A PDF-hez OCR szükséges? Használja a PyMuPDF-et az oldalról oldalra történő előzetes ellenőrzéshez a teljes újrafelismerés helyett
Ha szeretné OCR-be írni a PDF-fájlt, nincs szükség a teljes PDF-fájl újbóli felismerésére. A PyMuPDF segítségével oldalanként határozza meg, hogy van-e szövegréteg, és hogy az egész oldalas kép-e, és csak azokat az oldalakat küldje el, amelyek valóban szükségesek a felismeréshez. Futtatható minták, forgóoldaltesztek és ághatár-utasítások mellékelve vannak.
Amikor sok csapat PDF-fordítással vagy archiválással foglalkozik, megszokták, hogy a teljes dokumentumot „beolvasott"vagy „másolható"felirattal látják el a bejáratnál. Egy 300 oldalas PDF-nek az első 280 oldala lehet szöveges rétegekkel, és csak az utolsó 20 oldal szkennelt mellékletként. Ha egész részekre osztályozzák, a teljes OCR megnöveli a várakozási időt, és tévesen azonosíthatja az eredetileg helyes számokat. Másrészt, ha csak a kezdőlapon tud szöveget másolni, és az összes oldalon kihagyja az OCR-t, az is kockázatos.
Megbízhatóbb megközelítés az, ha hagyjuk, hogy minden oldal továbblépjen a következő lépésre az előzetes ellenőrzés eredményeivel. Ez a cikk egy konzervatív háromirányú felosztást valósít meg: közvetlen kivonás, küldés az OCR-jelölt várólistába és kézi ellenőrzés. Ez egy értelmezhető mérnöki heurisztika, nem egy univerzális osztályozó a szövegminőség megítélésére. Az olvasás után egy oldalról oldalra futtatható preflight programot kaphat, valamint elterelési határokat és gyakori hibakezelési ötleteket.
Egy mondatos következtetés
Nem kell megítélni, hogy a PDF-hez OCR-re van-e szükség. Használja a PyMuPDF-et az oldalról oldalra történő előzetes ellenőrzéshez, és csak azokat az oldalakat küldje el az OCR-nek, amelyeket valóban fel kell ismerni.
| a helyzeted | Ajánlott gyakorlatok | ok |
|---|---|---|
| Vonjon ki legalább 40 nem szóköz karaktert egyetlen oldalról | Közvetlen kivonás (TEXT_CANDIDATE) | Már van elég karakter, de még mindig meg kell találnia a rejtett rossz OCR rétegeket |
| Kevesebb, mint 40 szó és egyetlen kép, amely az oldal legalább 70%-át fedi le | Küldés az OCR jelöltek sorába | Az egész oldalas szkennelés alkalmas az azonosításra, de a tiszta fényképek is elegendőek. |
| Üres oldal, vektortípus, ritka cím vagy összetett rejtvény | Kézi ellenőrzés (REVIEW) | Ezeket a helyzeteket nem lehet megbízhatóan besorolni az első két kategóriába, és nem lehet automatikusan kihagyni vagy elvetni. |
| 300 oldalas hibrid dokumentum | Előzetes ellenőrzés oldalról oldalra, nem teljes a feldolgozás | Kerülje el az összes oldal OCR-jét néhány beolvasott melléklet miatt, vagy ne hagyja ki az összes OCR-t, mert szöveg van a kezdőlapon |
Megjegyzés: A képen látható tartalom az alábbi kód által generált szintetizált PDF-ből származik, nem az ügyfélfájlból vagy az OmniDoc felületről. A képoldal szövege raszteres pixelekből áll; a szövegoldalon lévő szövegnek valódi szövegrétege van.
Döntse el, mit kell először ellenőriznie
Itt két jelet használunk: a szövegkarakterek számát a szóköz eltávolítása után, és azt, hogy az oldal területéből a legnagyobb kép az oldalon. Az előbbi azt válaszolja: "Elég karaktert sikerült kinyerni?" ez utóbbi pedig segít megkülönböztetni a teljes oldalas beolvasást az üres oldaltól. A képterület először metszi a vágómezőt, nehogy túllépje a kép nagyítási arányát az oldalon.
| megfigyelés | A cikk eltérítése | Még mindig kell figyelni |
|---|---|---|
| Legalább 40 nem szóköz karakter | TEXT_CANDIDATE | A rejtett rossz OCR rétegek is sok szót tartalmazhatnak |
| Kevesebb, mint 40 szó és egyetlen kép, amely legalább 70%-ot fed le | OCR_CANDIDATE | A tiszta fotók is megfelelnek a feltételeknek, előfordulhat, hogy az OCR-nek nincs értelme |
| A többi eset | ÁTTEKINTÉS | A szóköz, a vektortípus, a ritka címek és az összetett rejtvények mind lehetségesek |
A 40-es és 0,70-es küszöbértékek célja, hogy könnyen ellenőrizhetővé tegyék ezt a tesztkészletet, és nem többnyelvű szabványok. A kínai, a képlet, a borító és a rövid formákat külön kell kalibrálni. Itt a legnagyobb területű kép készül, ahelyett, hogy egyszerűen hozzáadnák az átfedő képek területeit, így a több képből álló szkennelt oldal az ÁTTEKINTÉS funkcióba kerülhet. Ez egy szándékosan fenntartott határ.
Teljes futtatható példa
A minta aPyMuPDF==1.28.0 kódot használja, nem támaszkodik a Tesseractre, és nem hív fel online OCR- vagy fordítószolgálatot. Mentse el example.py néven, és futtassa egy üres könyvtárban. Az általa létrehozott fájlnév routing-fixture.pdf. Kérjük, ne írja felül a bemeneti fájlt valós projektekben.
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))
Az OCR elérésekor a TextPage gyorsítótárazásra kerül a sikerjel helyett.
A PyMuPDF OCR felülete page.get_textpage_ocr(...). A Tesseact és a megfelelő nyelvi adatokat külön kell elkészíteni. Miután megkapta a TextPage-et, azt textpage paraméterként kell átadni a későbbi kibontás során, hogy elkerülje ugyanazon oldal ismételt felismerését. Kérjük, tekintse meg a PyMuPDF OCR dokumentum-t a speciális telepítési módszerekről és paraméterekről.
Ez a cikk nem futtatta az OCR-motort, így a teszteredmények csak azt bizonyítják, hogy az átirányítási logikát és a koordinátákat helyesen használják, és nem a kínai felismerési arányt, a tábla helyreállítási arányát vagy a fordítási minőséget tükrözik. Az OCR-motor verzióját, a nyelvi csomagot, az oldalszámot, a beviteli fájl összefoglalóját és a kézi ellenőrzési eredményeket rögzíteni kell az éles környezetben. Ne csak az utolsó karakterláncot tartsa meg, különben nehéz lesz megmagyarázni, hogy egy bizonyos szám melyik oldalról származik.
Háromféle hiba, amelyeket a legkönnyebben lehet kihagyni
A rejtett szövegrétegek lehetnek zavaros szövegek. A karakterszám betartása csak azt jelenti, hogy "folytathatod a kivonást." Ellenőrizned kell azt is, hogy a lecserélt karakterek, duplikált sorok és kulcsmezők megfelelnek-e a renderelésnek. A kulcsfontosságú elemeket, mint a szerződés száma és az összeg, véletlenszerűen kell ellenőrizni.
A vektorút által rajzolt szöveg sem szöveg, sem kép. A FELÜLVIZSGÁLAT (ÉRTÉKELÉS) belépnek. Ne jelölje automatikusan az oldalakat üresnek, és ne dobjon el csendben az oldalakat.
A Dokumentum lezárása után az oldal használata érvénytelen objektumot eredményez. Kérjük, tartsd meg a with pymupdf.open(...) hatókörét, és csak az előellenőrzés, renderelés és kinyerés után engedjék ki a fájlt. További részletekért a koordinátákról, képinformációkról és az oldal életciklusáról lásd a PyMuPDF Page API oldalt.
Az ingatlan PDF-eknek különálló folyamatban be kell állítaniuk a fájlméretet, az oldalszámot, a renderelési pixeleket, az időt és a memória korlátait. A példa csak kis fájlokat tesztel, és nem biztosít sandboxot rosszindulatú fájlok számára. A PyMuPDF elkészítése és használata előtt ellenőrizd a licencfeltételeit és a terjesztési módszert is.
Átmenet a Streamsről a Fordítási Munkafolyamatra
A minősített kimenet nem szövegsorozat, hanem egy bejegyzés oldalszámokkal és döntés indokaival. Fordítás előtt ellenőrizd, mely oldalakat lehet megbízhatóan kinyerni; A fordítás után a tartalmat, számokat és elrendezést áttekintik. A dokumentumfeldolgozó szolgáltatásokat a OmniDoc termék bejegyzés oldalon is megtekintheted. A cikkben szereplő helyi program önállóan fut, és nem támaszkodik OmniDoc fiókra, és ez sem jelenti azt, hogy belső szorzatalgoritmus lenne.
📊 Alap összehasonlítás
| Útvonal | Kiváltó körülmények | Megfelelő oldal | Főbb kockázatok |
|---|---|---|---|
| Közvetlen kivonás (TEXT_CANDIDATE) | Legalább 40 nem szóközös karakter | A meglévő szövegréteg törzsoldala | A rejtett rossz OCR rétegek zavaros szöveget tartalmazhatnak |
| OCR jelöltek (OCR_CANDIDATE) | Kevesebb mint 40 szó, egyetlen kép legalább 70%-ot fed le | Teljes oldalas beszkennelt példány | A tiszta fotók is megfelelnek a követelményeknek, de az OCR eredmények nem feltétlenül jelentősek |
| Kézi ellenőrzés (ÁTTEKINTÉS) | Nem felel meg a fenti két kategóriának | Üres oldalak, vektoros szöveg, szűk címek, összetett rejtvények | Manuális ítélet szükséges; a kihagyás vagy kidobás nem végezhető automatikusan |
🎯 Melyik módszer illik hozzád?
Ha ......
- Vegyes dokumentumokat kezelt, nagy minőségi különbségekkel az első és hátoldal között: oldalról oldalra előellenőrzés, mindegyik más-más útvonalra lép.
- Főként szerződések, pénzügyi dokumentumok és egyéb kulcsfontosságú számokat tartalmazó dokumentumok kezelése: TEXT_CANDIDATE. oldalnál véletlenszerűen ellenőrizd a számok és a megjelenítések közötti egyezést.
- Szkennelések kötött feldolgozása: Record engine verziók, nyelvcsomagok és oldalszámok az OCR eredményekhez a könnyű nyomon követhetőség érdekében.
- PDF-ek ismeretlen forrásból történő fogadása: Állítsunk be erőforrás-korlátokat önálló folyamatokban; ne dolgozd fel őket közvetlenül a fő folyamatban.
❓ Gyakran Ismételt Kérdések (GYIK)
1. A kezdőlap képes szöveget másolni; kihagyhatom az OCR folyamatot az egész PDF esetében?
Nem, nem lehet. Az, hogy az első oldalon van szövegréteg, nem jelenti azt, hogy a következő oldalakon is vannak ilyenek; oldalról oldalra kell megítélni.
2. Miért nem adnád össze közvetlenül a képterületet?
Ha területenként hozzáadjuk az átfedő képeket, túlbecsüli a lefedettségi arányt. Ez a cikk a legnagyobb képet veszi fel területenként, így a több képből összefűzött beolvasztott oldalak a REVIEW (ÉRTÉKELÉS) részbe kerülhetnek, ami szándékos határ.
3. Ha a karakterszám eléri a 40-et, az azt jelenti, hogy a szövegminőség rendben van?
Így nem lehet így levonni. A rejtett rossz OCR rétegekben is sok karakter lehet, így még mindig ellenőrizni kell a helyettesítő karaktereket, duplikált sorokat és kulcsfontosságú mezőket kell megfigyelni.
4. Hogyan kellene kezelni a vektoros útvonalakban rajzolt szöveget?
Ezek sem szöveg, sem képek, beírják a REVIEW (REVIEW) gombra, és manuálisan ítélik meg őket; nem szabad automatikusan üres vagy néma ledobott oldalaknak jelölni őket.
5. A helyi program OmniDoc fiókra támaszkodik?
Nem függ. A cikkben szereplő helyi program önállóan működik, és nem hív semmilyen online OCR-t vagy fordítószolgáltatást.
📝 Összefoglaló
Először is oldalról oldalra hagyjon bizonyítékot, mielőtt eldöntené, hogy elvégzi-e az OCR-t. A bizonytalan oldalakat a sorban hagyni hatékonyabb, mint a bizonytalan eredményeket sikernek álcázni.


