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.
Pagina de cuprins a PDF-ului poate fi redirecționată în mod normal în cititor, dar după ce a fost extrasă folosind un script, ierarhia poate fi plată, numerele paginilor pot fi deplasate sau chiar indexul poate fi anormal. Acest tip de problemă este frecventă la îmbinarea fișierelor scanate sau a fișierelor cu structuri de marcaje neregulate. Dacă rezultatele extragerii sunt predate direct utilizatorilor din aval, pot apărea erori în segmentarea traducerii și legarea.
Acest articol este destinat dezvoltatorilor și echipelor de documentare care trebuie să proceseze în serie cataloagele PDF. După citire, puteți înțelege semnificația valorii de returnare get_toc(), puteți stăpâni regulile de verificare pentru niveluri și numere de pagină și puteți ști ce situații ar trebui convertite la verificarea manuală. Acest articol folosește un eșantion sintetic pentru a demonstra metoda de procesare, iar codul a fost verificat de eșantion într-un mediu izolat, dar aceasta nu reprezintă o garanție a tuturor fișierelor reale sau a efectelor produsului. Înainte de a procesa documente importante, vă rugăm să păstrați originalele și să le revizuiți în funcție de limitele și elementele de acceptare din text.
Ce ar trebui să fac dacă se poate face clic pe pagina de cuprins PDF, dar ierarhia se pierde după extragere? O singură propoziție concluzie
Verificați mai întâi, apoi scrieți: nivelul de marcaj trebuie verificat mai întâi, primul articol este considerat primul nivel, nivelurile ulterioare nu trebuie să depășească articolul anterior plus unu, iar intrările cu numere de pagină în afara limitelor nu vor fi scrise.
| situatia ta | Practici recomandate | motiv |
|---|---|---|
| Se poate face clic pe pagina directorului, iar ierarhia este plată sau nealiniată după extragere. | Mai întâi utilizați get_toc() pentru a obține lista originală, apoi verificați-o una câte una înainte de a o folosi. | Lista originală returnată de get_toc() nu are validare structurată |
| Numărul paginii este 0 sau depășește numărul total de pagini | Eliminați intrarea și înregistrați | Numerele paginilor în afara limitelor vor cauza eșec de salt |
get_toc() returnează o listă goală | Utilizați în schimb analiza aspectului textului și nu încercați din nou orbește | Este posibil ca fișierul să nu aibă metadate de marcaj încorporate |
| Același titlu corespunde mai multor numere de pagină diferite | Marcați ca ambiguu, transferați la verificarea manuală | Nu se poate determina automat ce număr de pagină este corect |
De ce rezultatul extracției pierde niveluri?
get_toc() este implicit să scoată o listă de triple [level, title, page]. Printre acestea, page este numărul fizic al paginii începând de la 1, iar level reprezintă doar adâncimea de imbricare și nu garantează continuitatea sau legalitatea.
Dacă PDF-ul sursă a fost generat de un instrument de scanare de îmbinare, problemele comune includ:
- Level Jump: de exemplu, sari direct de la 1 la 3
- Excepție numărul paginii: numărul paginii este 0 sau depășește numărul total de pagini
- Excepție titlu: titlul conține caractere de control
Dacă este utilizat direct pentru sarcinile din aval, va provoca confuzie în segmentele de traducere sau eșecul legăturii. Mai insidios, unele PDF-uri au o pagină vizuală de cuprins, dar nu au încorporate metadate de marcaj. Este normal ca get_toc() să returneze o listă goală în acest moment, iar analiza aspectului textului trebuie utilizată în schimb.
Exemplu de compoziție autonomă
Consultați lista de import pentru exemplu de dependențe. Construcțiile de cod introduse în memorie, iar înregistrările de rulare sunt furnizate separat și nu reprezintă o garanție a tuturor fișierelor reale.
import pymupdf
def validate(rows, pages):
previous = 0
for level, title, page in rows:
if type(level) is not int or level < 1 or level > previous + 1:
raise ValueError("invalid hierarchy")
if type(page) is not int or not 1 <= page <= pages:
raise ValueError("invalid destination")
if not isinstance(title, str) or not title.strip():
raise ValueError("empty title")
previous = level
return rows
with pymupdf.open() as doc:
for _ in range(3):
doc.new_page()
rows = [[1, "Chapter", 1], [2, "Section", 2], [1, "Appendix", 3]]
doc.set_toc(validate(rows, doc.page_count))
assert doc.get_toc() == rows
assert len(doc.get_toc()) == 3
for bad in [[[2, "Bad", 1]], [[1, "Bad", 99]], [[1, "", 1]]]:
try:
validate(bad, doc.page_count)
except ValueError:
pass
else:
raise AssertionError("invalid outline accepted")
Reguli de procesare pentru introducerea legală și ilegală
Introducerea corectă ar trebui să satisfacă: o listă de triple cu niveluri continue și numere de pagină în intervalul [1, doc.page_count]. De exemplu, [[1, "引言", 1], [2, "背景", 2], [1, "方法", 5]] este legal, al doilea nivel apare după primul nivel și este conform cu sintaxa conturului PDF.
Intrările incorecte frecvente includ:
- Nivelul este 0 sau negativ
- Numărul paginii este 0
- Numărul de pagini depășește numărul total de pagini
- Titlul este un șir gol sau conține doar caractere cu spații albe
Pentru aceste situații, metodele prezentate în articol sunt următoarele:
- Omite intrările cu numere de pagină nevalide și înregistrează un avertisment.
- Păstrați substituenți precum
[untitled]pentru titlurile goale pentru a menține integritatea structurală. - Nu întrerupeți analizarea întregului director din cauza unei singure erori.
În cazul în care nivelul este mai mic de 1, există două strategii de care trebuie să fii conștient: partea rezumată a exemplului pledează pentru respingerea nivelurilor ilegale și nu corectarea lor automată, în timp ce descrierea regulii din articol este să o forțezi la 1. Vă rugăm să decideți între cele două în funcție de procesul dumneavoastră. De asemenea, rețineți că aceste reguli sunt concepute pentru a asigura robustețea proceselor din aval și nu sunt cerințe obligatorii ale standardului PDF. Testarea reală a constatat că atunci când numărul paginii depășește granița, PyMuPDF va imprima un avertisment, dar nu va arunca o excepție. Prin urmare, funcția de verificare trebuie să filtreze în mod activ și nu se poate baza pe comportamentul bibliotecii.
📊 Comparație de bază
În diferite situații de documente, rezultatele și metodele de procesare sugerate ale get_toc() sunt diferite:
| Documentare | Rezultate get_toc() | Tratament recomandat |
|---|---|---|
| Există marcaje și structura este legală | Returnează o listă de triple | Utilizați direct după verificare |
| Există marcaje, dar nivelul sau numărul paginii este anormal | Returnează o listă care conține elemente de excepție | Filtrați și înregistrați jurnalele, transferați la operarea manuală dacă este necesar |
| Din punct de vedere vizual, există o pagină de cuprins, dar nu există marcaje | Returnează lista goală | Utilizați în schimb analiza aspectului textului |
| EPUB și alte documente de redistribuire | Formatul numărului paginii este (capitol, pno) | Această logică de verificare a numărului de pagină nu este aplicabilă și necesită o procesare specială. |
Criterii de acceptare și limite de revizuire manuală
Următorul tabel se concentrează doar pe extragerea metadatelor catalogului PDF:
| Observați fenomene | decizie de prelucrare | Dacă automatizarea este aplicabilă |
|---|---|---|
| Numărul paginii este 0 sau mai mare decât numărul total de pagini | Renunțați la intrare și înregistrați-o | Da |
| Nivelul este mai mic decât 1 sau nu este întreg | Procesați conform regulilor de mai sus (vezi instrucțiunile anterioare) | Da |
| Titlul este complet gol sau simboluri pure | Înlocuiți cu [untitled] | Da |
| Salt de nivel (de exemplu, de la 1 la 3) | Păstrați stratul original și nu completați stratul din mijloc | Da (structura este legală) |
| Același titlu corespunde mai multor numere de pagină diferite | Marcați ca ambiguu, transferați în manual | nu |
| Numărul de intrări depășește 200 și nu există nicio schimbare de nivel | Dacă se suspectează recunoașterea greșită a OCR, este necesară verificarea manuală. | nu |
| Conține un URI extern sau o acțiune JavaScript | Filtrați elementele care nu fac salt în pagină | Da (politica de securitate) |
| Documentele rearanjate, cum ar fi EPUB, numerele de pagină sunt (capitol, pno) | Această logică de verificare a numărului de pagină nu este aplicabilă | Nu (necesită procesare specială) |
Trebuie remarcat faptul că demonstrația codului verifică doar legalitatea structurii, iar efectul de la capăt la capăt trebuie combinat cu randarea pentru a verifica dacă saltul este corect.
🎯 Ce metodă este potrivită pentru tine?
Dacă trebuie să extrageți directoare în loturi
Mai întâi efectuați verificarea structurală a rezultatului get_toc(), apoi scrieți-l în procesul următor și păstrați jurnalul pentru revizuire.
Dacă PDF-ul dvs. are vizual un cuprins, dar extragerea este goală
Nu reîncercați get_toc() în mod repetat, utilizați în schimb procesarea analizei aspectului textului.
Dacă intrarea în director apare pe pagini diferite cu același nume
Convertiți aceste intrări în verificare manuală și nu selectați automat unul dintre numerele de pagină.
Dacă trimiteți documentul unui proces de traducere
Mai întâi, confirmați că structura directorului și numerele paginilor sunt corecte înainte de a traduce, pentru a evita confuzia de segmentare.
❓ Întrebări frecvente (FAQ)
1. De ce numărul paginii începe de la 1, în timp ce indexul paginii începe de obicei de la 0?
Numerele paginilor de marcaj sunt numere fizice ale paginilor care încep de la 1, în timp ce indexurile paginilor din biblioteci precum PyMuPDF încep de obicei la 0. Trebuie să acordați atenție acestei diferențe atunci când faceți conversie, altfel numerele de pagină vor fi aliniate greșit.
2. Dacă get_toc() returnează o listă goală, înseamnă că este ceva în neregulă cu fișierul?
nesigur. Unele PDF-uri au vizual o pagină de cuprins, dar nu încorporează metadate de marcaj. Este normal să returnați o listă goală. În acest caz, ar trebui utilizată în schimb analiza aspectului textului.
3. Când numărul paginii depășește granița, biblioteca va raporta direct o eroare?
Nu va. Măsurătoarea reală din acest articol a constatat că PyMuPDF va imprima un avertisment, dar nu va arunca o excepție atunci când numărul paginii depășește granița, așa că funcția de verificare trebuie să filtreze în mod activ.
4. Trebuie să completați straturile din mijloc pentru săriturile de nivel (cum ar fi de la 1 la 3 direct)?
Sugestia din articol este de a păstra ierarhia originală și de a nu adăuga straturi intermediare, deoarece această structură este încă legală.
📝 Rezumat
Ierarhia și numerele de pagină ale directorului PDF trebuie verificate înainte de utilizare. Ieșirea originală a get_toc() nu poate fi privită direct ca o structură de încredere. Când întâmpinați ambiguitate sau fără marcaje, trecerea la lucru manual sau utilizarea altor metode în timp util poate evita erorile în procesele din aval.
Încercați acum: încărcați documentul pentru a începe traducerea, păstrând aspectul original
Referințe și pașii următori
Următorul pas sugerat: Pregătiți un PDF de test care conține probleme de director cunoscute, rulați scriptul de verificare de mai sus și numărați proporția diferitelor anomalii. Dacă salturi de nivel sau schimbări ale numărului de pagină apar frecvent, luați în considerare adăugarea unui pas de reconstrucție a directorului înainte de traducere.
Utilizați această listă de verificare pentru traducerea documentelor
Verificați mai întâi ordinea paginilor, locația sursei și integritatea textului, apoi trimiteți același eșantion desensibilizat procesului de traducere. După traducere, mai trebuie să verificați dacă titlul, textul și ilustrațiile corespund corect. Nu puteți verifica doar dacă textul este neted.
OmniDoc oferă un portal de traducere a documentelor multi-format, iar site-ul oficial introduce funcții OCR, glosar și comparație bilingvă. Pentru echipele care doresc să înceapă să lucreze direct din fișiere, aceasta este o cale care merită evaluată cu mostre din viața reală. Utilizați fișiere desensibilizate pe care aveți permisiunea să le încărcați și utilizați elementele de verificare din acest articol pentru a examina rezultatele. Nu există nicio pretenție că OmniDoc utilizează bibliotecile open source sau algoritmii interni din acest articol și nici exemplul nu înlocuiește testarea performanței produsului.


