Extraia a tabela detalhada, não deixe a ordenação atrapalhar a correspondência entre as linhas e o texto original

Só porque os valores nas duas linhas são iguais não significa que sejam dados duplicados. Só porque a tabela está ordenada não significa que ela ainda corresponda ao texto original linha por linha. Ao extrair detalhes, o que se perde facilmente muitas vezes não é o campo em si, mas a correspondência entre cada linha e a fonte.

Este artigo é adequado para pessoas que precisam extrair detalhes de documentos como contratos, cotações, tabelas financeiras, etc. Também é adequado para desenvolvedores que estão construindo processos de processamento downstream. Após a leitura, você saberá como reter as informações de origem para cada detalhe, como lidar com os problemas causados pela mesma quantidade, cabeçalhos entre páginas e classificação, e qual alinhamento deve ser usado durante a verificação pós-tradução.

Como manter a correspondência entre linhas e fontes ao extrair detalhes? Conclusão de uma frase

Salve um identificador de origem estável para cada detalhe. A classificação é apenas para exibição e não substitui o número da linha original.

Salve a identidade da linha estável primeiro

Mantenha a página de origem, o número da tabela e o número da linha de origem para cada detalhe ou um identificador estável composto por essas informações. O nome e a quantidade do produto podem ser repetidos e não são adequados como identidades separadas.

Quando o downstream precisar classificar por quantidade, você pode criar uma visualização de exibição, mas não escreva por engano os números de série classificados de volta à fonte original.

Várias maneiras de usá-lo como identidade de linha

Note a singularidade do Esquema JSON

Arrays JSON mantêm a ordem, mas uniqueItems no esquema não é um atalho para "um campo é único." Se os outros campos de dois objetos diferirem, eles ainda podem ser considerados itens distintos. A unicidade em nível de campo precisa ser verificada separadamente.

Um conjunto de detalhes com a mesma quantidade, mas fontes diferentes

from collections import Counter

rows = [{"source_id": "p1-t1-r1", "item": "Bolt", "amount": "10.00"},
        {"source_id": "p1-t1-r2", "item": "Nut", "amount": "10.00"}]

def check_ids(items):
    counts = Counter(row["source_id"] for row in items)
    return [key for key, count in counts.items() if count > 1]

assert check_ids(rows) == []
assert len(rows) == 2
assert check_ids(rows + [dict(rows[0])]) == ["p1-t1-r1"]
display = sorted(rows, key=lambda row: row["item"], reverse=True)
assert [r["source_id"] for r in rows] == ["p1-t1-r1", "p1-t1-r2"]
assert {r["source_id"] for r in display} == {r["source_id"] for r in rows}

Isso é uma verificação de identidade para dados sintéticos, não um leitor de tabelas. O código deliberadamente não duplica a mesma quantidade, nem trata a ordem de exibição como fonte.

As regras para gerar IDs de Fonte Verdadeira precisam considerar a versão do arquivo. Caso contrário, a mesma página ou linha em ambas as versões pode ser confundida com a mesma evidência.

Se o número de linhas estiver incorreto, primeiro identifique o elo faltante

Cabeçalhos de página cruzada não são linhas de dados comuns

Cabeçalhos duplicados, descrições contínuas de tabelas e linhas de subtotais podem todos ir para o array subsidiário. Exclui-los requer regras interpretáveis; você não pode simplesmente olhar para a frente ou para o texto curto.

Manter linhas excluídas e seus motivos pode ajudar a revisar erros e detectar exclusões. Caso contrário, somente quando o total final não coincidir o problema será investigado.

Trazendo Relações de Origem para a Verificação Pós-Tradução

Listas detalhadas multilíngues devem ser alinhadas por ID de fonte e não podem ser pesquisadas apenas pelo nome do produto traduzido. Ao avaliar os resultados de tradução dos documentos de tabela do OmniDoc (Entrada de Produto), as relações linha-coluna, quantidades e unidades valem a pena serem verificadas separadamente.

A identificação da fonte neste artigo é um acordo externo de engenharia e não fornece uma explicação sobre a implementação interna da plataforma.

Referências: Matriz de esquema JSON

🎯 Qual método combina com você?

Se você precisar organizar por quantidade para as pessoas verem

Crie uma visualização de exibição; a ordenação afeta apenas a visualização, e a página de origem original e o número da linha de origem permanecem inalterados.

Se sua tabela tem cabeçalhos ou subtotais de páginas cruzadas

Use regras explicáveis para excluir essas linhas e mantenha as linhas excluídas e seus motivos para revisão posterior.

Se você está lidando com várias versões de um arquivo

As regras para gerar IDs de fonte devem ser incorporadas à versão do arquivo para evitar confusão entre versões da mesma página e linha.

Se você quiser fazer alinhamento multilíngue de detalhes

Alinhe pelo ID da fonte; não confie apenas no nome do produto traduzido.

❓ Perguntas Frequentes (FAQ)

1. Se os valores em ambas as linhas forem iguais, duplicatas podem ser removidas diretamente?

Não. A mesma quantidade não significa dados duplicados; suas páginas de origem e números de linha devem ser verificados primeiro para confirmar se pertencem a itens diferentes ou a diferentes linhas de fonte.

2. Por que o nome do produto não é adequado para a identidade da linha?

Nomes e quantidades dos produtos podem ser duplicados, e usá-los sozinhos não pode localizar de forma confiável a linha original.

3. Após a separação, o novo número de série pode ser escrito de volta nos dados originais?

Não recomendado. Números de série ordenados são adequados apenas para exibição; sobrescrever os números de linha originais perderá a correspondência com a fonte.

4. O que você deve prestar atenção ao deletar cabeçalhos duplicados?

Devem existir regras explicáveis, e as linhas e motivos excluídos devem ser mantidos para identificar exclusões erradas.

📝 Resumo

Ao extrair detalhes, primeiro mantenha a correspondência entre cada linha e a fonte, depois discuta a ordenação e a deduplicação. O código neste artigo é apenas para demonstração de amostras sintéticas e não garante o desempenho genuíno de todos os arquivos ou produtos. Antes de manusear documentos importantes, por favor, mantenha os originais e revise-os de acordo com os limites e itens de aceitação no documento.

Experimente agora: Envie seu documento para começar a traduzir, preservando a formatação original