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 helyzeted | Ajánlott gyakorlatok | ok |
|---|---|---|
| Dőlt vagy elforgatott szöveg, a négysarkos tájolást meg kell őrizni | Közvetlenül használja a quads=True eredményeit a kiemelések hozzáadásához | A Quad megőrzi a négy sarok tájolási információit |
| A területkülönbség küszöbértékét szeretném használni annak megállapítására, hogy a kiemelés helyes-e. | ne csináld ezt | A 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 egyenként | A Rect-be való kényszerű egyesülés elveszti a középen lévő fehér szóköz szemantikáját. |
| Az oldalon CropBox vágás található | A CropBox visszaállítása után ellenőrizze, hogy a tartalom továbbra is a látható területen belül van-e | A 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 találat | Tartsa meg az oldalszámokat tételenként, és dolgozza fel egyenként | Csak 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
| megfigyelni | mit kell tenni | nem szabad következtetni |
|---|---|---|
| Nincs találat | Ellenőrizze a szövegréteget és a kulcsszavakat | Ne hozzon létre üres kiemeléseket |
| Szöveg elforgatása | Tartsa a Quad sarkokat | Találgatási pontosság területkülönbség nélkül |
| Több találat | Tartsa meg az oldalszámokat tételenként | Ne csak az elsővel foglalkozz |
📊 Alapvető összehasonlítás
| objektum | Megőrizhető információk | Alkalmazható forgatókönyvek | Figyelembe kell venni |
|---|---|---|---|
| Quad | Négy sarok | Dőlt, elforgatott szöveg, pontos kiemelést igényel | Használja közvetlenül a quads=True eredményeit |
| Rect (körbefogó téglalap) | külső hatótávolság | Egyszerű keretválasztás vízszintes szöveghez | A dőlt vagy elforgatott szöveg a kereten kívül eshet, és nem alkalmas a helyesség megítélésére. |
| Egyesített Rect | átfogó hatálya | Keresztvonalas keresésekhez nem ajánlott | A középen lévő fehér szóköz szemantikája elvész |
🎯 Melyik módszer illik hozzád?
ha……
- A szöveg négysarkos irányait meg kell őrizni: közvetlenül használja a
quads=Trueeredményeit 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


