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 helyzetedAjánlott gyakorlatokok
Közönséges kéthasábos papír, szövegsorosozásElőször olvassa el egy szakasz bal oldali oszlopát, majd olvassa el a jobb oldali oszlopotA soronkénti összeillesztés tönkreteszi a bekezdéseket
Csak egy gyors próbát akartam tenniHasonlítsa össze a sort be- és kikapcsolásának eredményeitA sort csak geometriai rendezést végez, szabályoldalakhoz alkalmas
Az oldalakon oszlopok közötti címek, széljegyzetek és lábjegyzetek találhatókFolytassa régiónként külön-külön, és ellenőrizze a regionális kapcsolatokatA geometriai rendezés önmagában nem tudja meghatározni ezeknek a tartalmaknak a hozzárendelését.
Át kell adni a fordítási modellnekŐrizze meg a koordinátákat és az oldalszámokat, először rendezze a sorrendet, majd fordítsa leA 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 módszermit lehet tenniMire kell figyelni
Használja közvetlenül a sort=True-tVégezzen geometriai rendezést koordináták szerint. Először a szabályok oldalon próbálhatod ki.Nem érti az oszlopok közötti címek, oldaljegyzetek és lábjegyzetek tulajdonjogát
Rendezés koordináta partíció alapjánElőször 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 sorrendAz eredmény a leginkább ellenőrizhető és a legfontosabb dokumentumok ellenőrzésére alkalmasMagas költség, alkalmas helyszíni ellenőrzésekre és referenciaértékekre

Ne csak azt ellenőrizze, hogy nincs-e hiba az elfogadás során

Ellenőrizze az elemeketMit kell látniMi a teendő, ha nem egyezik
Területi sorrendA cím után először a teljes bal oldali oszlop, majd a teljes jobb oldali oszlopEllenőrizze a partíciós szabályokat, és ne javítsa a karakterláncok megváltoztatásával
a tartalom megőrzéseAz elfogadott blokkok száma plusz az elutasított blokkok száma megegyezik a bemeneti blokkok számávalBlokkolja a kézbesítést, és ellenőrizze, hogy nincs-e néma blokk elvesztése
Cross-bar szövegmegjelennek a tiltólistánAdjon hozzá egy új akadályszakaszt, vagy küldje el manuális értékelésre
Forgatás és körbevágásA bemeneti blokk ugyanazt a koordinátarendszert használja, mint a partícióElőször egyesítse a koordinátákat, majd döntse el a felvételt
Fejléc, láblécÜzleti szabályok szerint külön kategorizálvaNe 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 sort be- 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.

Próbálja ki most: Töltse fel a dokumentumot a fordítás megkezdéséhez, megtartva az eredeti elrendezést

Frissítve: 2026-11-16