Emelje ki a PDF keresőszavakat, miért keretezi be rosszul a téglalap a dőlt szöveget?

A dőlt betűtípusok nem feltétlenül teszik kisebbé a keresett négyzet területét, mint a körülvevő téglalap. Ha meg kell őriznie a négy sarok irányinformációit, használja közvetlenül a quads=True eredményét a kiemelés hozzáadásához; ne használjon területkülönbség-küszöböt annak megállapítására, hogy a kiemelés helyes-e.

Ha a dőlt szöveg keresési kiemelő mezője ferde, az gyakran nem magával a betűtípussal van probléma, hanem azért, mert a kiemeléshez használt geometriai objektum rosszul van kiválasztva. Ez a cikk azoknak a fejlesztőknek szól, akik PyMuPDF-et használnak a PDF-szöveg pozicionálásának feldolgozásához. Megmagyarázza, hogy a befoglaló téglalap (Rect) miért nem használható annak megállapítására, hogy a dőlt vagy elforgatott szöveg kiemelése helyes-e, és hogyan kezeljük ezt a különböző helyzetekben.

A cikk elolvasása után eldöntheti, hogy a Quad vagy a Rect használatát szeretné-e használni a keresési eredményekhez, tudja, hogyan kell kezelni a találatokat, a keresztsorokat, a többszörös találatokat és a CropBox körülvágást a keresés során, és megértheti, hogy mely problémák esnek túl a geometriai pozicionálás hatókörén.

A teljes szöveget szintetikus minták mutatják be, és a kód mintaellenőrzésen ment át elszigetelt környezetben, de ez nem jelent garanciát minden valódi fájlra vagy termékhatásra. A fontos dokumentumok feldolgozása előtt kérjük, őrizze meg az eredetiket, majd tekintse át azokat az alábbi határok és átvételi tételek szerint.

A dőlt szöveg keresési kiemeléséhez válassza a Quad vagy Rect? Egy mondatos következtetés

A dőlt betűtípus nem feltétlenül teszi kisebbé a keresés által kapott négyes területet, mint a körülvevő téglalap. Ha meg kell őrizni a négy sarok irányinformációit, használja közvetlenül a quads=True eredményeit a kiemelések hozzáadásához. Ne használjon területkülönbség küszöbértéket annak megállapítására, hogy a kiemelés helyes-e.

a helyzetedAjánlott gyakorlatokok
Dőlt vagy elforgatott szöveg, a négysarkos tájolást meg kell őrizniKözvetlenül használja a quads=True eredményeit a kiemelések hozzáadásáhozA Quad megőrzi a négy sarok tájolási információit
A területkülönbség küszöbértékét szeretném használni annak megállapítására, hogy a kiemelés helyes-e.ne csináld eztA dőlt betűtípus nem feltétlenül csökkenti a Quad területet, és a küszöbérték nem megbízható.
A keresési kifejezések sorokon át ívelnek, és a motor nem ismeri fel őket azonos szókincsként.Tartsa meg az összes visszaadott Quad töredéket, és rajzolja meg a kiemeléseket egyenkéntA Rect-be való kényszerű egyesülés elveszti a középen lévő fehér szóköz szemantikáját.
Az oldalon CropBox vágás találhatóA CropBox visszaállítása után ellenőrizze, hogy a tartalom továbbra is a látható területen belül van-eA search_for által visszaadott koordináták az elforgatatlan eredeti oldalterületen alapulnak, és nem feltételezhető, hogy get_text alapértelmezés szerint figyelmen kívül hagyja a levágott területet
Több találatTartsa meg az oldalszámokat tételenként, és dolgozza fel egyenkéntCsak az első feldolgozása esetén a többi pozíció hiányzik

Miért jelenik meg helytelenül a dőlt szöveg?

Sokan a következőket fogják alapértelmezetten használni: a dőlt karaktereket körülvevő téglalap sokkal nagyobb, mint a Quad, így a Rect használata a kiemeléshez "kereteltérést" okoz. Valójában a dőlt betűtípus nem feltétlenül teszi kisebbé a keresett Quad területét, mint a körülvevő téglalap, így nem megbízható a területkülönbség alapján megítélni, hogy a kiemelés helyes-e.

Valójában meg kell őrizni a négy sarok tájolási információit. A Quad történetesen rögzíti ezeket az információkat, és a kiemelések közvetlen hozzáadására való használata megbízhatóbb, mint egy körülzáró téglalap használata az alakzat kitalálására.

Példa önálló kompozícióra

Tekintse meg az importálási listát például a függőségekért. A kód bemenetet épít fel a memóriában, és nem igényel külső fájlokat a futtatáshoz. A műveleti nyilvántartásokat külön biztosítjuk, és nem jelentenek garanciát minden dokumentum hitelességére.

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

Helyes kimeneti és határbemeneti feldolgozás

A fenti szintetikus példa egy memórián belüli PDF-fájlt hoz létre, amely a Quad viselkedésének ellenőrzésére szolgál. Az alábbiakban néhány általános határbemenet látható.

1. A keresett szavak sorokon átívelnek

Ha a keresési kifejezés új sorokat ölel fel, és a motor nem ismeri fel ugyanazt a szókincsegységet, akkor a search_for üres listát ad vissza, vagy csak részleges töredékeket ad vissza.

  • Ne egyesítsen erőszakkal több nem szomszédos Quadot egyetlen Rect-be, különben a középen lévő fehér szóköz szemantikája elvész.
  • Tartsa meg az összes visszaadott Quad töredéket, és külön rajzolja meg a kiemeléseket.

2. A keresett kifejezés szokásos speciális karaktereket tartalmaz

Ha a keresési kifejezések szokásos speciális karaktereket tartalmaznak anélkül, hogy kihagynák őket, előfordulhat, hogy az eredmények nem a vártnak felelnek meg. A bemeneti karakterláncot biztonságosan fel kell dolgozni hívás előtt.

3. CropBox vágás

Ha az oldalon van CropBox körülvágás, a search_for által visszaadott koordináták továbbra is az elforgatatlan eredeti oldalterületen alapulnak. A CropBox visszaállítása után ellenőriznie kell, hogy a tartalom továbbra is a látható területen belül van-e. Nem feltételezhető, hogy a get_text alapértelmezés szerint figyelmen kívül hagyja a vágási területet.

Elfogadási feltételek és kézi ellenőrzés határai

Ez a megoldás csak a geometriai pozicionálási problémát oldja meg. A következő helyzetekben nem kell választani a Quad és a Rect között:

  • Maga a PDF szövegrétege sérült;
  • Rendellenes betűtípus-beágyazás;
  • Vannak rejtett rétegek.

Ezekben az esetekben előfordulhat, hogy a search_for eredményei egyáltalán nem hitelesek, és manuális felülvizsgálatra vagy újrafelhasználási ellenőrzésre kell benyújtani. A mintakód csak a geometriai tulajdonságokat ellenőrzi, és a végpontok közötti hatást továbbra is ki kell értékelni az adott dokumentumtípusok alapján.

Konkrét kivételkezelési döntések

megfigyelnimit kell tenninem szabad következtetni
Nincs találatEllenőrizze a szövegréteget és a kulcsszavakatNe hozzon létre üres kiemeléseket
Szöveg elforgatásaTartsa a Quad sarkokatTalálgatási pontosság területkülönbség nélkül
Több találatTartsa meg az oldalszámokat tételenkéntNe csak az elsővel foglalkozz

📊 Alapvető összehasonlítás

objektumMegőrizhető információkAlkalmazható forgatókönyvekFigyelembe kell venni
QuadNégy sarokDőlt, elforgatott szöveg, pontos kiemelést igényelHasználja közvetlenül a quads=True eredményeit
Rect (körbefogó téglalap)külső hatótávolságEgyszerű keretválasztás vízszintes szöveghezA dőlt vagy elforgatott szöveg a kereten kívül eshet, és nem alkalmas a helyesség megítélésére.
Egyesített Rectátfogó hatályaKeresztvonalas keresésekhez nem ajánlottA középen lévő fehér szóköz szemantikája elvész

🎯 Melyik módszer illik hozzád?

ha……

  • A szöveg négysarkos irányait meg kell őrizni: közvetlenül használja a quads=True eredményeit a kiemelések hozzáadásához.
  • Ha a területkülönbség küszöbértékét szeretné használni annak megállapítására, hogy a kiemelés helyes-e: Ne tegye ezt. A dőlt betűtípus nem feltétlenül csökkenti a Quad területet.
  • A keresési kifejezés keresztezett vonalakat talált: Tartsa meg az összes négyes töredéket, külön rajzolja meg a kiemeléseket, ne egyesítse egy egyenesbe.
  • Oldalak kezelése CropBox körülvágással: A CropBox visszaállítása után ellenőrizze, hogy a tartalom továbbra is a látható területen belül van-e.

Használja ezt az ellenőrzőlistát a dokumentumok fordításához

Először ellenőrizze az oldalak sorrendjét, a forrás helyét és a szöveg integritását, majd küldje be ugyanazt az érzéketlenített mintát a fordítási folyamatba. A fordítás után még mindig ellenőriznie kell, hogy a cím, a szöveg és az illusztrációk helyesek-e, nem csak azt, hogy a szöveg sima-e.

A OmniDoc (termékportál) több formátumú dokumentumfordító portált biztosít, a hivatalos webhely pedig OCR, szószedet és kétnyelvű összehasonlító funkciókat kínál. Azon csapatok számára, amelyek közvetlenül a fájlokból szeretnének dolgozni, ez egy olyan út, amelyet érdemes valós mintákkal értékelni. Kérjük, használjon olyan érzékenységmentesített fájlokat, amelyek feltöltésére jogosult, és az eredmények áttekintéséhez használja a cikkben található ellenőrző elemeket. Itt nincs állítás, hogy az OmniDoc a jelen cikkben említett nyílt forráskódú könyvtárakat vagy belső algoritmusokat használja, és a példák nem helyettesítik a termék teljesítményének tesztelését.

Referenciák

❓ Gyakran Ismételt Kérdések (GYIK)

1. A dőlt betűs szöveg biztosan csökkenti a Quad területét?

bizonytalan. A dőlt betűtípus nem feltétlenül teszi kisebbé a keresett Quad területét, mint a körülvevő téglalap, így nem hagyatkozhat a területkülönbségre a kiemelés helyességének meghatározásához.

2. Mikor kell megőrizni a Quad sarok információit?

Ha meg kell őriznie a négy sarok irányinformációit, közvetlenül használja a quads=True eredményeit a kiemelések hozzáadásához.

3. A keresett kifejezés keresztezi a vonalakat, és nem található találat. Mit tegyek?

Ne hozzon létre üres kiemeléseket, először ellenőrizze a szövegréteget és a kulcsszavakat. Ha csak néhány töredéket ad vissza, akkor az összes visszaadott Quad töredéket meg kell őrizni, és a kiemeléseket külön kell megrajzolni, ahelyett, hogy egyetlen Rect-be kényszerítenék őket.

4. Mire kell figyelni, amikor a CropBox-szal levágod az oldalt?

A search_for által visszaadott koordináták továbbra is az elforgatatlan eredeti oldalterületen alapulnak. A CropBox visszaállítása után ellenőriznie kell, hogy a tartalom továbbra is a látható területen belül van-e. Nem feltételezhető, hogy a get_text alapértelmezés szerint figyelmen kívül hagyja a vágási területet.

📝 Összefoglaló

A dőlt és az elforgatott szöveg kiemelése négyszögletesen történjen, az oldalszámokat és a négysarok információit pedig tételesen meg kell őrizni. Az olyan problémák, mint például a szövegréteg sérülése és a rendellenes betűtípus-beágyazás, továbbra is kézi ellenőrzést vagy újbóli OCR-t igényelnek.

Töltse le ingyen az OmniDoc Desktopot: dokumentumok, táblázatok, prezentációk és PDF-ek egy helyen

Frissítve: 2026-11-16