De ce PDF-ul cu două coloane este extras în serie? Păstrați mai întâi coordonatele și apoi vorbiți despre ordinea de citire

Explicați că serializarea textului PDF în două coloane provine din lipsa de structură semantică a formatului, clarificați că parametrul de sortare este doar o sortare geometrică. Un exemplu sintetic Python bazat pe partiționarea coordonate este oferit pentru a demonstra logica reorganizării secvenței, a clarifica limitele aplicabile și a liniilor roșii de revizuire manuală și pentru a oferi o cale de acceptare pragmatică care conectează fluxul de lucru de traducere OmniDoc.

Secvențele de text extrase din PDF-uri cu două coloane nu sunt adesea recunoscute incorect, dar sunt citite în ordine greșită. Acest articol este destinat cititorilor care trebuie să extragă text din PDF-uri cu două coloane, cum ar fi lucrări și rapoarte, și apoi să le traducă sau să le organizeze.

Cititorii se confruntă de obicei cu această situație: la jumătatea coloanei din stânga, următoarea propoziție este urmată de explicația formulei din coloana din dreapta. Este posibil ca toate personajele să fie recunoscute corect, dar ordinea este perturbată. Acest articol explică mai întâi de ce are loc serializarea, apoi folosește un exemplu sintetic pentru a demonstra cum să partiți și să reorganizați ordinea după coordonate. În cele din urmă, oferă limitele aplicabile și lista de acceptare pentru a vă facilita să judecați dacă poate fi utilizat în propriile fișiere.

De ce PDF-ul cu două coloane este extras în serie? O singură propoziție concluzie

Păstrați mai întâi coordonatele și pagina sursă, apoi sortați conform regulilor regionale. Nu comprimați direct întreaga pagină într-un șir lung.

situatia taPractici recomandatemotiv
Hârtie obișnuită cu două coloane, serializare textCitiți mai întâi coloana din stânga a unei secțiuni, apoi citiți coloana din dreaptaÎmbinarea alternativă linie cu linie va distruge paragrafele
Am vrut doar să încerc rapidComparați rezultatele pornirii și opririi sortsort face doar sortare geometrică, potrivită pentru paginile cu reguli
Paginile au titluri pe mai multe coloane, note laterale și note de subsolProcesați separat în funcție de regiune și verificați relațiile regionaleDoar sortarea geometrică nu poate determina atribuirea acestor conținuturi.
Trebuie predat modelului de traducerePăstrați coordonatele și numerele paginilor, organizați mai întâi comanda și apoi traducețiContextele în ordine greșită sunt greu de remediat chiar și prin schimbarea modelului.

De ce este încurcată comanda?

PDF înregistrează poziția fiecărui paragraf de text, nu „care paragraf este acesta și cărei coloană îi aparține?"Când instrumentul de extracție iese după coordonate, dacă nu există reguli de zonă, textul din coloanele din stânga și din dreapta poate fi întrețesat.

Astfel de probleme nu apar neapărat în faza de identificare. Poate că toate cuvintele sunt menționate corect, dar în ordine greșită. Prin urmare, ideea soluției ar trebui să se concentreze pe sortare și zonare, mai degrabă decât pe schimbarea în mod repetat a legăturilor de recunoaștere sau traducere.

Păstrați mai întâi coordonatele și apoi vorbiți despre ordinea de citire

Înainte de a rezolva problema de ordonare, păstrați coordonatele și pagina sursă a textului. Nu vă grăbiți să comprimați întreaga pagină într-un șir lung.

  • Păstrați cele patru coordonate ale fiecărui bloc de text pentru a facilita evaluarea ulterioară a proprietății zonei.
  • Păstrați numărul paginii sursă pentru a facilita întoarcerea și verificarea manuală.
  • Odată ce informațiile regionale sunt pierdute, traducerile ulterioare vor primi un context greșit, iar modificarea unui model de traducere ar putea să nu poată fi remediată.

sort=Adevărat merită încercat, dar nu este o înțelegere a aspectului

PyMuPDF oferă diferite forme de extracție, cum ar fi text, cuvinte, blocuri etc. Procesarea specifică asort variază în funcție de tipul de ieșire și versiune. Nu poate fi descris în general ca un algoritm de compunere fix și nici nu poate fi promis că va restabili ordinea de citire a tuturor documentelor.

Sugestiile de utilizare sunt următoarele:

  • Pentru pagina de reguli, puteți compara mai întâi rezultatele pornirii și opririi sortării.
  • Pentru paginile cu titluri pe mai multe coloane, note laterale și note de subsol, relația regională trebuie verificată din nou.
  • PDF-ul poate conține etichete structurale, dar acest lucru nu înseamnă că interfața de extracție utilizată în prezent vă va oferi automat arborele de paragraf semantic de care aveți nevoie.

Acest articol nu implementează recunoașterea universală a aspectului, ci demonstrează doar „cum se sortează după regulile regionale existente"și explică clar limitele capabilităților. Pentru interfața și formularul de extracție, vă rugăm să consultați Ghid oficial de extragere a textului PyMuPDF.

Utilizați cinci blocuri de text sintetizate pentru a explica problema

Pagina de exemplu are o lățime de 600 de puncte, cu o limită de 300 de puncte între coloane; la 80 de puncte de partea de sus este zona titlului încrucișată, iar sub aceasta este zona de text. Intrarea este amestecată în mod deliberat: al doilea paragraf din coloana din dreapta este primul, iar primul paragraf din coloana din stânga este ultimul. Fiecare tuplu conține cele patru coordonate ale dreptunghiului și ale textului. Aceasta este o structură simplificată definită în scopuri demonstrative și nu este echivalentă cu valoarea de returnare completă a get_text("blocks").

Rezultatul așteptat ar trebui să fie: titlu, primul paragraf în coloana din stânga, al doilea paragraf în coloana din stânga, primul paragraf în coloana din dreapta, al doilea paragraf în coloana din dreapta. Blocurile de text care depășesc granițele coloanelor trebuie să intre în lista de excepții, mai degrabă decât să fie aruncate în liniște sau plasate în coloana din stânga.

Un mic exemplu care poate fi rulat complet

Următoarele exemple folosesc numai biblioteca standard Python. Când vă conectați la PyMuPDF, puteți păstra primele cinci câmpuri din rezultatele extragerii blocurilor și puteți exclude mai întâi blocurile non-text. Exemplul nu deschide fișiere externe, nu necesită OCR și nu deduce automat limitele coloanei.

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")

Cele 80 și 300 din exemplu provin din setările din această pagină compusă și nu sunt praguri empirice care se aplică tuturor PDF-urilor. Când întâmpinați modificări ale lățimii coloanelor din stânga și din dreapta pe pagina următoare, utilizarea parametrilor din pagina anterioară poate cauza „programul rulează normal, dar conținutul este greșit". Regulile regionale ar trebui să urmeze pagina, cel puțin să înregistreze versiunea regulii și dimensiunea paginii.

📊 Comparație de bază

Metoda de prelucrarece se poate faceLa ce să fii atent
Utilizațisort=True directFaceți sortare geometrică după coordonate. Puteți încerca mai întâi pe pagina de reguli.Nu înțelegeți dreptul de proprietate asupra titlurilor pe mai multe coloane, a notelor laterale și a notelor de subsol
Sortați pe baza partiției de coordonateÎmpărțiți mai întâi zona, apoi citiți pe secțiuni pentru a facilita inspecția.Pragul de partiție depinde de pagină și trebuie verificat pe o pagină.
Ordine de citire adnotată manualRezultatul este cel mai controlabil și potrivit pentru verificarea documentelor cheieCost ridicat, potrivit pentru verificări la fața locului și benchmark-uri

Nu verifica doar dacă există erori în timpul acceptării

Verificați articoleleCe să veziCe să faci când nu se potrivește
Ordinea zoneiDupă titlu, mai întâi coloana din stânga completă, apoi coloana din dreapta completăVerificați regulile de partiție și nu corectați prin schimbarea șirurilor
conservarea continutuluiNumărul de blocuri acceptate plus numărul de blocuri respinse este egal cu numărul de blocuri de intrareBlocați livrarea și verificați dacă există pierdere silent block
Text cu bară transversalăapar pe lista de respingereAdăugați o nouă secțiune de obstacole sau trimiteți-o judecății manuale
Rotiți și decupațiBlocul de intrare folosește același sistem de coordonate ca și partițiaMai întâi unificați coordonatele, apoi faceți o judecată de includere
Antet, subsolSeparat clasificate după regulile de afaceriNu ștergeți tot textul de jos

O hârtie reală poate avea, de asemenea, o structură ca aceasta: inserați o figură cu coloane încrucișate în mijloc și reporniți coloane duble sub figură. În acest moment, pagina trebuie mai întâi împărțită în secțiuni superioare și inferioare și apoi sortată separat. Cele trei grupuri unice de partiții din acest articol nu sunt suficiente. Direcția de citire de aici nu ar trebui aplicată aspectului vertical chinezesc, textului de la dreapta la stânga și marginaliilor complexe.

🎯 Ce metodă este potrivită pentru tine?

dacă……

  • Doar pagini cu o singură coloană sau cu două coloane care trebuie să proceseze reguli: mai întâi comparați rezultatele pornirii și dezactivarii sort, apoi decideți dacă sunt necesare reguli de partiție.
  • Tratați lucrări cu titluri, figuri sau note de subsol întinse: împărțiți paginile pe secțiuni și setați liste de excepții pentru conținutul întins.
  • Traducerea trebuie să fie livrată altora: Păstrați coordonatele și numerele paginilor și verificați-le unul câte unul conform listei de acceptare. Nu verificați doar dacă există erori în timpul operației.
  • Nu doriți să întrețineți singur scripturile: puteți utiliza direct instrumente de traducere a documentelor gata făcute și puteți verifica traducerea cu același set de liste de verificare secvențiale.

Cum să primiți procesul de traducere a OmniDoc

Valoarea scripturilor auto-construite constă în scrierea clară a regulilor de acceptare; valoarea instrumentelor de traducere gata făcute constă în reducerea legăturilor operaționale dintre fișiere și traduceri. Nu există niciun conflict între cei doi. OmniDoc (portal de produse) oferă un portal de traducere a documentelor, iar site-ul oficial introduce și funcții precum OCR, glosar și comparație bilingvă. Puteți selecta o lucrare desensibilizată pe care aveți permisiunea să o încărcați și să verificați traducerea folosind aceeași listă de verificare secvențială.

Concentrați-vă pe verificarea următoarelor elemente:

  • Dacă prima propoziție după titlul încrucișat este conectată corect.
  • Legendele figurilor au fost încorporate în text?
  • Dacă referințele la notele de subsol se mapează în continuare la locația corectă.

Aceasta este evaluarea rezultatelor, nu deducerea algoritmilor interni ai OmniDoc. Dacă rezultatele nu îndeplinesc cerințele, vă rugăm să păstrați pagina originală și secțiunea de eroare, mai întâi aflați dacă problema constă în procesul de recunoaștere, sortare sau traducere și apoi decideți cum să o corectați.

❓ Întrebări frecvente (FAQ)

1. Serial PDF cu două coloane, este recunoscut incorect?

nesigur. Cuvintele pot fi recunoscute corect, dar problema constă adesea în ordinea citirii, așa că trebuie verificate mai întâi regulile de sortare și regionale.

2. Poate sort=True să rezolve în mod direct problema ordinii dublei coloane?

Nu poate fi generalizat. Manipularea sort variază în funcție de tipul și versiunea de ieșire, nu este o înțelegere a aspectului și nu poate promite că va restabili ordinea de citire a tuturor documentelor. Puteți încerca mai întâi pagina cu reguli și, de asemenea, trebuie să verificați relația regională pentru paginile cu conținut pe mai multe coloane.

3. De ce nu poate fi comprimată întreaga pagină într-un șir lung?

Odată ce coordonatele și informațiile despre zonă sunt pierdute, traducerile ulterioare vor primi un context greșit, iar modificarea unui model de traducere ar putea să nu poată remedia.

4. Cele 80 de puncte și 300 de puncte din exemplu pot fi folosite direct pe alte PDF-uri?

nu poate. Acestea sunt doar setările pentru această pagină compusă. Când dimensiunea paginii sau lățimea coloanei se modifică, versiunea regulii trebuie verificată și înregistrată separat, pagină cu pagină.

📝 Rezumat

Pentru problemele de comandă în PDF-uri cu două coloane, coordonatele și paginile sursă trebuie reținute mai întâi, apoi procesate folosind reguli regionale și verificate articol cu articol conform listei de verificare de acceptare. Scripturile auto-construite sunt potrivite pentru scrierea clară a regulilor, iar instrumentele gata făcute sunt potrivite pentru reducerea legăturilor de operare. Cele două pot fi folosite împreună.

Încercați acum: încărcați documentul pentru a începe traducerea, păstrând aspectul original

Actualizat 2026-11-16