IDEI, METODE ȘI DOCUMENTE

Blogul OmniDoc.

O privire mai atentă asupra documentelor.
Parsare, traducere și ce urmează pentru cunoaștere.

Arhivă, pagina 1

Excel ascunde rândurile, filtrează rândurile și restrânge rândurile. Vor fi numărate la extracție?
Excel și date

Excel ascunde rândurile, filtrează rândurile și restrânge rândurile. Vor fi numărate la extracție?

Există trei tipuri de rânduri și coloane care nu pot fi văzute în Excel: ascundere manuală, filtrare și pliere și grupare și pliere, cu semnificații diferite. Acest articol folosește openpyxl pentru a furniza codul de strategie de extracție corespunzător, explicând condițiile de limită și zonele care necesită revizuire manuală. Regulile trebuie stabilite înainte de extracție.

Citește articolul
Cum se traduce PDF-ul scanat? După recunoașterea OCR, întregul articol este tradus, compunerea este păstrată și comparația bilingvă este scoasă.
Note de inginerie

Cum se traduce PDF-ul scanat? După recunoașterea OCR, întregul articol este tradus, compunerea este păstrată și comparația bilingvă este scoasă.

PDF-ul scanat nu are un strat de text și nu poate fi procesat de instrumentele obișnuite de traducere. OmniDoc Translate completează recunoașterea OCR, traducerea integrală și restaurarea aspectului într-o singură sarcină și poate scoate PDF-uri bilingve sau numai traduceri cu comparație pagină cu pagină. Textul oferă pași de operare, sugestii de opțiuni și instrucțiuni de cost.

Citește articolul
Cu cât tăietura este mai strânsă, cu atât mai bine? Textul de margine al OCR trebuie, de asemenea, să lase spațiu
OCR și imagini

Cu cât tăietura este mai strânsă, cu atât mai bine? Textul de margine al OCR trebuie, de asemenea, să lase spațiu

Celulele tabelului sunt tăiate foarte strâns și nu există spațiu liber lângă text, astfel încât efectul de recunoaștere poate să nu fie mai bun. Mai important, decuparea și tunderea schimbă originea coordonatelor. Dacă aceste modificări nu sunt salvate, vor apărea decalaje aparent aleatorii atunci când rezultatele recunoașterii sunt ulterior atrase înapoi la pagina completă.

Citește articolul
Numele fișierului încărcat de client nu poate fi utilizat direct ca cale de stocare: pentru a preveni traversarea căii și acoperirea numelui duplicat
Fluxuri automate de livrare

Numele fișierului încărcat de client nu poate fi utilizat direct ca cale de stocare: pentru a preveni traversarea căii și acoperirea numelui duplicat

Fișierul încărcat se numește `../../report.pdf`, ceea ce nu înseamnă că serverul ar trebui să-l salveze sub acest nume. Numele fișierului vine de la utilizator și aparține datelor de intrare; calea discului aparține limitei permisiunii de sistem. Confuzia celor două poate duce cu ușurință la probleme cum ar fi traversarea căilor, acoperirea numelui duplicat și comportamente diferite între Windows și Linux.

Citește articolul
Numele de domeniu al codului HTML exportat a fost schimbat. De ce sunt rupte imaginile și linkurile?
HTML și web

Numele de domeniu al codului HTML exportat a fost schimbat. De ce sunt rupte imaginile și linkurile?

Valoarea de referință pentru urljoin ar trebui să fie adresa URL a paginii originale. Nu puteți adăuga bare oblice pentru a schimba adresa URL a fișierului într-un director. Acest exemplu se ocupă doar de a[href] și img[src] și nu înlocuiește etichetele CSS, srcset sau de bază; rescrierea adreselor URL nu este dezinfectare HTML sigură.

Citește articolul
Adăugarea de casete negre la PDF nu este desensibilizare: ce verificări sunt necesare pentru ștergerea reală?
Parsare PDF

Adăugarea de casete negre la PDF nu este desensibilizare: ce verificări sunt necesare pentru ștergerea reală?

Adăugați un cadru negru la PDF, dar textul este încă acolo. Pentru a șterge efectiv, utilizați add_redact_annot plus apply_redactions de la PyMuPDF, apoi utilizați verificarea dublă a extragerii și redării textului. În același timp, acordați atenție conversiei coordonatelor, reziduurilor de imagini și vectori și curățării metadatelor.

Citește articolul
Numele fișierului nu este egal cu titlul documentului: Cum se organizează metadatele PDF
Parsare PDF

Numele fișierului nu este egal cu titlul documentului: Cum se organizează metadatele PDF

Acest articol oferă un mecanism de extragere a titlului și de rezervă care poate fi urmărit pentru a aborda problemele metadatelor PDF lipsă și nedemne de încredere. Implementați logica de verificare ierarhică prin PyMuPDF, marcați clar sursa titlului și definiți granițele dintre automatizare și revizuirea manuală împreună cu formularul standard de acceptare. Articolul conține exemple complete Python și sugestii de acces la fluxul de lucru de traducere OmniDoc pentru a se asigura că legătura de procesare a documentului este transparentă și controlabilă.

Citește articolul
pypdf nu poate extrage textul din documentul scanat. Nu se poate rezolva prin modificarea parametrilor.
Inginerie PDF

pypdf nu poate extrage textul din documentul scanat. Nu se poate rezolva prin modificarea parametrilor.

Textul scurt sau gol este doar un semnal pentru o inspecție ulterioară și nu este direct echivalent cu scanarea. Următoarele înregistrează pagină cu pagină dacă textul este extras; paginile goale, paginile cu imagini și paginile de codare anormale necesită judecăți ulterioare diferite. extragerea textului pypdf nu este OCR.

Citește articolul
Traducerea documentelor tehnice se teme cel mai mult de traducerea codului: utilizați Beautiful Soup pentru a proteja blocurile de cod
HTML și web

Traducerea documentelor tehnice se teme cel mai mult de traducerea codului: utilizați Beautiful Soup pentru a proteja blocurile de cod

Cea mai mare teamă atunci când traduceți documente tehnice este de a traduce codul împreună. Acest articol folosește Beautiful Soup pentru a identifica cu precizie nodurile de cod în arborele DOM, pentru a separa limbajul natural de cod, pentru a include o listă de protecție a codurilor cu capcane de limită și criterii de acceptare pentru inspecția automată și revizuirea manuală.

Citește articolul
Înainte de a preda sarcina de traducere PDF, verificați mai întâi fontul în loc să vă grăbiți să schimbați fontul.
Parsare PDF

Înainte de a preda sarcina de traducere PDF, verificați mai întâi fontul în loc să vă grăbiți să schimbați fontul.

Lista de fonturi implicită are o lungime diferită de tuplu returnat de full=True. Apoi, citiți primele șase elemente și apoi verificați dacă octeții fontului returnați de extract_font sunt goli. O referință de font Base14 nu înseamnă că fontul este încorporat în program; nici fonturile subsetului nu trebuie considerate o eroare.

Citește articolul
OmniDoc 1.07 lansat: introducerea documentelor mari durează aproximativ 9 milisecunde, exportul Word a fost redus de la 26 de secunde la 11 secunde, noua versiune macOS
Note de inginerie

OmniDoc 1.07 lansat: introducerea documentelor mari durează aproximativ 9 milisecunde, exportul Word a fost redus de la 26 de secunde la 11 secunde, noua versiune macOS

Este lansată versiunea desktop OmniDoc 1.07 și este disponibilă simultan pentru Windows, macOS și Ubuntu: durează aproximativ 9 milisecunde de la apăsarea unei taste până la formatarea unui document mare, exportul unui document Word mare este redus de la 26 de secunde la 11 secunde, noua imprimare este în concordanță cu ecranul, iar conversia formulei Word este mai precisă.

Citește articolul
Opriți când exportați la jumătate. Nu dați utilizatorului jumătate din fișier: terminați mai întâi de scris și apoi publicați.
Fluxuri automate de livrare

Opriți când exportați la jumătate. Nu dați utilizatorului jumătate din fișier: terminați mai întâi de scris și apoi publicați.

Serviciul a repornit la jumătatea scrierii fișierului, dar linkul de descărcare era deja deschis pentru utilizatori. Acest tip de eșec nu este atât de simplu ca „fișierul nu poate fi deschis ocazional”, dar sistemul tratează produsul neterminat ca rezultat oficial. Soluția ar trebui să fie proiectată în jurul limitelor de lansare, nu doar a unui strat de captare a excepțiilor pentru operațiunile de scriere.

Citește articolul
Ce ar trebui să fac dacă pot face clic pe pagina de cuprins a unui PDF, dar pierd nivelul după extragere?
Parsare PDF

Ce ar trebui să fac dacă pot face clic pe pagina de cuprins a unui PDF, dar pierd nivelul după extragere?

Ierarhia marcajelor trebuie verificată înainte de a scrie. Primul element este un nivel, iar articolele ulterioare pot fi mărite cu cel mult un nivel; exemplul respinge nivelurile ilegale și numerele de pagini în afara limitelor și nu schimbă automat nivelul pentru a crea structura directorului. Numerele paginilor marcate încep de la unu, iar indexurile paginilor încep de obicei de la zero.

Citește articolul
De ce merită să salvați mai multe numere de pagină și fragmente de text originale în JSON?
Date structurate

De ce merită să salvați mai multe numere de pagină și fragmente de text originale în JSON?

Rezultatul extracției este doar un `amount: 1200`, iar examinatorul trebuie să parcurgă din nou întregul document. Salvarea mai multor numere de pagină și a fragmentelor scurte de text original este adesea mai utilă decât adăugarea unei zecimale de „încredere”: permite localizarea erorilor și documentarea corectă a corecțiilor ulterioare.

Citește articolul
Procesarea documentelor expiră, nu lăsați o sarcină să tragă în jos întregul lot
Fluxuri automate de livrare

Procesarea documentelor expiră, nu lăsați o sarcină să tragă în jos întregul lot

Un PDF scanat este blocat, iar următoarele nouăzeci și nouă de sarcini nu se vor muta. Adăugarea unui timeout la cerere pare să rezolve problema, dar procesul real de procesare poate încă consuma memorie în fundal. Timeout-urile implică cel puțin trei acțiuni: oprirea așteptării, oprirea execuției și marcarea produsului ca nelivrabil.

Citește articolul
Lăsați recenzentul să vadă mai întâi modificările: Cum să faceți un tabel de diferențe de traducere care să nu inducă în eroare
Verificarea traducerii

Lăsați recenzentul să vadă mai întâi modificările: Cum să faceți un tabel de diferențe de traducere care să nu inducă în eroare

Un manuscris cu traducere în limba engleză a fost revizuit de zece ori și nu este eficient pentru recenzent să îl citească de la început de fiecare dată. Diferența de vedere poate concentra atenția asupra modificărilor, dar există o premisă: se compară două versiuni revizuite ale aceleiași limbi, mai degrabă decât să diferențieze textul original chinezesc și traducerea în engleză caracter cu caracter și apoi să utilizeze zonele roșii și verzi pentru a evalua calitatea traducerii.

Citește articolul
Pagina scanată este gri, de ce nu este neapărat mai precisă pentru a spori contrastul?
OCR și imagini

Pagina scanată este gri, de ce nu este neapărat mai precisă pentru a spori contrastul?

Pagina scanată este gri și gri. Este într-adevăr mai atrăgător să crești contrastul, dar sigiliile ușoare și liniile subțiri pot să dispară împreună. Preprocesarea nu face ca imaginea să pară „mai grea”, dar păstrează informații utile pentru sarcini specifice de recunoaștere. Atunci când nu există un rezultat de comparație, mai întunecat și mai alb nu ar trebui să fie numit direct mai precis.

Citește articolul
{name} din copia de traducere este pierdut, cum să îl opriți înainte de a intra online
Verificarea traducerii

{name} din copia de traducere este pierdut, cum să îl opriți înainte de a intra online

Dacă {name} este pierdut în copie de traducere, erorile vor apărea online. Judecata regulată nu este de încredere. Acest articol folosește biblioteca standard Python string.Formatter.parse pentru a structura substituenții de verificare, cu exemple de sinteză corecte și incorecte, scripturi executabile direct și limite de revizuire manuală.

Citește articolul
Traducerea documentelor Zotero: permiteți asistentului AI să preia hârtia, să traducă întregul PDF și să salveze traducerea înapoi în Zotero
Note de inginerie

Traducerea documentelor Zotero: permiteți asistentului AI să preia hârtia, să traducă întregul PDF și să salveze traducerea înapoi în Zotero

După ce plug-in-ul OmniDoc este instalat în Zotero, asistentul AI conectat la acesta poate căuta în biblioteca de literatură, PDF-ul întregii lucrări de traducere, poate salva traducerea înapoi în același articol ca atașament și poate scrie note și etichete. Articolul oferă o listă de instrumente, instrucțiuni exemple și setări recomandate pentru traducerea pe hârtie.

Citește articolul
OCR a fost mărit și decupat, cum să mapați cadrul de recunoaștere înapoi la textul original
OCR și imagini

OCR a fost mărit și decupat, cum să mapați cadrul de recunoaștere înapoi la textul original

Cadrul returnat de OCR este precis pe imaginea locală, dar cadrul general este dezactivat atunci când este tras înapoi în PDF. Nu vă îndoiți de motorul de recunoaștere mai întâi, verificați secvența de preprocesare: este mai întâi decupat, apoi mărit și apoi umplut cu un chenar alb? Fiecare pas modifică coordonatele, iar maparea inversă trebuie anulată în ordine inversă.

Citește articolul
Extensie de traducere web OmniDoc: citire comparată a traducerii textului original, subtitrări bilingve video, traducere de delimitare a cuvintelor, acum disponibilă pe Edge și Chrome
Note de inginerie

Extensie de traducere web OmniDoc: citire comparată a traducerii textului original, subtitrări bilingve video, traducere de delimitare a cuvintelor, acum disponibilă pe Edge și Chrome

Extensia de traducere web OmniDoc a fost lansată în magazinele oficiale Edge și Chrome: textul tradus este afișat lângă textul original și acceptă subtitrări video bilingve, marcarea cuvintelor și traducerea cu mouse-ul, traducerea casetei de introducere și traducerea opțională Google, Bing, Tencent și OmniDoc AI.

Citește articolul
De ce nu poate fi extras textul formularului PDF completat?
Inginerie PDF

De ce nu poate fi extras textul formularului PDF completat?

Valorile câmpurilor AcroForm provin dintr-o sursă diferită de textul desenat pe pagină. Următorul folosește PyMuPDF pentru a construi un câmp de text și apoi folosește pypdf pentru a-l citi; XFA nu este implicat și nu pretinde că valoarea câmpului trebuie să fie în concordanță cu aspectul vizual. Când nu există formă, nu indexați direct folosind chei care nu sunt în dicționar.

Citește articolul
PDF-ul necesită OCR? Utilizați PyMuPDF pentru a efectua verificarea prealabilă pagină cu pagină în loc de recunoaștere completă
Parsare PDF

PDF-ul necesită OCR? Utilizați PyMuPDF pentru a efectua verificarea prealabilă pagină cu pagină în loc de recunoaștere completă

Dacă doriți să OCR PDF-ul, nu este nevoie să recunoașteți întregul PDF. Utilizați PyMuPDF pentru a determina pagină cu pagină dacă există un strat de text și dacă este o imagine de pagină completă și trimiteți numai paginile care sunt cu adevărat necesare pentru recunoaștere. Sunt atașate mostre care pot fi rulate, teste cu pagini rotative și instrucțiuni de delimitare a ramurilor.

Citește articolul
Facturile și chitanțele au aceeași intrare. Cum să evitați amestecarea celor două structuri?
Date structurate

Facturile și chitanțele au aceeași intrare. Cum să evitați amestecarea celor două structuri?

O interfață primește atât facturi, cât și chitanțe și este ușor să scrieți obiecte mari cu „toate câmpurile opționale”. Un astfel de obiect poate ține orice, dar este dificil de spus ce anume este primit. Ar fi mai clar să păstrați două contracte separate și să selectați unul dintre ele cu câmpul de tip explicit.

Citește articolul
Aceeași linie de text este împărțită în mai mult de zece intervale de PyMuPDF? Aceasta determină dacă ar trebui fuzionată
Parsare PDF

Aceeași linie de text este împărțită în mai mult de zece intervale de PyMuPDF? Aceasta determină dacă ar trebui fuzionată

PyMuPDF împarte aceeași linie de cuvinte în mai mult de o duzină de intervale. De cele mai multe ori, fontul, dimensiunea fontului sau stilul s-au schimbat, nu neapărat segmentarea. Acest articol explică cum să distingem modificările de stil și limitele de paragraf și oferă exemple de logică de îmbinare și un formular de acceptare pentru a evita tăierea unei propoziții în timpul traducerii.

Citește articolul
Doar pentru că data este scrisă în Schema JSON, nu înseamnă că validatorul trebuie să verifice data.
Date structurate

Doar pentru că data este scrisă în Schema JSON, nu înseamnă că validatorul trebuie să verifice data.

Schema spune `format: date`, dar data greșită trece de verificare. Acest lucru poate să nu însemne neapărat că există o eroare în bibliotecă. Modul în care este gestionat `format` depinde de configurația validatorului. Când obțineți o „verificare reușită”, mai întâi întrebați dacă a verificat tipul, structura sau a verificat și semantica datei.

Citește articolul
Nu există nicio problemă în traducerea textului Word, dar antetul este în continuare textul original.
Word și layout

Nu există nicio problemă în traducerea textului Word, dar antetul este în continuare textul original.

Acest articol oferă o analiză aprofundată a cauzei rădăcină a traducerilor lipsă din antetele Word, care se află în mecanismul de moștenire is_linked_to_previous. Utilizați python-docx pentru a demonstra cum să identificați și să întrerupeți în siguranță legăturile pentru a evita traducerile repetate sau aspectele dăunătoare și furnizați un ghid complet de practică inginerească, inclusiv condițiile limită și criteriile de acceptare.

Citește articolul
Există mai multe spații goale după traducerea Word? Verificați mai întâi paragraful anterior și nu vă grăbiți să ștergeți paragraful gol.
Word și layout

Există mai multe spații goale după traducerea Word? Verificați mai întâi paragraful anterior și nu vă grăbiți să ștergeți paragraful gol.

Există mai multe spații goale după traducerea Word. Verificați mai întâi spațierea înainte și după paragrafe și nu vă grăbiți să ștergeți paragrafele: moștenirea stilului, rupturile de secțiune și obiectele de desen pot afecta aspectul. Acest articol înregistrează numai atributele setate direct, nu șterge automat segmentele goale și nu tratează Nici unul ca zero.

Citește articolul
Diferența de date Excel este de patru ani: mai întâi uitați-vă la sistemul de date din registrul de lucru
Excel și date

Diferența de date Excel este de patru ani: mai întâi uitați-vă la sistemul de date din registrul de lucru

iso_dates controlează metoda de serializare a datei din fișier și nu transformă automat data și ora din memorie într-un șir. Numărul de serie al datei necesită epoca registrului de lucru; aici comparăm cele două sisteme de date și verificăm valorile XML salvate și readback.

Citește articolul
Când predați documente adnotate, nu predați doar un PDF care arată curat.
Parsare PDF

Când predați documente adnotate, nu predați doar un PDF care arată curat.

Acest articol oferă o extracție stratificată și o soluție de verificare a securității bazată pe PyMuPDF pentru a aborda problemele de confuzie între text și comentarii, scurgerile de date sensibile și confuzia sistemelor de coordonate în extragerea adnotărilor PDF. Conținutul acoperă principiul stratului de date independent, exemple de programare defensivă, procesarea condițiilor de limită și criteriile de acceptare manuală și explică cum să conectați corect OmniDoc în fluxul de lucru de traducere a documentelor pentru comparare și acceptare bilingvă.

Citește articolul