ファイル名がドキュメントのタイトルと等しくない: PDF メタデータを整理する方法

PDF ファイル名はオペレーティング システムまたはダウンローダーによって決定されますが、内部ドキュメントのタイトルは /Info 辞書または XMP メタデータに保存されます。多くの場合、この 2 つは矛盾しており、メタデータ自体が空であるか、文字化けしているか、ツールによって書き込まれたプレースホルダーが含まれている可能性があります。自動化されたスクリプトがファイル名または doc.metadata["title"] をデータベースに直接書き込む場合、下流の変換または検索システムは report_final_v2 などの無意味な文字列のみを取得する可能性があります。

この記事は、PDF をバッチ処理する必要があり、タイトルのソースを追跡できるようにする必要がある開発者およびドキュメント チームに適しています。読み取り後、一連の階層的なタイトル抽出戦略を確立できます。最初にメタデータを使用し、無効な場合はルールに従ってフォールバックし、その後の手動レビューまたは機械処理レビューの意思決定の基礎を容易にするために、各ロールバックの理由を記録します。

PDF タイトルを確実に抽出するにはどうすればよいですか?一文の結論

まず内部メタデータを検証し、無効な場合は拡張子のないファイル名に戻し、結果ごとにソースをマークします。

メタデータヘッダーを直接信頼できない理由

メタデータが欠落している、または信頼できないという 3 つの典型的な問題

• メタデータが書き込まれません: 生成ツールによってフィールドが書き込まれず、title は空の文字列を返します。
• デフォルトで上書き: バッチ処理ツールは、タイトルを「無題」、「Microsoft Word」、または UUID の文字列に変更します。
• エンコード エラー: タイトルが文字化けまたは切り詰められて表示されます。

PDF 仕様では、これらのフィールドが空または完全に欠落していることが許可されているため、これらの状況は 1 回の API 呼び出しでは解決できず、明示的な検証とフォールバック ロジックが必要です。

ホームページのタイトルもメタデータと異なる場合があります

一部の PDF では、メタデータ領域ではなく、最初のページの本文に実際のタイトルが配置されます。メタデータが空ではない場合でも、それはユーザーが期待するドキュメント識別子ではない可能性があります。

合成例: 期待される出力と境界処理

以下は、予想される動作を説明するための一連の 合成例 です。これらのサンプルは読者が自分で作成する必要があり、実際のドキュメントではありません。

• 通常の入力: PDF 内部 /Title は「2024 年年次財務監査報告書」であり、ファイル名は audit_2024.pdf です。予想される出力のタイトルは「2024 年次財務監査報告書」で、ソースには metadata のタグが付けられています。
• 境界入力 1: /Title は空の文字列で、ファイル名は Q3_report_draft.pdf です。予期される出力のタイトルは「Q3_report_draft」(拡張子は削除されています)、ソース タグは filename_fallback です。
• 境界入力 2: /Title は「無題のドキュメント」であり、大文字と小文字を区別しないマッチングで無効な値のリストにヒットします。ファイル名はscan_001.pdfです。予想される出力タイトルは「scan_001」、ソースタグは invalid_metadata_fallback です。
• 境界入力 3: /Title に不正な UTF-8 シーケンスが含まれており、デコードに失敗しました。明示的な例外をスローするか、安全なデフォルトを返して decode_error をログに記録することが期待されているため、破損したテキストをサイレントに使用することはできません。

すべての出力にはソースタグを付ける必要があり、フォールバック ルールは暗黙的な仮定に依存するのではなく、コード内で明示的に定義する必要があります。

📊 コアの比較

PyMuPDF実装の主要ポイント

依存関係はPyMuPDF>=1.24.0です。 このバージョン番号は公式APIの安定性ドキュメントから推測されています。実際の使用前に特定のバージョンをロックしてください。

コードは外部ファイルを必要とせず、ロジックを示すためにメモリ上で簡単なPDFを構築します。 実際の文書をテストするには、streamパラメータをローカルのPDFバイトストリームに置き換え、ファイルが正当に読み取れるか確認してください。

import pymupdf
import re
from typing import Dict, Any

# 合成示例：创建一个带元数据的PDF用于演示
def create_sample_pdf(title: str) -> bytes:
    doc = pymupdf.open()
    page = doc.new_page()
    page.insert_text((72, 72), "Sample content")
    if title is not None:
        doc.set_metadata({"title": title})
    return doc.tobytes()

INVALID_TITLES = {"untitled", "untitled document", "microsoft word", "", "document"}

def extract_title_with_fallback(pdf_bytes: bytes, filename: str) -> Dict[str, str]:
    doc = None
    try:
        doc = pymupdf.open(stream=pdf_bytes)
        meta = doc.metadata or {}
        raw_title = (meta.get("title") or "").strip()

        # 检查是否为无效占位符或纯空白
        if not raw_title or raw_title.lower() in INVALID_TITLES:
            fallback = re.sub(r'\.[^.]+$', '', filename)
            source = "invalid_metadata_fallback" if raw_title else "filename_fallback"
            return {"title": fallback, "source": source}

        # 有效元数据标题
        return {"title": raw_title, "source": "metadata"}

    except UnicodeDecodeError:
        raise ValueError("Metadata title contains invalid encoding")
    finally:
        if doc is not None:
            doc.close()

# 验证逻辑（合成样本）
sample_ok = create_sample_pdf("2024年度财务审计报告")
result_ok = extract_title_with_fallback(sample_ok, "audit_2024.pdf")
assert result_ok == {"title": "2024年度财务审计报告", "source": "metadata"}

sample_empty = create_sample_pdf("")
result_empty = extract_title_with_fallback(sample_empty, "Q3_report_draft.pdf")
assert result_empty == {"title": "Q3_report_draft", "source": "filename_fallback"}

sample_invalid = create_sample_pdf("Untitled Document")
result_invalid = extract_title_with_fallback(sample_invalid, "scan_001.pdf")
assert result_invalid == {"title": "scan_001", "source": "invalid_metadata_fallback"}

このコードはタイトル抽出とロールバックのロジックを示すのみであり、XMP解析、多言語タイトル選択、OCRロールバックなどの完全な機能は含まれていません。 本番環境では検証ルールを拡張し、ログを追加する必要があります。

受理基準と手動審査の境界

注:この表はメタデータタイトル抽出段階のみを扱っています。 エンドツーエンドの文書理解の効果は、本文と目次の構成を考慮して包括的に評価する必要があります。 検証されたサンプルコードが製品レベルの信頼性とは限りません。

参考文献

• PyMuPDF Document.metadata 官方ドキュメント
• PyMuPDF set_metadataメソッドの説明は、同じページの対応する項目を参照してください。

このチェックリストを文書翻訳に使ってください

まずページ順、タイトルの出典、テキストの完全性を確認し、同じアンクシサンプルを翻訳に渡します。 翻訳が終わった後も、タイトル、本文、キャプションが正しく一致しているか確認すべきです。テキストの滑らかさだけを見るだけではダメです。

OmniDoc(製品エントリー)はマルチフォーマットの文書翻訳ポータルを提供しており、公式ウェブサイトではOCR、用語集、バイリンガル比較などの機能も導入されています。 チームがファイルから直接読み始めたい場合、実際のサンプルを使ってこの経路を評価できます。 アップロード許可を得た匿名ファイルを使用し、この記事のチェックリストで結果を検証してください。 これは、OmniDocがこの記事で言及されたオープンソースライブラリや内部アルゴリズムを使用していることを主張するものではなく、例が製品性能テストの代替でもあるわけではありません。

❓ よくある質問(FAQ)

1. メタデータにはすでにタイトルが含まれていますが、まだ検証が必要ですか?

はい。 メタデータは「Untitled」「Microsoft Word」や「UUID」などのデフォルト値で上書きされる可能性があるため、まず有効性チェックを行うべきです。

2. ファイル名に戻すことのリスクは何ですか?

ファイル名はオペレーティングシステムやダウンロードャーによって決定され、report_final_v2のような意味のない文字列である場合もあります。 ロールバック結果にはソースを記載すべきです。ファイル名自体が意味を持たない場合は、low_confidenceとマークすべきです。

3. スキャンはどのように扱うべきでしょうか?

このメタデータロジックはテキストレイヤーを持たないスキャンには適用されません。 まずOCRでホームページのタイトルを抽出し、その後次のプロセスに進む必要があります。

4. サンプルコードは本番環境で直接使えますか?

直接使うことはできません。 この例はタイトル抽出とロールバックのみを示しており、本番環境ではXMP解析、多言語タイトル選択、OCRロールバック、ログの追加も拡張する必要があります。

📝 概要

タイトル抽出は単一のAPI呼び出しに頼ることはできません。 レイヤードバリデーション、明示的なロールバック、ソースタグを通じて、下流システムは各タイトルの出所を把握でき、手動検証が容易になります。

今すぐ体験:元のフォーマットを保ちながら翻訳を始めるために文書をアップロードしましょう