A PDF megtekinthető, de nem másolható, lehet, hogy nem szkennelés: először ellenőrizze a szövegréteget és a karakterleképezést

Ha nincs szöveg, akkor nem ítélhető meg közvetlenül úgy, hogy "a szövegréteg normális", és nem is közvetlenül szkennelt másolatként. A szöveg, az alternatív karakterek és az oldalképek hivatkozásai az alábbiakban kerülnek rögzítésre, és az áttekintendő állapot kerül kiadásra; a képhivatkozások nem igazolják, hogy a kép az egész oldalt lefedte, vagy hogy a szöveg beazonosítható.

Ha látja a szöveget a PDF-ben, de nem tudja átmásolni, akkor lehet, hogy nem szkennelt másolat, vagy a karakterleképezéssel van probléma. Ez a cikk azoknak a fejlesztőknek és dokumentumfeldolgozóknak íródott, akiknek PDF-tartalmat kell kivonatolniuk, lefordítaniuk vagy strukturálniuk. Az olvasás után tudni fogja, hogyan lehet először megkülönböztetni a szövegszintű problémákat és a képtartalmat, és egységes jeleket használni a következő lépések meghatározásához.

Az itt található kód és példák olyan szintetikus mintákat használnak, amelyek átmentek a mintaellenőrzéseken elszigetelt környezetben, és nem jelentenek garanciát az összes valós fájlra vagy a termék teljesítményére. A fontos dokumentumok feldolgozása előtt kérjük, őrizze meg az eredeti példányokat és nézze át a szövegben szereplő határok és átvételi tételek szerint.

A PDF megtekinthető, de nem másolható. Ez egy szkennelt másolat? Egy mondatos következtetés

Közvetlenül nem ítélkezhet. Először ellenőrizze a szövegréteget és a karakterleképezést, majd nézze meg az oldalképet, és végül határozza meg, hogy szkennelésről vagy leképezési hibáról van-e szó.

a helyzetedAjánlott gyakorlatokok
Láthatja a szöveget, kimásolhatja az elrontott karaktereket vagy üres helyeketEllenőrizze a ToUnicode leképezést és a betűtípus kódolástA látvány normális, de a szövegréteg hibás, többnyire hiányzó vagy rossz leképezés miatt.
A másolt karakterek ésszerűnek tűnnek, de hibás a szemantikájaA kinyerési eredmények összehasonlítása a vizuális tartalommalA heurisztikus leképezés rossz karaktereket adhat ki, és nem nulla ellenőrzésen megy keresztül
Szöveg nincs, képek viszont vannak az oldalonEllenőrizze, hogy a kép tartalmaz-e szöveget, majd határozza meg, hogy szükséges-e az OCRA képi idézetek nem egyenlők az egész oldalas beolvasással, és nem igazolják a szöveg olvashatóságát sem
Sem a szöveg, sem a képek nincsenek kijelölveAz oldalrajz tartalmának megtekintéseNem lehet arra következtetni, hogy az oldal üres

Miért hibás a másolt kód?

A felhasználók normál módon láthatják a szöveget a böngészőben vagy az olvasóban, de a másolt szöveg elrontott, üres vagy irreleváns szimbólumok. Ez általában nem sérült fájl, és nem is feltétlenül szkennelt másolat. A kiváltó ok az, hogy a PDF-ben található karakterjel (Glyph) a Unicode leképezési táblához (ToUnicode CMap) hiányzik vagy hibás.

A renderelő motorok karakterjel-indexekre támaszkodnak a vizuális tartalom rajzolásához, míg a vágólap és a szövegkivonatoló eszközök a leképezési táblázatokra támaszkodnak a szemantikus karakterek visszaállítására. Ha a kettő elromlik, megjelenik egy "vizuálisan normális, géppel olvashatatlan" rossz szövegréteg.

Dokumentumfordítás vagy strukturált kibontás előtt először meg kell győződnie arról, hogy a probléma a leképezésben van-e, vagy maga az oldal egy kép. Ellenkező esetben a következő OCR vagy NLP folyamatok rossz előfeltevésen alapulnak.

Megszakító mechanizmus a karakterjel-index és a Unicode-leképezés között

A PDF specifikáció lehetővé teszi, hogy a betűtípusok csak karakterjel-körvonal- és -szélesség-információkat ágyazzanak be, karakterkódolási leképezést azonban nem. A következő körülmények törést okozhatnak:

  • A PDF-et előállító szoftver nem írja megfelelően a ToUnicode táblát
  • Egyéni kódolást használnak, de nincsenek dekódolási szabályok

Ekkor a kivonó csak az eredeti karakterjel-azonosítót (CID) tudja megszerezni. Ezek az azonosítók jelentőségteljesek a megjelenítő számára, de nincs értékük a szövegfeldolgozás számára.

Egyes eszközök heurisztikát használnak a leképezés kitalálására, és az eredmény olyan karaktereket eredményezhet, amelyek ésszerűnek tűnnek, de valójában hibásak, például a kínai írásjeleket latin betűkre alakítják át, vagy számokat vezérlőkarakterekkel helyettesítenek. Ez a fajta "álszöveg" finomabb, mint a tiszta szóköz, mert átmegy a nem nulla ellenőrzésen, de néma adatszennyezést okoz a downstream hivatkozásokban.

Az ilyen problémák megítélésének kulcsa nem az, hogy megnézzük, kijelölhető-e a szöveg, hanem annak ellenőrzése, hogy a kivont karakterlánc szemantikailag konzisztens-e a vizuális tartalommal.

A PyMuPDF használata memóriaszintézis diagnosztikához

A következő kód létrehozza a bemenetet a memóriában, és ellenőrzi a diagnosztikai logikát:

from io import BytesIO
from PIL import Image
import pymupdf
def inspect(page):
    text = page.get_text().strip()
    images = page.get_images()
    if "\ufffd" in text:
        state = "review_replacement_characters"
    elif text:
        state = "text_present_needs_semantic_review"
    elif images:
        state = "image_without_extracted_text"
    else:
        state = "empty_text_needs_review"
    return {"state": state, "characters": len(text), "image_refs": len(images)}
with pymupdf.open() as doc:
    doc.new_page().insert_text((50, 50), "Text sample")
    doc.new_page()
    picture = BytesIO()
    Image.new("RGB", (16, 16), "red").save(picture, format="PNG")
    doc.new_page().insert_image(pymupdf.Rect(10, 10, 100, 100), stream=picture.getvalue())
    assert inspect(doc[0])["state"] == "text_present_needs_semantic_review"
    assert inspect(doc[1])["state"] == "empty_text_needs_review"
    assert inspect(doc[2])["state"] == "image_without_extracted_text"
    assert inspect(doc[2])["characters"] == 0

A fenti kódban a diagnose_text_layer függvény a get_text("text")-n keresztül szerzi be az eredeti szöveget, a unicodedata.category-t használja a vezérlőkarakterek és szóközök szűrésére, és kiszámítja a tényleges tartalom arányát. Ugyanakkor a get_text("blocks")-n keresztül érzékeli a képblokkok jelenlétét.

A két állítás két esetet igazol: egy normál dokumentumot, amelynek nyomtathatósági aránya meghaladja a 0,9-et, és egy beszkennelt dokumentumot, amelynek karakterszáma nulla. Ez lefedi az alapvető elágazási logikát.

Fontos megjegyezni, hogy ez a diagnózis kizárólag statisztikai jellemzőkön alapul. Titkosított betűtípusok vagy speciális kódolások esetén továbbra is kézi ellenőrzésre van szükség.

📊 Alapvető összehasonlítás

Az alábbi táblázat felsorolja a különböző jelzésekhez tartozó ellenőrzési irányokat és azokat a következtetéseket, amelyeket nem szabad levonni:

JelAz ellenőrzés következő lépésekövetkeztetéseket, amelyeket nem szabad levonni
Van nyomtatható szövegEllenőrizze a szemantikát, a sorrendet és a forrásokatHa ki lehet bontani, az azt jelenti, hogy helyes.
Vannak alternatív karakterekVisszatérjen a kódolás és betűtípus-leképezésMinden karakter elveszett
Vannak képek, de nincs szövegEllenőrizze, hogy a kép tartalmaz-e szövegetTeljes oldalas vizsgálatnak kell lennie
Sem a szöveg, sem a kép nincs kijelentkezveOldalrajz tartalom megtekintéseBiztosan üres oldal lehet

🎯 Melyik megközelítés illik hozzád?

Ha látod a szöveget, de nem tudod másolni

Elsődleges szempont a ToUnicode leképezések és betűkódolások ellenőrzése, amelyeket általában térképtörések okoznak.

Ha a másolt szöveg normálisnak tűnik, de a tartalom helytelen

Nyerje ki az eredményeket a vizuális tartalom bekezdésenkénti összehasonlításával; ne csak arra nézzen, hogy nem üres-e.

Ha az oldal csak képeket tartalmaz, szöveget nem.

Ellenőrizze, hogy a kép tartalmaz-e szöveget, mielőtt eldönti, szükséges-e OCR. Ne feltételezd, hogy az egész oldal egy szkennelés.

Ha dokumentumfordításra készülsz

Először végezze el a szöveg integritásának ellenőrzését, majd adja át a deszenzibilizált mintát a fordítási folyamatnak.

Használja ezt az ellenőrzőlistát a dokumentumfordításhoz

Először alaposan ellenőrizd az oldal sorrendjét, a forrás helyét és a szöveg integritását, majd add be ugyanazt a szorongó mintát a fordítási folyamatnak. Fordítás után is ellenőrizni kell, hogy a cím, a fő szöveg és a feliratok megfelelőek-e; a szöveget nem szabad kizárólag folyékonyság alapján megítélni.

A OmniDoc (Termékportál) több formátumú dokumentumfordító portálokat biztosít, a hivatalos weboldal pedig OCR-t, szószedeteket és kétnyelvű összehasonlító funkciókat kínál. Ha közvetlenül a fájlból szeretné elkezdeni a feldolgozást, ezt az elérési utat valódi mintákkal is értékelheti.

Kérjük, használja az anonimizált fájlokat, amelyekre engedélye van az adatok feltöltéséhez és megtekintéséhez az ebben a cikkben található ellenőrzőlistával együtt. Nem állítják, hogy az OmniDoc a benne említett nyílt forráskódú könyvtárakat vagy belső algoritmusokat használja, és nem helyettesíti a termékteljesítmény-tesztelést példákkal.

❓ Gyakran ismételt kérdések (GYIK)

1. Ha ki tudod nyerni a szöveget, az azt jelenti, hogy a szövegréteg helyes?

Nem. A kinyert tartalomnak ellenőriznie kell a szemantikát, a sorrendet és a forrást is, és ha a leképezés helytelen, akkor olyan karaktereket adhat ki, amelyek ésszerűnek tűnnek.

2. Ha képek vannak az oldalon, az azt jelenti, hogy azok szkennelt képek?

Nem feltétlenül. A képhivatkozás nem bizonyítja, hogy a kép lefedi az egész oldalt, és azt sem, hogy a szöveg felismerhető; ellenőrizni kell, hogy a kép tartalmaz-e szöveget.

3. Ha sem szöveget, sem képeket nem érzékelnek, az azt jelenti, hogy az oldal üres?

Ebből nem vonható le következtetéseket. Mielőtt döntést hoznál, érdemes átnézni az oldal rajztartalmát.

4. Használható ez a diagnosztikai szkript minden PDF-hez?

Nem. Csak statisztikai jellemzőkön alapul; a titkosított betűtípusok vagy speciális kódolások még kézi ellenőrzést igényelnek.

📝 Összefoglaló

A PDF-ek megtekinthetők, de nem másolhatók. Először ellenőrizze a szövegrétegeket és a karakterleképezéseket, majd nézze meg a kép tartalmát, végül pedig döntse el, hogy ez egy szkennelés-e. A feldolgozás előtt őrizze meg az eredeti dokumentumokat, és minden tételt vizsgál át az ellenőrző tételekkel.

Próbáld ki most: Töltsd fel a dokumentumodat a fordítás megkezdéséhez, megőrizve az eredeti formázást

További olvasnivalók

Frissítve: 2026-11-17