Evidențiați cuvintele de căutare PDF, de ce dreptunghiul încadrează incorect textul italic?

Fonturile italice nu fac neapărat ca zona quad-ului căutat să fie mai mică decât dreptunghiul care îl înconjoară. Când trebuie să păstrați informațiile de direcție în patru colțuri, utilizați direct rezultatul quads=True pentru a adăuga evidențiere; nu utilizați niciun prag de diferență de zonă pentru a determina dacă evidențierea este corectă.

Atunci când caseta de evidențiere a căutării pentru textul italic este deformată, adesea nu pentru că există o problemă cu fontul în sine, ci pentru că obiectul geometric utilizat pentru evidențiere este selectat greșit. Acest articol este destinat dezvoltatorilor care folosesc PyMuPDF pentru a procesa poziționarea textului PDF. Acesta explică de ce dreptunghiul de încadrare (Rect) nu poate fi utilizat pentru a determina dacă evidențierea textului italic sau rotit este corectă și cum să o gestionați în diferite situații.

După ce ați citit acest articol, puteți decide dacă să utilizați Quad sau Rect pentru rezultatele căutării, să știți cum să gestionați fără accesări, rânduri încrucișate, accesări multiple și decuparea CropBox atunci când căutați și să înțelegeți ce probleme depășesc domeniul de aplicare al poziționării geometrice.

Textul complet este demonstrat cu mostre sintetice, iar codul a trecut verificări ale eșantioanelor 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 apoi să le revizuiți conform limitelor și elementelor de acceptare de mai jos.

Pentru evidențierea de căutare a textului italic, alegeți Quad sau Rect? O singură propoziție concluzie

Fontul italic nu face neapărat ca zona Quad obținută prin căutare să fie mai mică decât dreptunghiul care îl înconjoară. Când este necesar să păstrați informațiile de direcție din patru colțuri, utilizați direct rezultatele quads=True pentru a adăuga evidențieri. Nu utilizați niciun prag de diferență de zonă pentru a determina dacă evidențierea este corectă.

situatia taPractici recomandatemotiv
Text italic sau rotit, orientarea în patru colțuri trebuie păstratăUtilizați direct rezultatele quads=True pentru a adăuga evidențieriQuad reține informațiile de orientare în patru colțuri
Vreau să folosesc pragul diferenței de zonă pentru a determina dacă evidențierea este corectă.nu face astaFontul italic nu micșorează neapărat zona Quad, iar aprecierea pragului este nesigură.
Termenii de căutare se întind pe rânduri și motorul nu îi recunoaște ca fiind aceeași unitate de vocabular.Păstrați toate fragmentele Quad returnate și desenați evidențieri individualFuzionarea forțată într-un Rect va pierde semantica spațiului alb din mijloc.
Pagina are decuparea CropBoxVerificați dacă conținutul se află încă în zona de vizualizare după restaurarea CropBox-uluiCoordonatele returnate de search_for se bazează pe spațiul original al paginii nerotate și nu se poate presupune că get_text ignoră zona decupată în mod implicit
Lovituri multiplePăstrați numerele de pagină articol cu articol și procesați-le unul câte unulNumai procesarea primului va pierde pozițiile rămase

De ce textul italic apare incorect?

Mulți oameni vor presupune în mod implicit că dreptunghiul de încadrare al caracterelor italice este mult mai mare decât Quadrul, așa că folosirea Rect pentru a evidenția va provoca „deviația cadrului". De fapt, fontul italic nu face neapărat ca aria quad-ului căutat să fie mai mică decât dreptunghiul care îl înconjoară, așa că nu este de încredere să folosiți diferența de zonă pentru a aprecia dacă evidențierea este corectă.

Ceea ce este cu adevărat necesar este păstrarea informațiilor de orientare a celor patru colțuri. Quad se întâmplă să înregistreze aceste informații, iar utilizarea lor pentru a adăuga evidențieri direct este mai fiabilă decât utilizarea unui dreptunghi înconjurător pentru a ghici forma.

Exemplu de compoziție autonomă

Consultați lista de import pentru exemplu de dependențe. Codul construiește intrarea în memorie și nu necesită fișiere externe pentru a rula. Înregistrările operațiunilor sunt furnizate separat și nu reprezintă o garanție că toate documentele sunt autentice.

import pymupdf
with pymupdf.open() as source:
    page = source.new_page(width=300, height=300)
    page.insert_text((100, 250), "Searchable", fontsize=14, rotate=90)
    hits = page.search_for("Searchable", quads=True)
    assert len(hits) == 1
    assert isinstance(hits[0], pymupdf.Quad)
    page.add_highlight_annot(hits)
    assert page.search_for("Missing", quads=True) == []
    raw = source.tobytes()
with pymupdf.open(stream=raw, filetype="pdf") as doc:
    page = doc[0]  # Keep the owning page alive while using annotations.
    annotations = list(page.annots())
    assert len(annotations) == 1
    assert len(annotations[0].vertices) == 4

Procesarea corectă a ieșirii și a intrării la limită

Exemplul sintetic de mai sus generează un PDF în memorie care este utilizat pentru a verifica comportamentul Quad-ului. Mai jos sunt câteva intrări comune de limită.

1. Cuvintele de căutare se întind pe rânduri

Dacă termenul de căutare se întinde pe linii noi și motorul nu îl recunoaște ca fiind aceeași unitate de vocabular, search_for poate returna o listă goală sau poate potrivi doar fragmente parțiale.

  • Nu îmbinați forțat mai multe Quad-uri neadiacente într-un singur Rect, altfel semantica spațiului alb din mijloc se va pierde.
  • Păstrați toate fragmentele Quad returnate și desenați evidențieri separat.

2. Termenul de căutare conține caractere speciale obișnuite

Dacă termenii dvs. de căutare conțin caractere speciale obișnuite fără a le scăpa, este posibil ca rezultatele să nu fie cele așteptate. Șirul de intrare ar trebui să fie procesat în siguranță înainte de a apela.

3. Decuparea CropBox

Dacă pagina are decuparea CropBox, coordonatele returnate de search_for se bazează în continuare pe spațiul original al paginii nerotită. După restaurarea CropBox-ului, trebuie să verificați dacă conținutul este încă în zona vizibilă. Nu puteți presupune că get_text ignoră zona de decupare în mod implicit.

Criterii de acceptare și limite de revizuire manuală

Această soluție rezolvă doar problema de poziționare geometrică. Următoarele situații nu sunt o chestiune de a alege între Quad și Rect:

  • Stratul de text al PDF-ului în sine este deteriorat;
  • încorporare anormală a fontului;
  • Există straturi ascunse.

În aceste cazuri, este posibil ca rezultatele search_for să nu fie deloc credibile și ar trebui supuse revizuirii manuale sau re-OCR. Exemplul de cod verifică numai proprietățile geometrice, iar efectul de la capăt la capăt trebuie încă evaluat pe baza unor tipuri de documente specifice.

Decizii specifice de gestionare a excepțiilor

ObservațieCe ar trebui făcutși nu ar trebui judecată
Căutarea nu a dat niciun rezultatVerifică stratul de text și cuvintele-cheieNu crea evidențiere goale
Rotirea textuluiPăstrează cele patru colțuri ale Quad-uluiGhicirea acurateței prin nefolosirea diferențelor de arie
și a nimerit ținta în multe locuriPăstrează numerele paginilor element cu elementNu te ocupa doar de primul

📊 Comparație cu nucleele

ObiectInformații care pot fi păstrateScenarii aplicabileNote importante
QuadPatru colțuriItalica și textul rotativ necesită evidențiere precisăFolosiți direct rezultatele quads=True
Drept (Dreptunghi extern)Raza de contact externSelecție simplă a textului orizontalTextul cursiv sau rotit poate fi în afara casetei și nu este potrivit pentru corectitudine
Rect fuzionatDomeniu generalNu este recomandat pentru căutarea cross-lineAcest lucru va pierde sensul zonelor goale din mijloc

🎯 Care abordare ți se potrivește?

Dacă ......

  • Păstrează orientarea colțurilor textului: Folosește direct rezultatul quads=True pentru a adăuga evidențiere.
  • Doriți să folosiți pragul de diferență de arie pentru a determina dacă evidențierea este corectă: Nu faceți asta; italica nu face neapărat zona cvadrulei mai mică.
  • Când întâlnești termeni de căutare care trec linii: Păstrează toate segmentele Quad, desenează evidențierii separat și nu le contopi într-un singur Rect.
  • Gestionarea paginilor cu decuparea cropbox-ului: După restaurarea CropBox, verificați dacă conținutul rămâne în zona vizibilă.

Folosește această listă de verificare pentru traducerea documentelor

Mai întâi, verifică temeinic ordinea paginilor, locația sursei și integritatea textului, apoi predă același exemplu de desensibilizare procesului de traducere. După traducere, ar trebui totuși să verifici dacă titlul, textul principal și subtitrurile corespund corect; nu poți doar să te uiți dacă textul este fluent.

OmniDoc (Intrare de produs) oferă portaluri multi-format pentru traducerea documentelor, iar site-ul oficial introduce OCR, glosare și funcții de comparare bilingvă. Pentru echipele care doresc să înceapă procesarea direct din fișiere, aceasta este o cale care merită evaluată cu mostre reale. Vă rugăm să folosiți fișierul de desensibilizare pentru care aveți permisiunea să încărcați și să revizuiți rezultatele cu lista de verificare din acest articol. Nu se susține că OmniDoc folosește bibliotecile open-source sau algoritmii interni menționați aici, nici exemplele nu pot înlocui testarea performanței produsului.

Referințe

❓ Întrebări frecvente (FAQ)

1. Textul cu italic face neapărat zona cvadruplei mai mică?

Nu neapărat. Glifele cursive nu oferă neapărat o suprafață cvadruplară mai mică decât un dreptunghi extern, așa că nu te poți baza pe diferențele de arie pentru a determina dacă evidențierea este corectă.

2. Când ar trebui să păstrezi informațiile de colț ale unui cvadril?

Dacă trebuie să păstrezi informațiile de direcție pentru cele patru colțuri, ar trebui să folosești direct rezultatele din quads=True pentru a adăuga evidențiere.

3. Ce ar trebui să faci dacă termenul tău de căutare depășește limitele și nu atinge ținta?

Nu crea evidențiere goale; mai întâi verifică stratul de text cu cuvinte-cheie. Dacă doar o parte din fragment este returnată, toate fragmentele Quad returnate ar trebui păstrate și evidențiate separat, în loc să se contopească forțat într-un singur Rect.

4. La ce ar trebui să fii atent când decupezi o pagină cu un CropBox?

Coordonatele returnate de search_for sunt încă bazate pe spațiul de pagină original nerotit. După restaurarea CropBox, verificați dacă conținutul se află încă în zona vizibilă; nu presupuneți că get_text ignoră în mod implicit zona decupată.

📝 Rezumat

Evidențierea cu italice și rotirea textului ar trebui să se bazeze pe Quad, iar numerele de pagină și informațiile din colțuri ar trebui păstrate pentru fiecare element. Probleme precum coruperea stratului de text și încorporarea anormală a fonturilor necesită în continuare revizuire manuală sau re-OCR.

Descarcă gratuit OmniDoc desktop: procesare completă pentru documente, foi de calcul, prezentări și PDF-uri

Actualizat 2026-11-16