Miért történik a kétoszlopos PDF kibontása sorozatosan? Először tartsa meg a koordinátákat, majd beszéljen az olvasási sorrendről
Magyarázza el, hogy a kétoszlopos PDF-szövegszerializálás a formátum szemantikai szerkezetének hiányából fakad, és tisztázza, hogy a rendezési paraméter csak geometriai rendezés. A koordináta-particionáláson alapuló szintetikus Python-példa bemutatja a szekvencia-újraszervezési logikát, tisztázza az alkalmazható határokat és a kézi áttekintés piros vonalait, és biztosít egy pragmatikus elfogadási utat, amely összeköti az OmniDoc fordítási munkafolyamatot.
A kéthasábos PDF-fájlokból kinyert szövegsorozatokat a rendszer gyakran nem ismeri fel hibásan, hanem rossz sorrendben olvassa be. Ez a cikk azoknak az olvasóknak szól, akiknek szöveget kell kivonniuk kéthasábos PDF-fájlokból, például papírokból és jelentésekből, majd le kell fordítaniuk vagy rendszerezniük kell azokat.
Az olvasók általában találkoznak ezzel a helyzettel: a bal oldali oszlop felénél a következő mondatot a képletmagyarázat követi a jobb oszlopban. Lehetséges, hogy a karakterek mindegyike helyesen felismerhető, de a sorrend megszakad. Ez a cikk először elmagyarázza, hogy miért történik sorosozás, majd egy szintetikus példával bemutatja, hogyan lehet koordinátákkal particionálni és átszervezni a sorrendet. Végül megadja az alkalmazandó határokat és az elfogadási listát, hogy megkönnyítse annak megítélését, hogy használható-e a saját fájljaiban.
Miért kerül sor a kétoszlopos PDF kibontására? Egy mondatos következtetés
Először tartsa meg a koordinátákat és a forrásoldalt, majd rendezze a regionális szabályok szerint. Ne tömörítse közvetlenül az egész oldalt egy hosszú karakterláncba.
| a helyzeted | Ajánlott gyakorlatok | ok |
|---|---|---|
| Közönséges kéthasábos papír, szövegsorosozás | Először olvassa el egy szakasz bal oldali oszlopát, majd olvassa el a jobb oldali oszlopot | A soronkénti összeillesztés tönkreteszi a bekezdéseket |
| Csak egy gyors próbát akartam tenni | Hasonlítsa össze a sort be- és kikapcsolásának eredményeit | A sort csak geometriai rendezést végez, szabályoldalakhoz alkalmas |
| Az oldalakon oszlopok közötti címek, széljegyzetek és lábjegyzetek találhatók | Folytassa régiónként külön-külön, és ellenőrizze a regionális kapcsolatokat | A geometriai rendezés önmagában nem tudja meghatározni ezeknek a tartalmaknak a hozzárendelését. |
| Át kell adni a fordítási modellnek | Őrizze meg a koordinátákat és az oldalszámokat, először rendezze a sorrendet, majd fordítsa le | A rossz sorrendű összefüggéseket még a modell megváltoztatásával is nehéz orvosolni. |
Miért rossz a sorrend?
A PDF a szöveg egyes bekezdéseinek pozícióját rögzíti, nem azt, hogy "ez melyik bekezdés és melyik oszlopba tartozik?" Amikor a kivonatoló eszköz koordináták alapján adja ki a kimenetet, ha nincsenek területszabályok, a bal és a jobb oldali oszlopok szövege váltott soros lehet.
Ilyen problémák nem feltétlenül merülnek fel az azonosítási szakaszban. Lehet, hogy a szavak mind helyesen vannak megemlítve, de rossz sorrendben. Ezért a megoldási ötletnek a rendezésre és a zónákra kell összpontosítania, nem pedig a felismerési vagy fordítási hivatkozások többszöri megváltoztatására.
Először tartsa meg a koordinátákat, majd beszéljen az olvasási sorrendről
A rendezési feladat megoldása előtt őrizze meg a szöveg koordinátáit és forrásoldalát. Ne rohanjon az egész oldalt egyetlen hosszú karakterláncba tömöríteni.
- Tartsa meg minden szövegblokk négy koordinátáját, hogy megkönnyítse a terület tulajdonjogának későbbi megítélését.
- Tartsa meg a forrásoldal számát a visszalépés és a kézi ellenőrzés megkönnyítése érdekében.
- A regionális információk elvesztése után a későbbi fordítások rossz kontextust kapnak, és előfordulhat, hogy a fordítási modell megváltoztatása nem orvosolja ezt.
sort=Az igaz, érdemes kipróbálni, de nem az elrendezés megértése
A PyMuPDF különféle kivonatolási formákat biztosít, például szöveget, szavakat, blokkokat stb. A sort speciális feldolgozása a kimenet típusától és verziójától függően változik. Általánosságban nem írható le rögzített betűszedési algoritmusnak, és nem ígérhető, hogy visszaállítja az összes dokumentum olvasási sorrendjét.
A felhasználási javaslatok a következők:
- A szabályok oldalon először összehasonlíthatja a rendezés be- és kikapcsolásának eredményeit.
- Az oszlopok közötti címeket, széljegyzeteket és lábjegyzeteket tartalmazó oldalak esetében ismét ellenőrizni kell a regionális kapcsolatot.
- A PDF tartalmazhat szerkezeti címkéket, de ez nem jelenti azt, hogy a jelenleg használt kivonatoló felület automatikusan megadja a szükséges szemantikai bekezdésfát.
Ez a cikk nem valósítja meg az univerzális elrendezés-felismerést, hanem csak bemutatja, "hogyan kell rendezni a meglévő regionális szabályok szerint", és világosan elmagyarázza a képességek határait. Az interfészhez és a kivonatolási űrlaphoz lásd: PyMuPDF hivatalos szövegkivonási útmutató.
Használjon öt szintetizált szövegblokkot a probléma magyarázatához
A példaoldal 600 pont széles, az oszlopok között 300 pontos határvonal van; a tetejétől számított 80 ponton belül található a kereszt-oszlop címterület, alatta pedig a szöveges terület. A bevitel szándékosan kódolt: a jobb oldali oszlop második bekezdése az első, a bal oldali oszlop első bekezdése pedig az utolsó. Minden sor tartalmazza a téglalap és a szöveg négy koordinátáját. Ez egy egyszerűsített struktúra, amelyet demonstrációs célokra határoztak meg, és nem egyenértékű a get_text("blocks") teljes visszatérési értékével.
A várt eredmény a következő legyen: cím, első bekezdés a bal oszlopban, második bekezdés a bal oszlopban, első bekezdés a jobb oszlopban, második bekezdés a jobb oszlopban. Az oszlophatárokat átlépő szövegtömböknek be kell kerülniük a kivétellistába, ahelyett, hogy csendben eldobnák őket vagy a bal oldali oszlopba helyeznék őket.
Egy kis példa, amely teljesen futtatható
A következő példák csak a Python szabványos könyvtárát használják. Amikor csatlakozik a PyMuPDF-hez, megtarthatja az első öt mezőt a blokkkivonási eredményekből, és először kizárhatja a nem szöveges blokkokat. A példa nem nyit meg külső fájlokat, nem igényel OCR-t, és nem következtet automatikusan oszlophatárokra.
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")
A példában szereplő 80 és 300 az összetett oldal beállításaiból származik, és nem empirikus küszöbértékek, amelyek minden PDF-re vonatkoznak. Ha a következő oldalon a bal és jobb oldali oszlopok szélességében változást tapasztal, az előző oldal paramétereinek használata azt okozhatja, hogy "a program megfelelően fut, de a tartalom rossz". A regionális szabályoknak követniük kell az oldalt, legalább rögzíteni kell a szabály verzióját és az oldal méretét.
📊 Alapvető összehasonlítás
| Feldolgozási módszer | mit lehet tenni | Mire kell figyelni |
|---|---|---|
Használja közvetlenül a sort=True-t | Végezzen geometriai rendezést koordináták szerint. Először a szabályok oldalon próbálhatod ki. | Nem érti az oszlopok közötti címek, oldaljegyzetek és lábjegyzetek tulajdonjogát |
| Rendezés koordináta partíció alapján | Először ossza fel a területet, majd olvassa el szakaszonként az ellenőrzés megkönnyítése érdekében. | A partíciós küszöb az oldaltól függ, és oldalanként kell ellenőrizni. |
| Manuálisan jegyzett olvasási sorrend | Az eredmény a leginkább ellenőrizhető és a legfontosabb dokumentumok ellenőrzésére alkalmas | Magas költség, alkalmas helyszíni ellenőrzésekre és referenciaértékekre |
Ne csak azt ellenőrizze, hogy nincs-e hiba az elfogadás során
| Ellenőrizze az elemeket | Mit kell látni | Mi a teendő, ha nem egyezik |
|---|---|---|
| Területi sorrend | A cím után először a teljes bal oldali oszlop, majd a teljes jobb oldali oszlop | Ellenőrizze a partíciós szabályokat, és ne javítsa a karakterláncok megváltoztatásával |
| a tartalom megőrzése | Az elfogadott blokkok száma plusz az elutasított blokkok száma megegyezik a bemeneti blokkok számával | Blokkolja a kézbesítést, és ellenőrizze, hogy nincs-e néma blokk elvesztése |
| Cross-bar szöveg | megjelennek a tiltólistán | Adjon hozzá egy új akadályszakaszt, vagy küldje el manuális értékelésre |
| Forgatás és körbevágás | A bemeneti blokk ugyanazt a koordinátarendszert használja, mint a partíció | Először egyesítse a koordinátákat, majd döntse el a felvételt |
| Fejléc, lábléc | Üzleti szabályok szerint külön kategorizálva | Ne törölje az összes alsó szöveget |
Egy valódi papírnak ilyen felépítése is lehet: illesszen be egy keresztoszlopos ábrát a közepére, és indítsa újra a dupla oszlopokat az ábra alá. Ekkor az oldalt először felső és alsó részekre kell osztani, majd külön kell rendezni. A cikkben szereplő egyszeri három partíciócsoport nem elegendő. Az itt található olvasási irányt nem szabad kínai függőleges elrendezésre, jobbról balra haladó szövegre és összetett széljegyzetekre alkalmazni.
🎯 Melyik módszer illik hozzád?
ha……
- Csak egyoszlopos vagy kétoszlopos oldalak, amelyeknek szabályokat kell feldolgozniuk: Először hasonlítsa össze a
sortbe- és kikapcsolásának eredményeit, majd döntse el, hogy szükség van-e partíciós szabályokra. - Kifejezett címeket, ábrákat vagy lábjegyzeteket tartalmazó papírok kezelése: Ossza fel az oldalakat szakaszokra, és állítson be kivétellistákat az átfogó tartalomhoz.
- A fordítást másoknak is el kell juttatni: A koordinátákat és az oldalszámokat őrizze meg, és egyenként ellenőrizze az elfogadási lista szerint. Ne csak azt ellenőrizze, hogy vannak-e hibák a művelet során.
- Ne akarjon saját maga karbantartani a szkripteket: Közvetlenül használhatja a kész dokumentumfordító eszközöket, és ugyanazzal a szekvenciális ellenőrzőlistával ellenőrizheti a fordítást.
Hogyan lehet megkapni az OmniDoc fordítási folyamatát
A saját készítésű szkriptek értéke az elfogadási szabályok világos megírásában rejlik; a kész fordítóeszközök értéke a fájlok és a fordítások közötti operatív kapcsolatok csökkentésében rejlik. A kettő között nincs konfliktus. A OmniDoc (termékportál) dokumentumfordító portált biztosít, és a hivatalos webhely olyan funkciókat is bemutat, mint az OCR, a szószedet és a kétnyelvű összehasonlítás. Kiválaszthat egy érzékenységmentesített papírt, amelynek feltöltésére jogosult, és ugyanazon szekvenciális ellenőrzőlista segítségével ellenőrizheti a fordítást.
Koncentráljon a következő elemek ellenőrzésére:
- A keresztoszlop címe utáni első mondat helyesen kapcsolódik-e.
- Beépültek a szövegbe az ábrafeliratok?
- A lábjegyzetek hivatkozásai továbbra is a megfelelő helyre vonatkoznak-e.
Ez a teljesítések kiértékelését jelenti, nem pedig az OmniDoc belső algoritmusaira következtet. Ha az eredmények nem felelnek meg a követelményeknek, kérjük, őrizze meg az eredeti oldalt és a hiba részt, először derítse ki, hogy a probléma a felismerési, rendezési vagy fordítási folyamatban van-e, majd döntse el a javítás módját.
❓ Gyakran Ismételt Kérdések (GYIK)
1. Kétoszlopos PDF sorozat, rosszul ismeri fel?
bizonytalan. Lehetséges, hogy a szavak mindegyike helyesen felismerhető, de a probléma gyakran az olvasási sorrendben van, ezért először a rendezést és a regionális szabályokat kell ellenőrizni.
2. Meg tudja-e oldani a sort=True közvetlenül a kettős oszlopsorrend problémáját?
Nem lehet általánosítani. A sort kezelése a kimenet típusától és verziójától függően változik, nem az elrendezés értelmezője, és nem ígérheti az összes dokumentum olvasási sorrendjének visszaállítását. Először kipróbálhatja a szabályok oldalát, és ellenőriznie kell a regionális kapcsolatot is az oszlopok közötti tartalommal rendelkező oldalak esetében.
3. Miért nem lehet az egész oldalt hosszú karakterláncba tömöríteni?
Ha a koordináták és a területinformációk elvesznek, a következő fordítások rossz kontextust kapnak, és előfordulhat, hogy a fordítási modell megváltoztatásával nem lehet orvosolni.
4. A példában szereplő 80 és 300 pont használható közvetlenül más PDF-eken?
nem lehet. Ezek csak az összetett oldal beállításai. Az oldalméret vagy az oszlopszélesség változása esetén a szabály verzióját oldalanként külön kell ellenőrizni és rögzíteni.
📝 Összefoglaló
A kéthasábos PDF-fájlok rendelési problémáinál először meg kell őrizni a koordinátákat és a forrásoldalakat, majd regionális szabályok szerint kell feldolgozni, és tételesen ellenőrizni kell az elfogadási ellenőrző lista szerint. A saját készítésű szkriptek alkalmasak a szabályok egyértelmű írására, a kész eszközök pedig a műveleti hivatkozások csökkentésére. A kettő együtt is használható.


