Wanneer u geannoteerde documenten overhandigt, overhandig dan niet alleen een PDF die er schoon uitziet.

Voordat ze PDF-annotaties overhandigen, zullen veel mensen page.get_text() direct gebruiken om een overzichtelijke tekst te exporteren voor vertaling, archivering of overdracht aan de volgende revisor. Maar deze tekst bevat meestal geen annotaties. Sommige extractiemethoden voegen ook commentaar in het midden van de tekst in, waardoor de semantiek wordt onderbroken; Wijzigingsopmerkingen en gevoelige opmerkingen in de zijbalk kunnen gemist worden.

Dit artikel is geschreven voor ontwikkelaars en documenteigenaren die met geannoteerde PDF's moeten werken. Na het lezen begrijpt u waarom annotaties onafhankelijke gegevenslagen zijn, hoe u tekst en annotaties in lagen kunt extraheren, welke randgevallen defensief moeten worden afgehandeld en welke acceptatiepunten handmatig moeten worden bevestigd.

De voorbeelden in dit artikel maken allemaal gebruik van synthetische monsters. De code is gecontroleerd in een geïsoleerde omgeving, maar dit is geen garantie voor alle echte bestanden of productprestaties. Voordat u belangrijke documenten verwerkt, dient u de originelen te bewaren en deze te controleren op basis van de grenzen en acceptatie-items in de tekst.

Hoe kan ik een geannoteerde PDF extraheren vóór overdracht? Conclusie in één zin

Behandel de tekst en annotaties als twee onafhankelijke gegevensstromen en extraheer ze afzonderlijk, en voer een expliciete beveiligingsbeoordeling uit op de annotatie-inhoud.

Waarom annotaties onafhankelijk zijn van de gegevenslaag van de tekst

In de PDF-specificatie zijn de pagina-inhoudsstroom (Content Stream) en het annotatiewoordenboek (Annots Array) structureel gescheiden. De body bestaat uit tekstweergave-instructies; annotaties zijn onafhankelijke objecten die aan de pagina zijn gekoppeld, met hun eigen coördinaten, type en inhoudskenmerken. De Page.annots()-methode van PyMuPDF retourneert een generator die deze onafhankelijke annotatielijst doorkruist in plaats van de paginatekststroom.

Dit betekent dat je er niet van uit kunt gaan dat alle tekst die je ziet op dezelfde manier kan worden geëxtraheerd.

Het verschil tussen annotaties van merkklassen en inhoudsklassen

• Tagannotaties (zoals markeren en onderstrepen) bevatten zelf geen tekst, maar registreren alleen het gebied (Quads/Rects) dat overeenkomt met de originele tekst. De echte tekst kan alleen worden verkregen door de tekst op te zoeken via coördinaten.
• Inhoudsannotaties (zoals notities, vrije tekst) hebben hun eigen inhoudsreeksen en kunnen direct worden gelezen.
• Als u annot.info["content"] rechtstreeks leest zonder onderscheid te maken tussen het type, verliest u de oorspronkelijke context waarnaar wordt verwezen door de annotatie van de tagklasse, of genereert u een uitzondering als de inhoud leeg is.

Synthesevoorbeeld: gelaagde extractie en onderschepping van gevoelige informatie

Om de juiste verwerkingslogica aan te tonen, hebben we een synthetisch scenario geconstrueerd met drie typische annotaties in code. De volgende invoergegevens zijn voorbeelden die in de code zijn gebouwd en niet uit echte klantenbestanden, en zijn uitsluitend bedoeld voor educatieve demonstratiedoeleinden.

De verwachte uitvoer bevat drie gestructureerde velden:

1. Tekstfragment: Bevat alleen de originele tekst van de pagina, zonder enige annotatie-inhoud.
2. Annotatielijst: Elke record bevat type, locatie, auteur, tijd en inhoud (indien aanwezig).
3. Veiligheidsmarkering: als de inhoud van de annotatie overeenkomt met de vooraf ingestelde gevoelige regels (zoals ID-nummer, interne code), wordt de invoer gemarkeerd als redacted=True en wordt de inhoud vervangen door een tijdelijke aanduiding.

Drie soorten grenzen die verdedigd moeten worden

• Lege inhoudannotatie: Inkt (inkt) of grafische annotaties die door sommige lezers zijn gemaakt, hebben geen tekstkenmerken. Directe toegang tot .info["content"] kan resulteren in een lege string of Geen, de code moet defensieve controles uitvoeren en kan er niet van uitgaan dat alle annotaties leesbare tekst hebben.
• Geroteerde paginacoördinaten: nadat de pagina 90 graden is gedraaid, is de annotatierechthoek nog steeds gebaseerd op de niet-geroteerde pagina. Als u deze coördinaten rechtstreeks gebruikt om de tekst bij te snijden of te positioneren, zal de positie volledig in de war raken en moet eerst de coördinatentransformatie worden uitgevoerd.
• Weesobject: als het document wordt gesloten of de pagina opnieuw wordt geladen tijdens het doorloopproces, wordt het huidige annot-object onmiddellijk ongeldig. Alle leesbewerkingen moeten binnen één paginalevensduur worden voltooid.

Python-implementatie: veilig doorlopen en verifiëren van annotaties

In het voorbeeld wordt PyMuPDF gebruikt om een test-PDF in het geheugen te bouwen, waarbij hiërarchische extractie en elementaire maskeerlogica worden gedemonstreerd. De afhankelijke bibliotheek is PyMuPDF (d.w.z. pymupdf-pakket). Voer het uit in een vergrendelde afhankelijkheidsomgeving. De versie moet >=1.23.0 zijn om volledige toegang te krijgen tot het annot-attribuut. Deze code voert geen netwerkbewerkingen uit of schrijft geen bestanden, maar wordt alleen gebruikt om logica te demonstreren.

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.")

In de kern is de code defensief programmeren: de zuiverheid van de annotatie-inhoud wordt niet vertrouwd, noch wordt de integriteit van het annotatietype aangenomen. De assert-instructie wordt gebruikt om de verwachte logica te verifiëren, maar dit is slechts een demonstratie en vertegenwoordigt geen end-to-end prestatiegarantie voor alle PDF-varianten.

Vergelijking van annotatiecategorieën

Acceptatiecriteria en grenzen voor handmatige beoordeling

Geautomatiseerde extractie kan niet alle randgevallen dekken. De volgende tabel vermeldt de acceptatiepunten waar tijdens de overdracht aandacht aan moet worden besteed, waarbij onderscheid wordt gemaakt tussen de reikwijdte die de code aankan en de scenario's die handmatige tussenkomst vereisen.

Niet van toepassing: deze oplossing is niet van toepassing op gecodeerde PDF's zonder wachtwoord, structureel beschadigde PDF's en bestanden die niet-standaard privéextensies gebruiken om annotatietypen te definiëren. In deze situaties kan het script stilletjes een C++-uitzondering op laag niveau overslaan of genereren, die moet worden bevestigd door het bronbestand handmatig te openen met behulp van professionele tools.

Gebruik checklists voor documentvertaling

Bevestig eerst de paginavolgorde, bronlocatie en tekstintegriteit en dien vervolgens hetzelfde ongevoelig gemaakte voorbeeld in voor het vertaalproces. Na de vertaling moet je nog controleren of de titel, tekst en illustraties correct overeenkomen. Je kunt niet zomaar controleren of de tekst vloeiend is.

OmniDoc biedt een documentvertalingsportaal in meerdere formaten, en de officiële website introduceert OCR-, woordenlijst- en tweetalige vergelijkingsfuncties. Als het team rechtstreeks vanuit het bestand wil beginnen met verwerken, kan dit pad worden geëvalueerd met echte voorbeelden. Gebruik ongevoelige bestanden waarvoor u toestemming heeft om te uploaden, en bekijk de resultaten aan de hand van de controle-items in dit artikel. Er wordt hier niet beweerd dat OmniDoc de open source-bibliotheken of interne algoritmen van dit artikel gebruikt, noch vervangt het voorbeeld het testen van productprestaties.

Referenties en volgende stappen

• PyMuPDF Page.annots() officiële documentatie

1. Selecteer een historisch projectbestand dat gemengde annotatietypen bevat.
2. Voer het bovenstaande verificatiescript uit en tel het aantal inzendingen dat handmatige beoordeling vereist.
3. Als de verhouding de verwachtingen overtreft, voeg dan een voorverwerkingsstap toe aan het overdrachtsproces in plaats van te vertrouwen op downstream-tools om het antwoord te bieden.

🎯 Welke methode is geschikt voor jou?

Als u alleen de tekst hoeft te vertalen

U kunt de tekst rechtstreeks extraheren, maar u moet bevestigen of er annotaties ontbreken in de geëxporteerde inhoud.

Als u het document aan iemand anders wilt geven voor archivering

Bewaar tegelijkertijd de hoofdtekst en de annotatielijst en markeer gevoelige inhoud als ongevoelig.

Als uw PDF pagina's heeft geroteerd

Voer eerst de coördinatentransformatie uit en gebruik vervolgens de annotatiepositie om de tekst te lokaliseren.

Als het bestand gecodeerd of structureel beschadigd is

Deze oplossing is niet van toepassing. Gebruik handmatig professionele tools om het bronbestand te openen en te bevestigen.

❓ Veelgestelde vragen (FAQ)

1. Waarom bevat get_text() geen annotaties?

De standaarduitvoer bevat meestal alleen de paginatekst. Annotaties zijn objecten die onafhankelijk zijn van de paginatekststroom en afzonderlijk moeten worden doorlopen via page.annots().

2. Kan de tekst van alle reacties direct worden gelezen?

kan niet. Markeringsannotaties zoals markeren en onderstrepen bevatten zelf geen tekst en registreren alleen gebieden; inkt- en grafische annotaties hebben mogelijk ook geen tekstkenmerken en vereisen een defensief oordeel.

3. Waarom is de positie van de pagina verstoord nadat deze is gedraaid?

De annotatierechthoek is gebaseerd op een niet-geroteerde pagina. Als het rechtstreeks wordt gebruikt om de tekst te positioneren, zal dit fouten veroorzaken. U moet eerst page.rotation_matrix of page.derotation_matrix gebruiken voor coördinatentransformatie.

4. Gaan geneste antwoorden verloren?

PyMuPDF retourneert een platte lijst en als de dialoogboom niet wordt gereconstrueerd op basis van ParentID, gaat de context verloren.

5. Kan gecodeerde PDF met dit script worden verwerkt?

PDF's die gecodeerd zijn en geen wachtwoord bevatten, vallen niet binnen het bereik van deze oplossing en vereisen handmatige bevestiging.

📝 Samenvatting

Annotaties vormen een onafhankelijke gegevenslaag in PDF. Vóór overdracht moeten de tekst en annotaties afzonderlijk worden geëxtraheerd en moeten de annotaties worden beoordeeld op gevoelige inhoud. Geautomatiseerde scripts kunnen algemene cases bestrijken, maar edge cases en de uiteindelijke acceptatie moeten nog steeds handmatig worden gedaan.

Probeer het nu: upload het document om de vertaling te starten, waarbij de oorspronkelijke lay-out behouden blijft