OmniDocPDF іздеу сөздерін бөлектеңіз, неге тіктөртбұрыш курсив мәтінді дұрыс жақтамайды?
Көлбеу қаріптер ізделетін төртбұрыштың аумағын қоршаудағы тіктөртбұрыштан міндетті түрде кішірейтпейді. Төрт бұрыштық бағыт ақпаратын сақтау қажет болғанда, бөлектеуді қосу үшін quads=True нәтижесін тікелей пайдаланыңыз; бөлектеу дұрыс екенін анықтау үшін аумақ айырмашылығы шегін пайдаланбаңыз.
Көлбеу мәтінді іздеуді бөлектеу жолағы қисайған кезде, бұл көбінесе қаріптің өзінде ақау бар болғандықтан емес, бөлектеу үшін пайдаланылатын геометриялық нысанның қате таңдалғандығынан болады. Бұл мақала PDF мәтінінің орналасуын өңдеу үшін PyMuPDF қолданатын әзірлеушілерге арналған. Ол курсив немесе айналдырылған мәтінді бөлектеу дұрыс екенін анықтау үшін қоршалған тіктөртбұрышты (Тік) неліктен пайдалануға болмайтынын және әртүрлі жағдайларда оны қалай өңдеу керектігін түсіндіреді.
Осы мақаланы оқығаннан кейін іздеу нәтижелері үшін Quad немесе Rect пайдалануды шеше аласыз, іздеу кезінде ешқандай хиттерді, көлденең жолдарды, бірнеше соққыларды және CropBox қиюын қалай өңдеу керектігін және қандай мәселелердің геометриялық орналасу аясынан тыс екенін түсінуге болады.
Толық мәтін синтетикалық үлгілермен көрсетіледі және код оқшауланған ортада үлгі тексеруінен өтті, бірақ бұл барлық нақты файлдардың немесе өнім әсерлерінің кепілі емес. Маңызды құжаттарды өңдеуден бұрын түпнұсқаларды сақтаңыз, содан кейін оларды төмендегі шекаралар мен қабылдау элементтеріне сәйкес қарап шығыңыз.
Іздеу курсив мәтінін бөлектеу үшін Quad немесе Rect таңдаңыз? Бір сөйлемнен қорытынды
Көлбеу шрифт іздеу нәтижесінде алынған төртбұрыш аймағын қоршаудағы тіктөртбұрыштан кішірейтпейді. Төрт бұрыштық бағыт туралы ақпаратты сақтау қажет болғанда, негізгі нүктелерді қосу үшін quads=True нәтижелерін тікелей пайдаланыңыз. Бөлектеу дұрыс екенін анықтау үшін аумақ айырмашылығы шегін пайдаланбаңыз.
| сіздің жағдайыңыз | Ұсынылатын тәжірибелер | себебі |
|---|---|---|
| Көлбеу немесе бұрылған мәтін, төрт бұрыштық бағдарды сақтау қажет | Бөлек нүктелерді қосу үшін quads=True нәтижелерін тікелей пайдаланыңыз | Quad төрт бұрыштық бағдар ақпаратын сақтайды |
| Бөлектеудің дұрыстығын анықтау үшін аймақ айырмашылығы шегін пайдаланғым келеді. | мұны істеме | Көлбеу шрифт төртбұрыш аймағын міндетті түрде кішірейтпейді және шекті шешім сенімсіз. |
| Іздеу терминдері жолдар бойына таралады және қозғалтқыш оларды бірдей сөздік бірлігі ретінде танымайды. | Барлық қайтарылған Quad фрагменттерін сақтаңыз және бөлектеулерді жеке сызыңыз | Ректке күштеп біріктіру ортадағы бос кеңістіктің семантикасын жоғалтады. |
| Бетте CropBox қиюы бар | CropBox қалпына келтіргеннен кейін мазмұн әлі де көрінетін аумақта екенін тексеріңіз | search_for қайтарған координаттар бұрылмаған бастапқы бет кеңістігіне негізделген және болжауға болмайды get_text әдепкі бойынша қиылған аумақты елемейді. |
| Бірнеше соққылар | Бет нөмірлерін тармақ бойынша сақтаңыз және оларды бір-бірден өңдеңіз | Біріншісін өңдеу ғана қалған позицияларды өткізіп жібереді |
Неліктен көлбеу мәтін дұрыс көрсетілмейді?
Көптеген адамдар әдепкі бойынша курсив таңбаларының қоршау тіктөртбұрышы төртбұрыштан әлдеқайда үлкен деп есептейді, сондықтан бөлектеу үшін Rect пайдалану «кадрдың ауытқуына» әкеледі. Шындығында, курсив шрифт ізделетін төртбұрыштың аумағын қоршаудағы тіктөртбұрыштан кішірейтпейді, сондықтан бөлектеу дұрыстығын анықтау үшін аумақ айырмашылығын пайдалану сенімді емес.
Шын мәнінде қажет нәрсе - төрт бұрыштың бағдар ақпаратын сақтау. Quad бұл ақпаратты жазып алады және оны тікелей бөлектеулерді қосу үшін пайдалану пішінді болжау үшін қоршау тіктөртбұрышты пайдаланудан гөрі сенімдірек.
Өзіндік композицияның мысалы
Тәуелділіктер үшін импорт тізімін қараңыз. Код жадтағы енгізуді құрастырады және іске қосу үшін сыртқы файлдарды қажет етпейді. Операциялық жазбалар бөлек беріледі және барлық құжаттардың түпнұсқалығына кепілдік бермейді.
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) == 4Дұрыс шығыс және шекаралық енгізуді өңдеу
Жоғарыдағы синтетикалық мысал Quad әрекетін тексеру үшін пайдаланылатын жадтағы PDF жасайды. Төменде бірнеше жалпы шекаралық кірістер берілген.
1. Іздеу сөздері жолдар бойына таралады
Егер іздеу термині жаңа жолдарды қамтитын болса және қозғалтқыш оны бірдей сөздік бірлігі ретінде танымаса, search_for бос тізімді қайтаруы немесе тек ішінара фрагменттерді сәйкестендіруі мүмкін.
- Бірнеше іргелес емес төртбұрышты бір тікке күштеп біріктірмеңіз, әйтпесе ортадағы бос кеңістіктің семантикасы жоғалады.
- Барлық қайтарылған Quad фрагменттерін сақтаңыз және бөлектеулерді бөлек салыңыз.
2. Іздеу термині тұрақты арнайы таңбаларды қамтиды
Іздеу шартында олардан шықпай тұрақты арнайы таңбалар болса, нәтижелер күткендей болмауы мүмкін. Қоңырау шалмас бұрын кіріс жолын қауіпсіз өңдеу керек.
3. CropBox Crop
Егер бетте CropBox клипі болса, search_for қайтарған координаттар әлі де айналмаған бастапқы бет кеңістігіне негізделеді. CropBox-ты қалпына келтіргеннен кейін, мазмұнның әлі де көрінетін аймағында екенін тексеру қажет; get_text әдепкі бойынша кесу аймағын елемейді деп ойлауға болмайды.
Қабылдау критерийлері және қолмен қарау шекаралары
Бұл шешім тек геометриялық позициялау мәселесін шешеді. Төмендегі жағдайлар Quad пен Rect таңдау мәселесіне жатпайды:
- PDF-тің мәтін қабатына зақымдану;
- Қаріп ендіру аномалиялары;
- Жасырын қабаттардың болуы.
Мұндай жағдайларда search_for нәтижелері мүлде сенімді болмауы мүмкін және қолмен қаралуы немесе қайта қаралуы тиіс. Үлгі код тек геометриялық қасиеттерді тексереді; соңынан аяғына дейінгі әсерлер әлі де нақты құжат түрлеріне қарай бағалануы керек.
Ерекшеліктерді басқару туралы нақты шешімдер
| Бақылау | Не істеу керек | және оны соттауға болмайды |
|---|---|---|
| Іздеу нәтиже бермеді | Мәтін қабатын және кілт сөздерді тексеріңіз | Бос жарықтар жасалмайды |
| Мәтінді айналдыру | Квадтың төрт бұрышын сақтап қалу | Аудан айырмашылығын қолданбау арқылы дәлдікті болжау |
| және көптеген жерлерде дәл тигізді | Әр элемент бет нөмірімен сақталуы тиіс | Біріншісін ғана қабылдама. |
📊 Негізгі салыстыру
| Мақсат | Сақталуға болатын ақпарат | Қолданылатын сценарийлер | Ескертпелер |
|---|---|---|---|
| Quad | Төрт бұрыш | Курсивпен және айналмалы мәтінді дәл белгілеуді талап етеді | quads=True нәтижелерін тікелей пайдалану |
| Тік (сыртқы тікбұрышты) | Сыртқы байланыс диапазоны | Көлденең мәтінді қарапайым таңдау | Курсивпен немесе айналмалы мәтін қораптан тыс болуы мүмкін және дәлдігін тексеруге жарамсыз болуы мүмкін |
| Біріктірілген Rect | Жалпы ауқымы | Кросс-лайн іздеуге ұсынылмайды | Бұл ортасындағы бос аймақтардың мағынасын жоғалтады |
🎯 Қай әдіс саған ыңғайлы?
Егер сен ......
- Мәтін бұрыштары сақталуы керек:
quads=Trueнәтижелерін тікелей пайдаланып, жарық нүктелерін қосыңыз. - Аймақ айырмашылығы шегіне қарап белгілеу дұрыс па, бағалағыңыз келеді: Мұны жасамаңыз; курсивпен жазылған қаріптер төрт аймақты міндетті түрде кішірейтпейді.
- Егер іздеу сөздері сызықтардан өтіп кетсе: Барлық Quad сегменттерін сақтаңыз, оларды бөлек бөліп, бір Rect ретінде біріктірмеңіз.
- CropBox кесу арқылы беттерді өңдеу: CropBox-ты қалпына келтіргеннен кейін мазмұнның әлі де көрінетін аймағында екенін тексеріңіз.
Құжат аудармасы үшін осы тексеру тізімін қолданыңыз
Алдымен бет тәртібін, бастапқы орнын және мәтіннің тұтастығын мұқият тексеріңіз, содан кейін сол анонимді үлгіні аударма процесіне тапсырыңыз. Аудармадан кейін атау, негізгі мәтін және жазулардың дұрыс сәйкестігін тексеру қажет; мәтіннің еркін сөйлегеніне қарап бағалау жеткіліксіз.
OmniDoc (Өнім жазбасы) көп форматты құжат аударма порталдарын ұсынады, ал ресми сайты OCR, терминология және екі тілде анықтамалық мүмкіндіктерді енгізеді. Файлдардан тікелей бастағысы келетін командалар үшін бұл жолды нақты үлгілермен бағалауға тұрарлық. Жүктеуге рұқсат берген анонимді файлды пайдаланып, нәтижелерді осы мақаладағы тексеру тізімімен тексеріңіз. Бұл OmniDoc мақалада аталған ашық бастапқы кодты кітапханалар немесе ішкі алгоритмдерді қолданады дегенді білдірмейді, сондай-ақ мысалдар өнімділік тестілеуін алмастырмайды.
Әдебиеттер
❓ Жиі қойылатын сұрақтар (FAQ)
1. Курсивпен жазылған мәтін міндетті түрде квадрат аумақты кішірейтеді ме?
Міндетті емес. Курсив глифтері сыртқы тікбұрышқа қарағанда міндетті түрде төрт төртбұрыштық аудан бермейді, сондықтан сызықтың дұрыс екенін анықтау үшін аудан айырмашылықтарына сүйенуге болмайды.
2. Quad-тың төрт бұрышты ақпараты қашан сақталуы керек?
Егер төрт бұрыштың бағыт ақпаратын сақтау керек болса, quads=True нәтижелерін тікелей пайдаланып, жарықтандыруды қосуыңыз керек.
3. Егер іздеу сөзіңіз шекарадан өтіп, дәл сәйкес келмесе, не істеу керек?
Бос жарықтар жасамаңыз; алдымен мәтін қабаты мен кілт сөздерді тексеріңіз. Егер сегменттің тек бір бөлігі ғана қайтарылса, барлық қайтарылған Quad сегменттері бөлек сақталып, бір Rect-ке күштеп біріктірілмей, бөлек белгілену керек.
4. Бетте CropBox бар. Кескенде неге назар аудару керек?
search_for қайтарған координаттар әлі де айналмаған бастапқы бет кеңістігіне негізделген. CropBox-ты қалпына келтіргеннен кейін, мазмұнның көрініс жолында екенін тексеру қажет; get_text әдепкі бойынша кесу аймағын елемейді деп ойлауға болмайды.
📝 Қысқаша мазмұны
Курсивпен белгілеу және айналмалы мәтін Quad-қа негізделуі тиіс, ал әр элемент үшін бет нөмірлері мен бұрыштық ақпарат сақталуы тиіс. Мәтін қабатының бүлінуі мен қаріптердің қалыптан тыс ендірілуі сияқты мәселелер әлі де қолмен қаралуды немесе қайта OCR-ды талап етеді.
