita | Vrati sve kandidate u kombinaciji s oznakama ili ručnim razjašnjenjem | Programi ne bi trebali donositi odluke za poslovanje |
| Nema pogodaka u području upita | Označite razlog i provjerite izvornu stranicu, bez ispune nule | Pogrešna regija, podijeljeni iznosi ili nedostajući tekstualni slojevi mogu rezultirati nula pogodaka |
| Položaj okvira izgleda pomaknut | Eksplicitni transformacijski lanci za rotaciju, obrezivanje i skaliranje renderiranja | Miješanje prikazanih koordinata i ekstrahiranih koordinata uzrokovat će odstupanja |
Dva identična iznosa u jednom izvodu
1,200.00 se pojavljuje dva puta u izvodu: jednom u stupcu iznosa duga i jednom u tekstu opisa. Pretraživanje cijelog teksta ih može pronaći, ali ne može odlučiti za vas koje je poslovno područje.
Ako je izgled obrasca fiksan, obično ga je lakše protumačiti tako da se prvo ograniči poznato područje, a zatim pretraži tekst nego da se nastavi prilagođavati regularni izraz. Ključ nije "pronaći samo jednu kutiju", već tretirati i nulte pogotke i višestruke pogotke kao jasne rezultate i ne dopustiti programu da donosi neovlaštene odluke.
Ostavite poziciju riječi, ne samo teksta
PyMuPDF `page.get_text("words")` vraća zapis riječi s položajem, zajedničko polje je (x0, y0, x1, y1, text, block_no, line_no, word_no). Sljedeći primjer uzima samo prvih pet polja, a zadnja tri broja trenutno nisu uključena u regionalno filtriranje.
"Riječ" je ovdje fragment koji daje ekstraktor, koji nije nužno jednak riječi u lingvističkom smislu, niti je zajamčeno da će iznos uvijek biti potpuni fragment. 1,200.00 može biti rastavljen ili može imati susjedne oznake. Ovaj se članak bavi samo točnim podudaranjem potpunih fragmenata: radije bih predao zapise koji ne ispunjavaju uvjete za pregled nego ih tiho spojio u naizgled legalnu količinu.
Provjerite s dvije sintetičke stranice iste količine
Stvaramo novu PDF stranicu u memoriji i postavljamo istu količinu blizu okomitih koordinata 120 odnosno 420. Područje upita pokriva samo gornji iznos.
Točka umetanja teksta je položaj osnovne linije, a ne gornji lijevi kut tekstualnog okvira. Na visinu i širinu stvarnog okvira utjecat će font i veličina fonta, tako da se koordinate ne mogu čvrsto kodirati u fiksnu vrijednost.
Ispravan izlaz trebao bi ispunjavati dva uvjeta:
- Postoji samo jedan kandidat u području upita, a pravokutnik kandidata u potpunosti je uključen u područje.
- Nakon proširenja opsega upita na cijelu stranicu treba dobiti dva kandidata čime se ulazi u granu višeznačnosti.
Konačno, provjerite ima li nula pogodaka s nizom koji nije na stranici. Ovo je bliže ugovoru koji zahtijeva pravo sučelje nego samo demonstracija uspješnog pretraživanja.
Runnable code: predajte broj kandidata pozivatelju
Zavisnost je pymupdf, instalirajte i zaključajte verziju u testnom okruženju. Sljedeći kod ne pristupa mreži, ne piše datoteke i ne mijenja izvorni dokument kupca. Izrađuje samo pokazni PDF.
import pymupdf
def locate(page, target, query):
query = pymupdf.Rect(query)
candidates = []
for word in page.get_text("words"):
x0, y0, x1, y1, text = word[:5]
box = pymupdf.Rect(x0, y0, x1, y1)
if text == target and query.contains(box):
candidates.append(tuple(box))
return candidates
def decide(candidates):
if len(candidates) == 0:
return "missing"
if len(candidates) > 1:
return "ambiguous"
return "unique"
with pymupdf.open() as doc:
page = doc.new_page(width=595, height=842)
page.insert_text((80, 120), "1,200.00", fontsize=11)
page.insert_text((80, 420), "1,200.00", fontsize=11)
query = pymupdf.Rect(72, 100, 300, 150)
local = locate(page, "1,200.00", query)
assert decide(local) == "unique"
assert query.contains(pymupdf.Rect(local[0]))
assert decide(locate(page, "1,200.00", page.rect)) == "ambiguous"
assert decide(locate(page, "999.99", query)) == "missing"
print("unique / ambiguous / missing cases passed")
contains zahtijeva potpuno uključivanje, a ne samo dodirivanje ruba regije. Ako je okvir za upit pretijesan, bočni iznosi mogu pasti na nula pogodaka, što nije razlog zašto bi se trebao automatski proširiti na cijelu stranicu. Trebali biste provjeriti koordinatni sustav koji se koristi prilikom mjerenja područja prije nego što odlučite kako prilagoditi raspon.
Ako posao dopušta da središnja točka padne, treba napisati dodatna pravila i napraviti dodatne testove za preklapanje granica. Nemojte tajno mijenjati značenje presude u istoj funkciji.
Proizvodna logika ne bi se trebala oslanjati isključivo na assert za presretanje iznimaka, jer načini optimizacije mogu ukloniti tvrdnje. Tvrdnje u primjeru koriste se za regresijsku provjeru. Prilikom stvarnog pristupa redu čekanja zadataka, trebaju se koristiti jasna uvjetna grananja i poslovna stanja.
Tri rezultata, tri metode obrade
Rezultati upita obično se dijele u tri kategorije, od kojih svaka zahtijeva različite radnje obrade:
- Samo jedan pogodak: Postoji samo jedan kompletan odgovarajući fragment u području, spremajući broj stranice, izvorni tekst, pravokutnik i verziju pravila.
- Nulti pogodak: Možda je područje pogrešno, iznos je podijeljen ili nedostaje sloj teksta. Označite kandidata za uzrok, provjerite izvornu stranicu i nemojte dodavati nule.
- Višestruki pogoci: Postoje dvostruki iznosi u istom području ili je predložak promijenjen, vratite sve kandidate, kombinirajte oznake ili ručno razjašnjenje.
Druge dvije situacije također se moraju rješavati odvojeno:
- Postoji okvir, ali je vrijednost pogrešna: sam tekstualni sloj može biti pogrešan ili je cilj koji se podudara pogrešan. Trebali biste se vratiti na izvornu stranicu kako biste provjerili i spriječili da koordinate potvrđuju vrijednost.
- Pomak koji izgleda kao okvir: koordinate prikaza i koordinate ekstrakcije mogu biti pomiješane, a lanac transformacije rotacije, obrezivanja i skaliranja prikazivanja mora biti jasan.
📊 Osnovna usporedba
| Metoda upita | Kriteriji prosudbe | treba pozornost |
|---|---|---|
| Potpuna uključenost (usvojen primjer) | Kandidatni pravokutnik je u potpunosti smješten unutar područja upita | Ako je upitni okvir preuzak, količina blizu ruba može biti nula pogodaka |
| Pad središnje točke (potrebna su posebna pravila) | Središnja točka za kandidate nalazi se unutar tog područja | Preklapanje granica zahtijeva zasebno dodatno testiranje |
| Upit preko cijele stranice | Pretraži sve kandidate | Rezultati su uglavnom dvosmisleni i zahtijevaju označavanje ili ručnu daljnju procjenu |
Ovo nije univerzalni ekstraktor količine
Kod ne parsira valutu, tisuće razdjelnika niti decimalna pravila, niti prepoznaje semantiku poput "tekućeg razdoblja plaćanja" ili "stanja prethodnog razdoblja". Samo zato što postoji samo jedan kandidat ne znači da je tvrtka ispravna.
Skenirana kopija također prvo mora prikupiti dostupni tekst i pozicije. Stranice s tekstualnim slojevima, ali neispravnim sadržajem, ne mogu se odobriti samo zato što su "kopirajuće".
Ovaj članak koristi nerotiranu kompozitnu stranicu. Kada se stvarna stranica rotira, prvo odredite je li okvir za upit s prikaznog zaslona ili s izdvojenih koordinata, i po potrebi pretvorite. Nemojte množiti s matricom bez obzira na izvor.
Prilikom spremanja izvornih stranica, razlikujte indekse temeljene na nuli i brojeve stranica usmjerene prema ljudima kako biste izbjegli pogrešan zaključak da dokazi postoje nakon otvaranja susjednih stranica.
🎯 Koji ti pristup najviše odgovara?
Ako trebate dohvatiti brojeve iz fiksnih rasporednih obrazaca
Prvo ograničite područje na kojem se nalazi poslovno polje, zatim potražite iznos i spremite broj stranice, pravokutnik i verziju pravila.
Ako naiđete na više kandidata
Nemojte birati samo prvi; vratite sve kandidate i odredite poslovno područje na temelju oznaka ili ručne procjene.
Ako vaša stranica često doseže nulu
Prvo provjerite jesu li koordinate područja, količina podijeljene i postoji li sloj teksta, zatim odlučite hoćete li prilagoditi opseg ili prijeći na drugu rutu ekstrakcije.
Ako želite prevoditi dokumente
Ključni detalji poput količine, datuma i količine uključeni su u ručni pregled, s jasnom podjelom rada između tehničkog i ručnog pregleda.
Ostavite ključne brojeve za pregled nakon prijevoda
Prevođenje dokumenata ne bi se smjelo temeljiti samo na tečnosti rečenica, već i na ključnim stavkama poput količine, datuma i količine. OmniDoc (Portal proizvoda) nudi više portala za prijevod dokumenata, a dvojezična usporedba uvedena na službenoj web stranici može poslužiti kao portal za pregled; Skripte za koordinatno pozicioniranje prikladne su za očuvanje izvornih dokaza i pomoć u lociranju problematičnih područja.
Preporučuje se prvo procijeniti koristeći uzorke desenzitizacije koji imaju pravo na učitavanje. Nakon što prijevod postane duži, položaj sadržaja može se razumno promijeniti, a "stare i nove koordinate su točno iste" ne bi se trebalo smatrati čvrstim uvjetom za ispravan prijevod.
Vrijednije provjere su: zadržava li se iznos, je li valuta čista i upućuju li odgovarajuće oznake i dalje na isto poslovno značenje.
❓ Često postavljana pitanja (FAQ)
1. Zašto jednostavno ne uzeti prvi dim?
Jer pretraživanje punog teksta može vam reći samo gdje se iznos pojavljuje, a ne koji dio je poslovno polje. Izravnim prvim udarcem rezultat izgleda ispravno, ali izvor možda već nije u pravu.
2. Zašto upitni okvir zahtijeva potpuno uključivanje umjesto da samo dodiruje rub?
Primjer koristi potpuno uključenu metodu prosuđivanja kako bi se izbjegli tretirati nepotpuni segmenti kao valjani rezultati. Ako je upitni okvir preuzak i uzrokuje nula pogodaka, prvo provjerite koordinatni sustav i raspon, umjesto da automatski proširite na cijelu stranicu.
3. Što trebate učiniti kada je rezultat upita nula?
Označite kandidata po razlogu i provjerite izvornu stranicu, bez nula. Neispravna područja, podijeljene količine ili nedostajući slojevi teksta mogu uzrokovati nula rezultata.
4. Može li se ovaj kod koristiti izravno na pravim novčanicama?
Ne može se koristiti izravno. Primjeri ne obrađuju valutu, tisuće separatora ili poslovnu semantiku, a sintetički primjeri u ovom članku ne predstavljaju testove točnosti za stvarne novčanice.
📝 Sažetak
Prilikom određivanja iznosa, prvo definirajte područje, a zatim navedite puni broj kandidata pozivatelju na procjenu. I nula i višestruki udarci trebaju imati jasne radnje rukovanja. Prvo se pravila potvrđuju s maskiranim uzorcima, a zatim postupno integriraju u stvarni dokument.
Isprobajte sada: Prenesite svoj dokument da biste započeli prijevod, čuvajući izvorno oblikovanje


