Hogyan lehet lekérni egy összeget PDF-ben, annak pozícióját az oldalon
Ez a cikk bemutatja a PyMuPDF használatát az ismétlődő mennyiségű szöveg megkeresésére egy megadott téglalapon belül. Az oktett szavak első öt mezőjének elemzésével és a jelöltek számának ellenőrzésével elkerülhetők a téves megítélések a töredékillesztésben. Memóriaszintű Python példákat, határfeldolgozási stratégiákat és elfogadási táblázatokat kínál, valamint gyakorlati javaslatokat ad az OmniDoc dokumentumfordítási munkafolyamathoz való kapcsolódáshoz.
Hogyan lehet megtalálni a duplikált összegeket? Egy mondatos következtetés
Ha az elrendezés rögzített, először korlátozza az ismert területet, majd ellenőrizze a szöveget, és hagyja a jelöltek számát a hívó döntésére. Könnyebb értelmezni, mint folytatni a reguláris kifejezések halmozását, és kisebb az esélye a néma hibák elkövetésének.
| a helyzeted | Ajánlott gyakorlatok | ok |
|---|---|---|
| Ugyanaz az összeg több helyen is megjelenik az oldalon | Korlátozza a keresést arra a téglalap alakú területre, ahol az üzleti terület található, majd keressen | A teljes szöveges keresés nem tudja meghatározni, hogy melyik mező az üzleti terület |
| A lekérdezési területen több jelölt található | Az összes jelölt visszaküldése címkékkel vagy kézi egyértelműsítéssel kombinálva | A programok nem hozhatnak döntéseket az üzlet érdekében |
| A lekérdezési területen nincsenek találatok | Jelölje meg az okot, és ellenőrizze az eredeti oldalt, nulla kitöltés nélkül | A helytelen régió, a megosztott összegek vagy a hiányzó szövegrétegek nulla találatot eredményezhetnek |
| A keret helyzete eltoltnak tűnik | Explicit transzformációs láncok az elforgatáshoz, a kivágáshoz és a renderelés skálázásához | A megjelenítési koordináták és a kivont koordináták keverése eltéréseket okoz |
Két azonos összeg egy nyilatkozatban
A 1,200.00 kétszer szerepel egy kimutatásban: egyszer az esedékes összeg oszlopban, egyszer pedig a leírás szövegében. A teljes szöveges keresés megtalálja őket, de nem tudja eldönteni, hogy melyik az üzleti terület.
Ha az űrlap elrendezése rögzített, általában könnyebb értelmezni, ha először korlátozunk egy ismert területet, majd keresünk a szövegben, mint a reguláris kifejezés módosításával. A kulcs nem az, hogy „csak egy dobozt találjunk", hanem az, hogy a nulla és a többszörös találatokat is egyértelmű eredményként kezeljük, és ne hagyjuk, hogy a program jogosulatlan döntéseket hozzon.
Hagyja meg a szó helyét, ne csak a szöveget
A PyMuPDF `page.get_text("words")` egy szórekordot ad vissza pozícióval, a közös mező a (x0, y0, x1, y1, text, block_no, line_no, word_no). A következő példa csak az első öt mezőt veszi figyelembe, és az utolsó három szám egyelőre nem vesz részt a regionális szűrésben.
A "szó" itt a kivonó által megadott töredék, amely nem feltétlenül egyenlő a nyelvi értelemben vett szóval, és az sem garantált, hogy egy mennyiség mindig teljes töredék lesz. A 1,200.00 szétszerelhető, vagy szomszédos címkékkel rendelkezhet. Ez a cikk csak a teljes töredékek pontos párosításával foglalkozik: szívesebben adnám át a feltételeknek nem megfelelő iratokat a felülvizsgálatra, mintsem csendben beleszaggassam őket egy látszólag legális mennyiségbe.
Ellenőrizze két azonos mennyiségű szintetikus oldallal
Létrehozunk egy új PDF oldalt a memóriában, és ugyanennyit helyezünk el a 120 és 420 függőleges koordináták közelében. A lekérdezési terület csak a fenti összeget fedi le.
A szöveg beszúrási pontja az alapvonal pozíciója, nem a szövegdoboz bal felső sarka. A valódi doboz magasságát és szélességét befolyásolja a betűtípus és a betűméret, így a koordináták nem kódolhatók fix értékké.
A megfelelő kimenetnek két feltételnek kell megfelelnie:
- Csak egy jelölt van a lekérdezési területen, és a jelölt téglalap teljesen benne van a területen.
- A lekérdezési hatókör teljes oldalra való kiterjesztése után két jelöltet kell beszerezni, ezzel belépve a kétértelműségi ágba.
Végül ellenőrizze a nulla találatot olyan karakterlánccal, amely nem szerepel az oldalon. Ez közelebb áll a valódi interfész által megkövetelt szerződéshez, mint a sikeres keresés bemutatása.
Futtatható kód: adja át a jelöltek számát a hívónak
A függőség pymupdf, kérjük, telepítse és zárolja a verziót a tesztkörnyezetben. A következő kód nem fér hozzá a hálózathoz, nem ír fájlokat, és nem módosítja az eredeti ügyféldokumentumot. Csak egy bemutató PDF-et készít.
import pymupdf
def locate(page, target, query):
query = pymupdf.Rect(query)
candidates = []
for word in page.get_text("words"):
x0, y0, x1, y1, text = word[:5]
box = pymupdf.Rect(x0, y0, x1, y1)
if text == target and query.contains(box):
candidates.append(tuple(box))
return candidates
def decide(candidates):
if len(candidates) == 0:
return "missing"
if len(candidates) > 1:
return "ambiguous"
return "unique"
with pymupdf.open() as doc:
page = doc.new_page(width=595, height=842)
page.insert_text((80, 120), "1,200.00", fontsize=11)
page.insert_text((80, 420), "1,200.00", fontsize=11)
query = pymupdf.Rect(72, 100, 300, 150)
local = locate(page, "1,200.00", query)
assert decide(local) == "unique"
assert query.contains(pymupdf.Rect(local[0]))
assert decide(locate(page, "1,200.00", page.rect)) == "ambiguous"
assert decide(locate(page, "999.99", query)) == "missing"
print("unique / ambiguous / missing cases passed")
A contains teljes felvételt igényel, nem csak a régió szélét érinti. Ha a lekérdező mező túl szűk, az oldalsó összegek nulla találatba eshetnek, ami nem ok arra, hogy automatikusan a teljes oldalra szélesedjen. Mielőtt eldönti, hogyan állítja be a tartományt, ellenőrizze a terület mérése során használt koordináta-rendszert.
Ha a vállalkozás megengedi a középpont beesését, további szabályokat kell írni, és további teszteket kell végezni a határok átfedésére. Ne változtassa meg titokban az ítélet jelentését ugyanabban a funkcióban.
A gyártási logika nem hagyatkozhat kizárólag a assert-ra a kivételek elfogására, mivel az optimalizálási módok eltávolíthatják az állításokat. A példában szereplő állítások regressziós ellenőrzésre szolgálnak. Amikor ténylegesen hozzáfér a feladatsorhoz, tiszta feltételes ágakat és üzleti állapotokat kell használni.
Három eredmény, három feldolgozási módszer
A lekérdezések eredményeit általában három kategóriába sorolják, amelyek mindegyike különböző feldolgozási műveleteket igényel:
- Csak egy találat: Csak egy teljes egyező töredék található a területen, és az oldalszám, az eredeti szöveg, a téglalap és a szabályváltozat mentésre kerül.
- Nulla találat: Előfordulhat, hogy a terület rossz, az összeg meg van osztva, vagy hiányzik a szövegréteg. Jelölje meg az okot, ellenőrizze az eredeti oldalt, és ne adjon hozzá nullákat.
- Több találat: Ugyanazon a területen ismétlődő összegek találhatók, vagy a sablon megváltozott, az összes jelölt visszaadása, a címkék kombinálása vagy a kézi egyértelműsítés.
A másik két helyzetet szintén külön kell kezelni:
- Van egy keret, de az érték hibás: Lehet, hogy maga a szövegréteg hibás, vagy a megfelelő cél helytelen. Vissza kell térnie az eredeti oldalra, hogy ellenőrizze, és megakadályozza, hogy a koordináták jóváhagyják az értéket.
- Keretnek látszó eltolás: A megjelenítési koordináták és a kivonási koordináták keveredhetnek, és a forgatás, a vágás és a renderelés skálázásának transzformációs láncának egyértelműnek kell lennie.
📊 Alapvető összehasonlítás
| Lekérdezési módszer | Ítéleti kritériumok | figyelmet igényel |
|---|---|---|
| Teljes felvétel (elfogadott példa) | A jelölt téglalap teljesen a lekérdezési területre esik | Ha a lekérdezési mező túl szűk, előfordulhat, hogy az oldalon lévő összeg nulla találatot tartalmaz. |
| A középpont leesik (egy másik szabályt kell írni) | A jelölt középpont a régión belülre esik | A határátfedés külön vizsgálatot igényel |
| Teljes oldal lekérdezés | Keresse meg az összes jelöltet | Az eredmények többnyire kétértelműek, és további címkézést vagy manuális megítélést igényelnek. |
Ez nem egy univerzális mennyiségű kivonó
A kód nem elemzi a pénznemet, az ezres elválasztókat vagy a tizedesjegyeket, és nem ismeri fel az olyan szemantikát sem, mint az „ebben az időszakban fizetendő"és az „előző időszak egyenlege". Az, hogy csak egy jelölt van, nem jelenti azt, hogy az üzleti jelentés helyes.
A szkenneléshez először is rendelkezésre kell állnia a szövegnek és a helynek. A szöveges réteggel rendelkező, de hibás tartalmú oldalakat nem lehet csak azért kiadni, mert másolhatók.
Ez a cikk elforgatatlan szintetikus oldalakat használ. A valódi oldal elforgatásakor először jelezni kell, hogy a lekérdezés a képernyőről vagy a kivont koordinátákról származik-e, majd szükség esetén konvertálni kell. A forrástól függetlenül ne szorozzon mátrixszal.
A forrásoldalak mentésekor különbséget kell tenni a nulla alapú indexek és az emberorientált oldalszámok között, hogy elkerülje a lektorok azt, hogy tévesen azt gondolják, hogy a szomszédos oldalak megnyitása után nem létezik bizonyíték.
🎯 Melyik módszer illik hozzád?
Ha számokat kell lekérnie egy rögzített elrendezésű űrlapról
Először korlátozza a területet, ahol az üzleti mező található, majd keresse meg az összeget, és mentse el az oldalszámot, a téglalapot és a szabály verzióját.
Ha több jelölttel találkozik
Ne vegye közvetlenül az elsőt, küldje vissza az összes jelöltet, és határozza meg az üzleti területeket címkék vagy kézi döntés alapján.
Ha oldala gyakran nulla találatot eredményez
Ellenőrizze a terület koordinátáit, hogy az összeg fel van-e osztva, és hogy létezik-e a szövegréteg, mielőtt úgy döntene, hogy módosítja a tartományt vagy másik kinyerési útvonalat használ.
Ha dokumentumfordítást szeretne végezni
A kulcsfontosságú tartalmakat, például mennyiséget, dátumot, mennyiséget stb. építse be a kézi ellenőrzésbe, és legyen egyértelmű munkamegosztás a műszaki ellenőrzés és a kézi ellenőrzés között.
Hagyja a legfontosabb számadatokat a fordítás utáni áttekintésre
A dokumentumok fordítása nem csak attól függ, hogy a mondatok simaak-e, hanem az olyan kulcsfontosságú tartalmakat is, mint az összeg, a dátum és a mennyiség, egyenként meg kell erősíteni. A OmniDoc (termékportál) fordítási portálokat biztosít különféle dokumentumokhoz. A hivatalos honlapon bevezetett kétnyelvű összehasonlítás áttekintő portálként használható; a koordináta-pozícionáló szkript alkalmas az eredeti szöveges bizonyítékok megőrzésére és a problémás területek felkutatására.
Javasoljuk, hogy először olyan érzéketlenített mintákat használjon, amelyeket fel kell töltenie értékelés céljából. Ha a fordítás hosszabb lesz, a tartalom helyzete ésszerűen megváltozhat. "A régi és az új koordináták pontosan megegyeznek" nem tekinthető a helyes fordítás kemény feltételének.
Értékesebb csekkek: megtartották-e az összeget, egyértelmű-e a pénznem, és hogy a megfelelő címke továbbra is ugyanarra az üzleti jelentésre mutat-e.
❓ Gyakran Ismételt Kérdések (GYIK)
1. Miért nem fogadja el az első találatot?
Mivel a teljes szöveges keresés csak azt tudja megmondani, hogy hol jelenik meg az összeg, nem tudja meghatározni, hogy melyik hely az üzleti terület. Csak adja meg az első találatot, és az eredmény helyesnek tűnhet, de a forrás rossz lehet.
2. Miért kell a lekérdezőmezőnek teljesen szerepelnie ahelyett, hogy csak a szélét érintené?
A példa teljes befogadás-meghatározási módszert használ, hogy elkerülje a hiányos töredékek érvényes találatként való kezelését. Ha a lekérdezési mező túl szűk, és nulla találatot eredményez, először a koordinátarendszert és a tartományt kell ellenőrizni, ahelyett, hogy automatikusan a teljes oldalra szélesítené.
3. Mi a teendő, ha a lekérdezés eredménye nulla?
Jelölje meg az ok-jelölteket, és ellenőrizze az eredeti oldalt nulla kitöltés nélkül. A hibás területek, a megosztott mennyiségek vagy a hiányzó szövegrétegek nulla találatot eredményezhetnek.
4. Használható ez a kód közvetlenül valódi számlákhoz?
Közvetlenül nem használható. A példák nem foglalkoznak a pénznemekkel, az ezres elválasztókkal és az üzleti szemantikával, és a cikkben szereplő szintetikus példák nem a valódi számlák pontossági tesztjét jelentik.
📝 Összefoglaló
Az összeg meghatározásakor először korlátozza a területet, majd adja át a jelöltek teljes számát a kiírónak, hogy elbírálja. Egyértelmű feldolgozási műveleteknek kell lenniük nulla és többszörös találat esetén. Először használjon érzéketlenített mintákat a szabályok ellenőrzéséhez, majd fokozatosan érjen el valódi dokumentumokat.


