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.
Când multe echipe se ocupă de traducerea sau arhivarea PDF-urilor, ele sunt obișnuite să eticheteze întregul document ca „scanat"sau „copiabil"la intrare. Un PDF de 300 de pagini poate avea primele 280 de pagini cu straturi de text și numai ultimele 20 de pagini ca atașamente scanate. Dacă este clasificat ca întreg, întregul OCR va crește timpul de așteptare, iar numărul corect inițial poate fi recunoscut incorect. Pe de altă parte, dacă poți copia doar text pe pagina de pornire și sări peste OCR pe toate paginile, este și riscant.
O abordare mai fiabilă este să lăsați fiecare pagină să treacă la pasul următor cu rezultatele verificării preliminare. Acest articol implementează o împărțire conservatoare în trei căi: extracție directă, trimitere la coada de candidați OCR și inspecție manuală. Este o euristică de inginerie interpretabilă, nu un clasificator universal pentru evaluarea calității textului. După citire, puteți obține un program de verificare prealabilă, care poate fi rulat pagină cu pagină, precum și limite de deviere și idei comune de tratare a erorilor.
Concluzie cu o singură propoziție
Nu este nevoie să judecăm dacă PDF-ul necesită OCR. Utilizați PyMuPDF pentru a verifica dinainte pagină cu pagină și pentru a trimite numai paginile care trebuie să fie recunoscute la OCR.
| situatia ta | Practici recomandate | motiv |
|---|---|---|
| Extrageți cel puțin 40 de caractere fără spații albe dintr-o singură pagină | Extragere directă (TEXT_CANDIDATE) | Aveți deja suficiente caractere, dar trebuie totuși să verificați dacă există straturi OCR proaste ascunse |
| Mai puțin de 40 de cuvinte și o singură imagine care acoperă cel puțin 70% din pagină | Trimiteți la coada de candidați OCR | Scanările pe toată pagina sunt potrivite pentru identificare, dar fotografiile pure vor fi și ele suficiente. |
| Pagina goală, tip de vector, titlu rar sau puzzle complex | Inspecție manuală (REVISIUNE) | Aceste situații nu pot fi clasificate în mod sigur în primele două categorii și nu pot fi ignorate sau eliminate automat. |
| Un document hibrid de 300 de pagini | Verificare prealabilă pagină cu pagină, procesare nu este completă | Evitați OCR toate paginile din cauza câtorva atașamente scanate sau săriți peste toate OCR deoarece există text pe pagina de pornire |
Notă: Conținutul din imagine provine din PDF-ul sintetizat generat de codul de mai jos, nu fișierul client și nici interfața OmniDoc. Textul de pe pagina de imagine este pixeli raster; textul de pe pagina de text are un strat de text real.
Decideți ce să verificați mai întâi
Aici sunt utilizate două semnale: numărul de caractere de text după eliminarea spațiilor albe și proporția din suprafața paginii ocupată de cea mai mare imagine de pe pagină. Primul răspunde „Au fost extrase suficiente caractere?"iar acesta din urmă ajută la diferențierea între o pagină completă scanată și o pagină goală. Zona imaginii se va intersecta mai întâi cu caseta de decupare pentru a evita depășirea raportului de mărire a imaginii de pe pagină.
| observare | Deturnare a acestui articol | Mai trebuie atentie |
|---|---|---|
| Cel puțin 40 de caractere fără spații albe | TEXT_CANDIDATE | Straturile OCR proaste ascunse pot avea, de asemenea, o mulțime de cuvinte |
| Mai puțin de 40 de cuvinte și o singură imagine care acoperă cel puțin 70% | OCR_CANDIDATE | Fotografiile pure vor îndeplini și condițiile, OCR poate să nu aibă sens |
| Restul cazurilor | RECENZIE | Spațiul alb, tipul vectorial, titlurile rare și puzzle-urile complexe sunt toate posibile aici |
Pragurile 40 și 0,70 au scopul de a face acest set de teste ușor de auditat și nu sunt standarde încrucișate. Chineză, formula, coperta și formularele scurte ar trebui calibrate separat. Aici, fotografia cu cea mai mare suprafață este făcută în loc să se adauge pur și simplu zonele de imagini suprapuse, astfel încât o pagină scanată compusă din mai multe imagini poate intra în REVIZIE. Aceasta este o limită rezervată intenționat.
Exemplu complet rulabil
Eșantionul foloseștePyMuPDF==1.28.0, nu se bazează pe Tesseract și nu apelează la niciun OCR online sau servicii de traducere. Salvați-l ca example.py și rulați-l într-un director gol. Numele fișierului pe care îl creează este fixat la routing-fixture.pdf. Vă rugăm să nu suprascrieți fișierul de intrare în proiecte reale.
import json
import pymupdf
def inspect_page(page):
chars = len("".join(page.get_text().split()))
bounds = page.cropbox
# 图片坐标与文本坐标都是未旋转坐标;不要混用旋转后的 page.rect。
bounds = pymupdf.Rect(0, 0, bounds.width, bounds.height)
ratios = []
for image in page.get_image_info():
rect = pymupdf.Rect(image["bbox"]) & bounds
ratios.append(max(0, rect.get_area()) / bounds.get_area())
largest = max(ratios, default=0.0)
route = ("TEXT_CANDIDATE" if chars >= 40 else
"OCR_CANDIDATE" if largest >= 0.70 else "REVIEW")
return {"page": page.number + 1, "chars": chars,
"largest_image_ratio": round(largest, 3), "route": route}
with pymupdf.open() as source:
page = source.new_page(width=360, height=480)
page.insert_text((28, 60), "Sample invoice 2026-09-26", fontsize=16)
page.insert_text((28, 100), "Quantity 12 Unit price USD 15.00", fontsize=12)
page.insert_text((28, 132), "Amount USD 180.00 Checked manually", fontsize=12)
scan = page.get_pixmap(matrix=pymupdf.Matrix(2, 2)).tobytes("png")
page = source.new_page(width=360, height=480)
page.insert_image(page.rect, stream=scan)
source.new_page(width=360, height=480)
source.save("routing-fixture.pdf")
with pymupdf.open("routing-fixture.pdf") as pdf:
result = [inspect_page(page) for page in pdf]
assert [r["route"] for r in result] == [
"TEXT_CANDIDATE", "OCR_CANDIDATE", "REVIEW"]
assert result[1]["chars"] == 0
assert result[1]["largest_image_ratio"] == 1.0
pdf[1].set_rotation(90)
assert inspect_page(pdf[1])["route"] == "OCR_CANDIDATE"
print(json.dumps(result, indent=2))
Când accesați OCR, TextPage este stocat în cache în loc de un semn de succes.
Interfața OCR a lui PyMuPDF este page.get_textpage_ocr(...). Tesseract și datele lingvistice corespunzătoare trebuie pregătite separat. După obținerea TextPage, aceasta ar trebui să fie transmisă ca parametru textpage în timpul extragerii ulterioare pentru a evita recunoașterea repetată a aceleiași pagini. Vă rugăm să consultați Document OCR PyMuPDF pentru metode și parametri de instalare specifici.
Acest articol nu a rulat motorul OCR, așa că rezultatele testului pot dovedi doar că logica de deviere și coordonatele sunt utilizate corect și nu reprezintă rata de recunoaștere chineză, rata de recuperare a tabelului sau calitatea traducerii. Versiunea motorului OCR, pachetul de limbi, numărul paginii, rezumatul fișierului de intrare și rezultatele inspecției manuale trebuie înregistrate în mediul de producție. Nu păstrați doar șirul final, altfel va fi dificil de explicat din ce pagină provine un anumit număr.
Trei tipuri de defecte care sunt cel mai ușor ratate
Stratul de text ascuns poate fi deranjat. Dacă numărul de caractere atinge standardul, înseamnă doar „puteți continua să încercați să extrageți". De asemenea, trebuie să verificați dacă caracterele de înlocuire, liniile repetate și câmpurile cheie corespund redării. Conținuturile cheie, cum ar fi numărul contractului și suma, trebuie verificate aleatoriu.
Cuvintele desenate de căi vectoriale nu sunt nici text, nici imagini. Vor intra REVIEW. Nu le marcați automat ca goale și nu lăsați pagini în tăcere.
Închiderea documentului și apoi folosirea paginii vor genera obiecte nevalide. Vă rugăm să păstrați domeniul de aplicare alwith pymupdf.open(...) și să finalizați verificarea prealabilă, randarea și extragerea înainte de a elibera fișierul. Pentru mai multe detalii despre coordonate, informații despre imagine și ciclul de viață al paginii, consultați PyMuPDF Page API.
PDF-urile care nu sunt de încredere ar trebui să aibă, de asemenea, dimensiunea fișierului, numărul de pagini, pixeli randați, timpul și limitele de memorie setate într-un proces separat. Exemplul testează doar fișiere mici și nu oferă un sandbox de fișiere rău intenționate. Înainte de a utiliza PyMuPDF în producție, ar trebui să verificați, de asemenea, condițiile de licență și metoda de distribuție.
Introduceți fluxul de lucru de traducere de la deviere
Ieșirea calificată nu este un șir de text, ci o înregistrare cu numerele de pagină și motivele deciziei. Înainte de a traduce, confirmați ce pagini pot fi extrase în mod fiabil; verificați și acceptați conținutul, numerele și aspectul după traducere. Puteți vizualiza serviciile de procesare a documentelor la Intrarea produsului OmniDoc. Programul local din acest articol rulează independent și nu se bazează pe contul OmniDoc și nici nu înseamnă că este algoritmul din interiorul produsului.
📊 Comparație de bază
| Traseu | Condiții de declanșare | Pagină potrivită | Riscuri majore |
|---|---|---|---|
| Extracție directă (TEXT_CANDIDATE) | Cel puțin 40 de caractere nespațiate | Pagina de corp a stratului de text existent | Straturile ascunse de OCR prost pot conține text distorsionat |
| Candidați OCR (OCR_CANDIDATE) | Mai puțin de 40 de cuvinte, iar o singură imagine acoperă cel puțin 70% | Copie scanată pe o pagină întreagă | Fotografiile pure îndeplinesc, de asemenea, cerințele, dar rezultatele OCR pot să nu fie semnificative |
| Inspecție manuală (REVIEW) | Nu se încadrează în cele două categorii de mai sus | Pagini goale, text vectorial, titluri rare, puzzle-uri complexe | Este necesară judecata manuală; sărirea sau aruncarea nu poate fi făcută automat |
🎯 Care metodă ți se potrivește?
Dacă ......
- Gestiona documente mixte, cu diferențe mari de calitate între paginile din față și cele din spate: verificare pre-pagină cu pagină, fiecare intrând pe o rută diferită.
- Gestionează în principal contracte, documente financiare și alte documente care conțin numere cheie: Pentru pagina TEXT_CANDIDATE, verifică aleatoriu corespondența dintre numere și randare.
- Procesare în loturi a scanărilor: versiuni de motor de înregistrare, pachete de limbi și numere de pagină pentru rezultatele OCR pentru o tradabilitate ușoară.
- Primirea PDF-urilor din surse necunoscute: Setați limite de resurse în procese independente; nu le procesați direct în procesul principal.
❓ Întrebări frecvente (FAQ)
1. Pagina principală poate copia text; pot să sar peste procesul OCR pentru întregul PDF?
Nu, nu poți. A avea un strat de text pe prima pagină nu înseamnă că paginile următoare îl au la fel; ar trebui să judeci pagină cu pagină.
2. De ce să nu aduni direct zona imaginii?
Adăugarea imaginilor suprapuse pe zone va supraestima rata de acoperire. Acest articol preia cea mai mare imagine după arie, astfel încât paginile scanate cusute din mai multe imagini pot intra în secțiunea REVIEW, care este o limită deliberată.
3. Dacă numărul de caractere ajunge la 40, înseamnă că calitatea textului este ok?
Nu se poate concluziona astfel. Straturile ascunse de OCR defectuoase pot avea, de asemenea, multe caractere, așa că tot trebuie să verifici caractere de înlocuire, linii duplicate și câmpuri de chei spot.
4. Cum ar trebui gestionat textul desenat pe trasee vectoriale?
Nu sunt nici text, nici imagini, introduceți RECENZIA și sunt evaluate manual; nu ar trebui marcate automat ca pagini goale sau lăsate în tăcere.
5. Programul local se bazează pe un cont OmniDoc?
Nu sunt dependentă. Programul local din acest articol funcționează independent și nu apelează la niciun OCR online sau servicii de traducere.
📝 Rezumat
În primul rând, lasă dovezi pagină cu pagină înainte de a decide dacă să efectuezi OCR. Lăsarea paginilor incerte în coadă este mai eficientă decât mascarea rezultatelor incerte ca fiind succes.
Experiența acum: Încarcă documentul pentru a începe traducerea, păstrând formatul original


