भाष्य केलेले दस्तऐवज सुपूर्द करताना, फक्त स्वच्छ दिसणारी PDF देऊ नका.

पीडीएफ भाष्ये सोपवण्यापूर्वी, बरेच लोक थेट page.get_text() चा वापर अनुवादासाठी, संग्रहित करण्यासाठी किंवा पुढील पुनरावलोकनकर्त्याला सुपूर्द करण्यासाठी स्वच्छ दिसणारा मजकूर निर्यात करण्यासाठी करतील. परंतु या मजकुरात सहसा भाष्ये नसतात. काही निष्कर्षण पद्धती मजकूराच्या मध्यभागी टिप्पण्या देखील टाकतील, शब्दार्थात व्यत्यय आणतील; साइडबारमधील बदल टिप्पण्या आणि संवेदनशील टिप्पण्या चुकल्या जाऊ शकतात.

हा लेख विकसक आणि दस्तऐवज मालकांसाठी लिहिलेला आहे ज्यांना भाष्य केलेल्या PDF सह कार्य करण्याची आवश्यकता आहे. वाचल्यानंतर, तुम्हाला समजेल की भाष्ये स्वतंत्र डेटा स्तर का आहेत, स्तरांमध्ये मजकूर आणि भाष्ये कशी काढायची, कोणत्या किनारी प्रकरणे बचावात्मकपणे हाताळली जाणे आवश्यक आहे आणि कोणते स्वीकृती बिंदू व्यक्तिचलितपणे पुष्टी करणे आवश्यक आहे.

या लेखातील सर्व उदाहरणे सिंथेटिक नमुने वापरतात. कोड एका वेगळ्या वातावरणात नमुना तपासला गेला आहे, परंतु हे सर्व वास्तविक फाइल्स किंवा उत्पादन कार्यक्षमतेची हमी नाही. महत्त्वाच्या कागदपत्रांवर प्रक्रिया करण्यापूर्वी, कृपया मूळ कागदपत्रे ठेवा आणि मजकूरातील सीमा आणि स्वीकृती आयटमनुसार त्यांचे पुनरावलोकन करा.

हस्तांतरित करण्यापूर्वी एनोटेड PDF कशी काढायची? एका वाक्याचा निष्कर्ष

मजकूर आणि भाष्य दोन स्वतंत्र डेटा प्रवाह म्हणून हाताळा आणि ते वेगळे काढा आणि भाष्य सामग्रीवर स्पष्ट सुरक्षा पुनरावलोकन करा.

भाष्ये मजकूराच्या डेटा स्तरापेक्षा स्वतंत्र का असतात

पीडीएफ स्पेसिफिकेशनमध्ये, पृष्ठ सामग्री प्रवाह (सामग्री प्रवाह) आणि भाष्य शब्दकोश (ॲनॉट्स ॲरे) संरचनात्मकपणे विभक्त केले आहेत. शरीरात मजकूर प्रदर्शन सूचना असतात; भाष्ये पृष्ठाशी संलग्न स्वतंत्र वस्तू आहेत, त्यांचे स्वतःचे निर्देशांक, प्रकार आणि सामग्री गुणधर्मांसह. PyMuPDF ची Page.annots() पद्धत जनरेटर परत करते जी पृष्ठ मजकूर प्रवाहाऐवजी या स्वतंत्र भाष्य सूचीमधून जाते.

याचा अर्थ आपण असे गृहीत धरू शकत नाही की आपण पहात असलेला सर्व मजकूर त्याच प्रकारे काढला जाऊ शकतो.

मार्क क्लास आणि कंटेंट क्लास एनोटेशनमधील फरक

• टॅग भाष्य (जसे की हायलाइट करणे आणि अधोरेखित करणे) मध्ये स्वतः मजकूर नसतो, परंतु केवळ मूळ मजकुराशी संबंधित क्षेत्र (क्वाड्स/रेक्ट्स) रेकॉर्ड करा. खरा मजकूर केवळ निर्देशांकांद्वारे मजकूर शोधून प्राप्त केला जाऊ शकतो.
• सामग्री भाष्य (जसे की नोट्स, विनामूल्य मजकूर) त्यांच्या स्वतःच्या सामग्री स्ट्रिंग आहेत आणि थेट वाचल्या जाऊ शकतात.
• तुम्ही प्रकारात फरक न करता थेट annot.info["content"] वाचल्यास, तुम्ही टॅग वर्ग भाष्याद्वारे निर्देशित केलेला मूळ संदर्भ गमवाल किंवा सामग्री रिक्त असल्यास अपवाद टाकाल.

संश्लेषण उदाहरण: स्तरित निष्कर्षण आणि संवेदनशील माहिती व्यत्यय

योग्य प्रोसेसिंग लॉजिक दाखवण्यासाठी, आम्ही कोडमध्ये तीन ठराविक भाष्ये असलेली सिंथेटिक परिस्थिती तयार केली आहे. खालील इनपुट हे कोडमध्ये तयार केलेले नमुने आहेत, वास्तविक ग्राहक फायलींमधून नाहीत आणि ते केवळ शैक्षणिक प्रदर्शनासाठी आहेत.

अपेक्षित आउटपुटमध्ये तीन संरचित फील्ड आहेत:

1. मजकूराचा तुकडा: कोणत्याही भाष्य सामग्रीशिवाय, पृष्ठाचा फक्त मूळ मजकूर असतो.
2. भाष्य सूची: प्रत्येक रेकॉर्डमध्ये प्रकार, स्थान, लेखक, वेळ आणि सामग्री (असल्यास) समाविष्ट असते.
3. सुरक्षा चिन्ह: भाष्य सामग्री पूर्वनिर्धारित संवेदनशील नियमांशी जुळत असल्यास (जसे की आयडी क्रमांक, अंतर्गत कोड), एंट्री redacted=True म्हणून चिन्हांकित केली जाते आणि सामग्री प्लेसहोल्डरने बदलली जाते.

तीन प्रकारच्या सीमा ज्यांचे रक्षण करणे आवश्यक आहे

• रिक्त सामग्री भाष्य: शाई (शाई) किंवा काही वाचकांनी तयार केलेल्या ग्राफिक भाष्यांमध्ये मजकूर गुणधर्म नसतात. .info["content"] वर थेट प्रवेश केल्याने रिक्त स्ट्रिंग किंवा काहीही नाही, कोडने बचावात्मक तपासणी करणे आवश्यक आहे आणि सर्व भाष्यांमध्ये वाचनीय मजकूर आहे असे गृहीत धरू शकत नाही.
• फिरवलेले पृष्ठ निर्देशांक: पृष्ठ 90 अंश फिरवल्यानंतर, भाष्य आयत अद्याप न फिरवलेल्या पृष्ठावर आधारित आहे. तुम्ही मजकूर क्रॉप करण्यासाठी किंवा ठेवण्यासाठी या निर्देशांकांचा थेट वापर केल्यास, स्थिती पूर्णपणे गडबड होईल, आणि समन्वय परिवर्तन प्रथम केले जाणे आवश्यक आहे.
• ऑर्फन ऑब्जेक्ट: ट्रॅव्हर्सल प्रक्रियेदरम्यान दस्तऐवज बंद असल्यास किंवा पृष्ठ रीलोड केले असल्यास, सध्याची नोट ऑब्जेक्ट त्वरित अवैध होईल. सर्व वाचन ऑपरेशन्स एका पृष्ठाच्या जीवनकाळात पूर्ण करणे आवश्यक आहे.

पायथन अंमलबजावणी: सुरक्षित भाष्य ट्रॅव्हर्सल आणि सत्यापन

मेमरीमध्ये चाचणी PDF तयार करण्यासाठी उदाहरण PyMuPDF वापरते, श्रेणीबद्ध निष्कर्षण आणि मूलभूत मास्किंग लॉजिक प्रदर्शित करते. अवलंबून लायब्ररी PyMuPDF (म्हणजे pymupdf पॅकेज) आहे. कृपया ते लॉक केलेल्या अवलंबित्व वातावरणात चालवा. annot विशेषता पूर्णपणे ऍक्सेस करण्यासाठी आवृत्ती >=1.23.0 असणे आवश्यक आहे. हा कोड नेटवर्क ऑपरेशन्स किंवा फाइल लेखन करत नाही, तो फक्त तर्क दर्शविण्यासाठी वापरला जातो.

import fitz  # PyMuPDF
import re

# 合成示例：仅在内存中构造，无需外部文件
def create_sample_pdf():
    doc = fitz.open()
    page = doc.new_page()
    # 插入正文
    page.insert_text((72, 72), "Confidential Project Alpha Report", fontsize=12)
    # 添加便签批注（含敏感信息模拟）
    page.add_text_annot((200, 72), "Reviewer: SSN 123-45-6789 approved.")
    # 添加高亮批注（无自身文本，关联正文）
    highlight = page.add_highlight_annot(fitz.Rect(72, 60, 250, 80))
    # 必须调用update()使info变更生效
    highlight.set_info(title="Editor", content="Check this term")
    highlight.update()
    return doc

def extract_with_safety(page, sensitive_pattern=r"\d{3}-\d{2}-\d{4}"):
    body_text = page.get_text("text")
    annotations = []

    # 显式遍历批注生成器
    for annot in page.annots():
        info = annot.info
        # 防御性获取内容，处理None或空字符串
        content = info.get("content", "") or ""

        # 边界处理：敏感词检测与脱敏
        is_sensitive = bool(re.search(sensitive_pattern, content))
        safe_content = "[REDACTED]" if is_sensitive else content

        annotations.append({
            "type": annot.type[1],
            "author": info.get("title", "Unknown"),
            "content": safe_content,
            "is_redacted": is_sensitive,
            # 注意：此为未旋转坐标系，若页面有旋转需配合rotation_matrix使用
            "rect": list(annot.rect)
        })
    return body_text, annotations

# 执行校验
doc = create_sample_pdf()
page = doc[0]
text, annots = extract_with_safety(page)

assert "SSN 123-45-6789" not in str(annots), "敏感信息未被拦截"
assert any(a["type"] == "Highlight" for a in annots), "标记类批注丢失"
assert len(text.strip()) > 0, "正文提取失败"
print(f"Extracted {len(annots)} annotations safely.")

त्याच्या केंद्रस्थानी, कोड बचावात्मक प्रोग्रामिंग आहे: भाष्य सामग्रीच्या शुद्धतेवर विश्वास ठेवला जात नाही किंवा भाष्य प्रकाराची अखंडता गृहीत धरली जात नाही. assert स्टेटमेंट अपेक्षित तर्काची पडताळणी करण्यासाठी वापरले जाते, परंतु हे फक्त एक प्रात्यक्षिक आहे आणि सर्व PDF प्रकारांसाठी एंड-टू-एंड कामगिरी हमी दर्शवत नाही.

भाष्य श्रेणींची तुलना

स्वीकृती निकष आणि मॅन्युअल पुनरावलोकन सीमा

ऑटोमेटेड एक्सट्रॅक्शन सर्व एज केसेस कव्हर करू शकत नाही. खालील तक्त्यामध्ये स्वीकृती बिंदूंची सूची दिली आहे ज्याकडे हस्तांतरित करताना लक्ष दिले पाहिजे, कोड हाताळू शकेल अशी व्याप्ती आणि मॅन्युअल हस्तक्षेप आवश्यक असलेल्या परिस्थितींमध्ये फरक करून.

लागू नाही: संकेतशब्द प्रदान केल्याशिवाय एनक्रिप्टेड PDF, संरचनात्मकदृष्ट्या खराब झालेले PDF आणि भाष्य प्रकार परिभाषित करण्यासाठी नॉन-स्टँडर्ड खाजगी विस्तार वापरणाऱ्या फायलींना हे समाधान लागू होत नाही. या परिस्थितींमध्ये, स्क्रिप्ट शांतपणे वगळू शकते किंवा निम्न-स्तरीय C++ अपवाद टाकू शकते, ज्याची व्यावसायिक साधने वापरून स्त्रोत फाइल व्यक्तिचलितपणे उघडून पुष्टी करणे आवश्यक आहे.

दस्तऐवज भाषांतरासाठी चेकलिस्ट वापरा

प्रथम पृष्ठ क्रम, स्त्रोत स्थान आणि मजकूर अखंडतेची पुष्टी करा आणि नंतर भाषांतर प्रक्रियेसाठी समान संवेदनक्षम नमुना सबमिट करा. भाषांतरानंतर, तुम्हाला अद्याप शीर्षक, मजकूर आणि चित्रे बरोबर आहेत की नाही हे तपासण्याची आवश्यकता आहे. तुम्ही फक्त मजकूर गुळगुळीत आहे की नाही हे तपासू शकत नाही.

OmniDoc एक मल्टी फॉरमॅट दस्तऐवज भाषांतर पोर्टल प्रदान करते आणि अधिकृत वेबसाइट OCR, शब्दकोष आणि द्विभाषिक तुलना कार्ये सादर करते. जर कार्यसंघ थेट फाइलवरून प्रक्रिया सुरू करू इच्छित असेल तर, या मार्गाचे वास्तविक नमुन्यांसह मूल्यांकन केले जाऊ शकते. कृपया तुम्हाला अपलोड करण्याची परवानगी असलेल्या डिसेन्सिटाइज्ड फाइल्स वापरा आणि या लेखातील चेक आयटमनुसार परिणामांचे पुनरावलोकन करा. OmniDoc ओपन सोर्स लायब्ररी किंवा या लेखातील अंतर्गत अल्गोरिदम वापरते असा कोणताही दावा नाही किंवा उदाहरण उत्पादन कार्यप्रदर्शन चाचणीची जागा घेत नाही.

संदर्भ आणि पुढील पायऱ्या

• PyMuPDF Page.annots() अधिकृत दस्तऐवजीकरण

1. मिश्र भाष्य प्रकार असलेली ऐतिहासिक प्रकल्प फाइल निवडा.
2. वरील सत्यापन स्क्रिप्ट चालवा आणि मॅन्युअल पुनरावलोकन आवश्यक असलेल्या नोंदींचे प्रमाण मोजा.
3. जर गुणोत्तर अपेक्षेपेक्षा जास्त असेल, तर उत्तर देण्यासाठी डाउनस्ट्रीम साधनांवर अवलंबून न राहता हँडओव्हर प्रक्रियेमध्ये पूर्व-प्रक्रिया चरण जोडा.

🎯 तुमच्यासाठी कोणती पद्धत योग्य आहे?

जर तुम्हाला फक्त मजकूर भाषांतरित करायचा असेल

तुम्ही थेट मजकूर काढू शकता, परंतु निर्यात केलेल्या सामग्रीमध्ये कोणतीही गहाळ भाष्ये आहेत की नाही याची खात्री करणे आवश्यक आहे.

तुम्हाला दस्तऐवज इतर कोणाला संग्रहित करण्यासाठी द्यायचे असल्यास

त्याच वेळी, मुख्य मजकूर आणि भाष्य सूची ठेवा आणि संवेदनशील सामग्री असंवेदनशील म्हणून चिन्हांकित करा.

जर तुमच्या PDF मध्ये पृष्ठे फिरवली असतील

प्रथम समन्वय परिवर्तन करा, आणि नंतर मजकूर शोधण्यासाठी भाष्य स्थिती वापरा.

जर फाइल एनक्रिप्टेड किंवा संरचनात्मकरित्या खराब झाली असेल

हा उपाय लागू होत नाही. कृपया पुष्टी करण्यासाठी स्त्रोत फाइल उघडण्यासाठी व्यावसायिक साधने व्यक्तिचलितपणे वापरा.

❓ वारंवार विचारले जाणारे प्रश्न (FAQ)

१. get_text() मध्ये भाष्ये का नसतात?

डीफॉल्ट आउटपुटमध्ये सहसा फक्त पृष्ठाचा मुख्य भाग असतो. भाष्ये हे पृष्ठ मजकूर प्रवाहाच्या स्वतंत्र असलेल्या ऑब्जेक्ट आहेत आणि त्यांना page.annots() द्वारे स्वतंत्रपणे जाण्याची आवश्यकता आहे.

२. सर्व टिप्पण्यांचा मजकूर थेट वाचता येतो का?

करू शकत नाही. मार्क-प्रकार भाष्य जसे की हायलाइट करणे आणि अधोरेखित करणे यात मजकूर नसतो आणि फक्त रेकॉर्ड क्षेत्रे असतात; इंक आणि ग्राफिक भाष्यांमध्ये मजकूर गुणधर्म नसतात आणि त्यांना बचावात्मक निर्णयाची आवश्यकता असते.

३. पान फिरवल्यानंतर त्याची स्थिती का बिघडते?

भाष्य आयत न फिरवलेल्या पृष्ठावर आधारित आहे. जर ते थेट मजकूर ठेवण्यासाठी वापरले गेले तर ते त्रुटी निर्माण करेल. प्रथम समन्वय परिवर्तनासाठी तुम्हाला page.rotation_matrix किंवा page.derotation_matrix वापरण्याची आवश्यकता आहे.

४. नेस्टेड प्रत्युत्तरे गमावली जातील का?

PyMuPDF एक सपाट सूची परत करते आणि जर डायलॉग ट्री पॅरेंटआयडीच्या आधारे पुनर्रचना केली नाही, तर संदर्भ गमावला जाईल.

५. एनक्रिप्टेड पीडीएफवर या स्क्रिप्टसह प्रक्रिया करता येईल का?

कूटबद्ध केलेले आणि पासवर्ड न देणाऱ्या PDF या समाधानाच्या कक्षेत नाहीत आणि त्यांना मॅन्युअल पुष्टीकरण आवश्यक आहे.

📝 सारांश

पीडीएफमध्ये भाष्ये हा स्वतंत्र डेटा स्तर आहे. हस्तांतरित करण्यापूर्वी, मजकूर आणि भाष्ये स्वतंत्रपणे काढली पाहिजेत आणि संवेदनशील सामग्रीसाठी भाष्यांचे पुनरावलोकन केले पाहिजे. स्वयंचलित स्क्रिप्ट सामान्य प्रकरणे कव्हर करू शकतात, परंतु एज केसेस आणि अंतिम स्वीकृती अद्याप व्यक्तिचलितपणे करणे आवश्यक आहे.

हे आता वापरून पहा: मूळ लेआउट कायम ठेवून भाषांतर सुरू करण्यासाठी दस्तऐवज अपलोड करा