Dlaczego dwukolumnowy plik PDF jest wyodrębniany seryjnie? Najpierw zachowaj współrzędne, a potem porozmawiaj o kolejności czytania

Sekwencje tekstowe wyodrębnione z dwukolumnowych plików PDF często nie są rozpoznawane niepoprawnie, ale są odczytywane w niewłaściwej kolejności. Ten artykuł jest przeznaczony dla czytelników, którzy muszą wyodrębnić tekst z dwukolumnowych plików PDF, takich jak artykuły i raporty, a następnie je przetłumaczyć lub uporządkować.

Czytelnicy zwykle spotykają się z taką sytuacją: w połowie lewej kolumny po kolejnym zdaniu następuje wyjaśnienie wzoru w prawej kolumnie. Wszystkie postacie mogą zostać rozpoznane poprawnie, ale kolejność zostanie zakłócona. W tym artykule najpierw wyjaśniono, dlaczego występuje serializacja, a następnie na syntetycznym przykładzie zademonstrowano, jak zreorganizować kolejność poprzez dzielenie według współrzędnych. Na koniec podaje obowiązujące granice i listę akceptacji, aby ułatwić Ci ocenę, czy można ich użyć we własnych plikach.

Dlaczego dwukolumnowy plik PDF jest wyodrębniany seryjnie? Wniosek w jednym zdaniu

Najpierw zachowaj współrzędne i stronę źródłową, a następnie posortuj według przepisów regionalnych. Nie kompresuj bezpośrednio całej strony w długi ciąg.

Dlaczego zamówienie jest pomieszane?

PDF rejestruje położenie każdego akapitu tekstu, a nie „który to akapit i do której kolumny należy?"Gdy narzędzie do wyodrębniania wyprowadza dane według współrzędnych, jeśli nie ma reguł obszaru, tekst w lewej i prawej kolumnie może być przeplatany.

Takie problemy niekoniecznie pojawiają się na etapie identyfikacji. Być może wszystkie słowa zostały wymienione poprawnie, ale w niewłaściwej kolejności. Dlatego pomysł rozwiązania powinien skupiać się na sortowaniu i podziale na strefy, a nie na ciągłej zmianie łączy rozpoznawania lub tłumaczenia.

Najpierw zachowaj współrzędne, a potem porozmawiaj o kolejności czytania

Przed rozwiązaniem problemu z zamówieniem zachowaj współrzędne i stronę, z której pochodzi tekst. Nie spiesz się, aby skompresować całą stronę w jeden długi ciąg.

• Zachowaj cztery współrzędne każdego bloku tekstu, aby ułatwić późniejszą ocenę własności obszaru.
• Zachowaj numer strony źródłowej, aby ułatwić cofanie się i ręczną weryfikację.
• Po utracie informacji regionalnych kolejne tłumaczenia będą miały niewłaściwy kontekst, a zmiana modelu tłumaczenia może nie być w stanie temu zaradzić.

sort=Ware warto spróbować, ale nie pozwala to na zrozumienie układu

PyMuPDF udostępnia różne formy wyodrębniania, takie jak tekst, słowa, bloki itp. Specyficzne przetwarzaniesort różni się w zależności od typu wyjściowego i wersji. Nie można go ogólnie opisać jako ustalonego algorytmu składu ani nie można obiecać przywrócenia porządku czytania wszystkich dokumentów.

Sugestie dotyczące użycia są następujące:

• Na stronie reguł możesz najpierw porównać wyniki włączania i wyłączania sortowania.
• W przypadku stron z tytułami obejmującymi kolumny, przypisami bocznymi i przypisami należy ponownie sprawdzić powiązanie powierzchni.
• Plik PDF może zawierać znaczniki strukturalne, ale nie oznacza to, że aktualnie używany interfejs ekstrakcji automatycznie wyświetli semantyczne drzewo akapitów, którego potrzebujesz.

W tym artykule nie zaimplementowano uniwersalnego rozpoznawania układu, a jedynie pokazano „jak sortować według istniejących przepisów regionalnych"i jasno wyjaśniono granice możliwości. Interfejs i formularz ekstrakcji można znaleźć w Oficjalny przewodnik po ekstrakcji tekstu PyMuPDF.

Użyj pięciu syntetyzowanych bloków tekstu, aby wyjaśnić problem

Przykładowa strona ma szerokość 600 punktów i 300-punktową granicę między kolumnami; w promieniu 80 punktów od góry znajduje się międzykolumnowy obszar tytułu, a poniżej znajduje się obszar tekstowy. Dane wejściowe są celowo pomieszane: drugi akapit w prawej kolumnie jest umieszczany jako pierwszy, a pierwszy akapit w lewej kolumnie jako ostatni. Każda krotka zawiera cztery współrzędne prostokąta i tekst. Jest to uproszczona struktura zdefiniowana do celów demonstracyjnych i nie jest równoważna pełnej wartości zwracanej przez get_text("blocks").

Oczekiwanym rezultatem powinno być: tytuł, pierwszy akapit w lewej kolumnie, drugi akapit w lewej kolumnie, pierwszy akapit w prawej kolumnie, drugi akapit w prawej kolumnie. Bloki tekstu przekraczające granice kolumn muszą trafiać na listę wyjątków, a nie być po cichu odrzucane lub umieszczane w lewej kolumnie.

Mały przykład, który można uruchomić w całości

W poniższych przykładach używana jest tylko standardowa biblioteka języka Python. Łącząc się z PyMuPDF, możesz zachować pierwsze pięć pól z wyników wyodrębniania bloków i najpierw wykluczyć bloki nietekstowe. Przykład nie otwiera plików zewnętrznych, nie wymaga OCR i nie określa automatycznie granic kolumn.

def order_known_layout(blocks, split_x=300, title_bottom=80):
    groups = {"title": [], "left": [], "right": []}
    rejected = []
    for block in blocks:
        x0, y0, x1, y1, text = block
        if x1 <= x0 or y1 <= y0:
            rejected.append(block)
            continue
        if y1 <= title_bottom:
            region = "title"
        elif y0 < title_bottom:
            rejected.append(block)
            continue
        elif x1 <= split_x:
            region = "left"
        elif x0 >= split_x:
            region = "right"
        else:
            rejected.append(block)
            continue
        groups[region].append(block)
    ordered = []
    for region in ("title", "left", "right"):
        ordered.extend(sorted(groups[region], key=lambda b: (b[1], b[0])))
    return [b[4] for b in ordered], rejected

sample = [(330, 160, 550, 190, "R2"), (40, 100, 270, 130, "L1"),
          (40, 20, 550, 50, "TITLE"), (330, 100, 550, 130, "R1"),
          (40, 160, 270, 190, "L2")]
ordered, rejected = order_known_layout(sample)
assert ordered == ["TITLE", "L1", "L2", "R1", "R2"]
assert rejected == []
wide = (40, 220, 550, 250, "FULL WIDTH BODY")
assert order_known_layout(sample + [wide])[1] == [wide]
assert order_known_layout([]) == ([], [])
print("known-layout examples: 3 assertions passed")

Wartości 80 i 300 w przykładzie pochodzą z ustawień na tej stronie złożonej i nie stanowią progów empirycznych mających zastosowanie do wszystkich plików PDF. Gdy zmieni się szerokość lewej i prawej kolumny następnej strony, jeśli zostaną użyte parametry z poprzedniej strony, może wystąpić „program działa normalnie, ale zawartość jest nieprawidłowa". Reguły regionalne powinny podążać za stroną, przynajmniej zapisywać wersję reguły i rozmiar strony.

📊 Porównanie rdzeni

Nie patrz tylko na błędy podczas przyjmowania

W prawdziwych pracach może się pojawić taka struktura: wstaw diagram przeszkody na środku i zaczynaj od nowa podwójną kolumnę poniżej obrazu. Na tym etapie najpierw musisz podzielić stronę na górną i dolną sekcję, a następnie posortować je osobno. Jednorazowa podział na trzy sekcje w tym artykule to za mało. Chiński układ pionowy, tekst od prawej do lewej oraz złożone notatki z ramkami nie powinny być używane do czytania instrukcji tutaj.

🎯 Która metoda ci odpowiada?

Jeśli ......

• Tylko strony jedno- lub dwukolumnowe, które muszą obsługiwać tylko reguły: Najpierw porównaj wyniki włączania i zamykania sort, a następnie zdecyduj, czy użyć reguł partycjonowania.
• Obsługa prac z tytułami krzyżowymi, wykresami lub przypisami: Podziel strony według sekcji i ustaw listy wyjątków dla treści krzyżowych.
• Musisz przekazać tłumaczenie innym: Zachowaj współrzędne i numery stron, sprawdź każdy element zgodnie z listą kontrolną akceptacji i nie patrz tylko na to, czy operacja jest błędna.
• Jeśli nie chcesz samodzielnie utrzymywać skryptów: Możesz bezpośrednio korzystać z gotowych narzędzi do tłumaczenia dokumentów i sprawdzać tłumaczenie według tej samej sekwencyjnej listy kontrolnej.

Jak odbierać przepływ pracy tłumaczenia OmniDoc

Wartość własnych skryptów polega na jasnym określaniu zasad akceptacji; Wartość gotowych narzędzi tłumaczeniowych polega na skróceniu liczby kroków między dokumentami a tłumaczeniami. Te dwie rzeczy nie są ze sobą sprzeczne. OmniDoc (wpis produktu) oferuje portal tłumaczeń dokumentów, a oficjalna strona wprowadza także funkcje takie jak OCR, terminologia i porównanie dwujęzyczne. Możesz wybrać odczulony artykuł z prawem do przesłania i sprawdzenia tłumaczenia, korzystając z tego samego zestawu list kontrolnych.

Kluczowe kontrole obejmują:

• Sprawdź, czy zdanie otwierające po tytule przeszkody jest powiązane.
• Czy napisy zostały połączone z głównym tekstem?
• Sprawdzić, czy przypisy nadal odpowiadają poprawnym pozycjom.

To ocena wyników dostaw, a nie wnioskowanie o wewnętrznych algorytmach OmniDoc. Jeśli wynik nie spełnia wymagań, prosimy zachować oryginalną stronę i sekcję błędów, najpierw zidentyfikować, czy problem leży w identyfikacji, sortowaniu lub tłumaczeniu, a następnie zdecydować, jak go naprawić.

❓ Najczęściej zadawane pytania (FAQ)

1. Dwukolumnowy numer seryjny PDF — czy jest błędnie identyfikowany?

Niekoniecznie. Wszystkie znaki mogą być poprawnie rozpoznawane; problemy często leżą w kolejności czytania, więc najpierw powinieneś sprawdzić kolejność i zasady obszaru.

2. sort=True: Czy możesz bezpośrednio rozwiązać problem porządku podwójnych kolumn?

Nie da się tego uogólnić. Obsługa sort różni się w zależności od typu wyjścia i wersji. Nie jest to układ i nie może obiecać przywrócenia kolejności odczytu wszystkich dokumentów. Dla stron z zasadami możesz spróbować najpierw; dla stron z treścią przekrojową musisz też sprawdzić zależności regionalne.

3. Dlaczego nie możesz skompresować całej strony w długi sznurek?

Gdy współrzędne i informacje o obszarze zostaną utracone, kolejne tłumaczenia mają tylko niespójne konteksty, a nawet inny model tłumaczenia może tego nie naprawić.

4. Czy 80 i 300 punktów z przykładu można bezpośrednio zastosować do innych PDF-ów?

Nie. To są tylko ustawienia dla tej strony złożonej. Gdy zmienia się rozmiar strony lub szerokość kolumny, wersja reguły powinna być weryfikowana i zapisywana osobno na każdej stronie.

📝 Podsumowanie

W przypadku zamówień PDF z podwójnymi kolumnami należy najpierw zachować współrzędne i strony źródłowe, następnie obsłużyć według reguł regionalnych i każdy element sprawdzić zgodnie z listą kontrolną akceptacji. Skrypty tworzone samodzielnie nadają się do wyraźnego pisania reguł, podczas gdy gotowe narzędzia lepiej ograniczają liczbę kroków operacyjnych; oba mogą być używane razem.

Doświadczenie teraz: Prześlij dokument, aby zacząć tłumaczyć, zachowując oryginalne formatowanie