Cum se recuperează o sumă în PDF, poziția acesteia pe pagină

Acest articol demonstrează utilizarea PyMuPDF pentru a localiza textul cantităților repetate într-un dreptunghi specificat. Analizând primele cinci câmpuri ale cuvintelor octet și verificând numărul de candidați, pot fi evitate judecățile greșite în îmbinarea fragmentelor. Oferă exemple Python la nivel de memorie, strategii de procesare a limitelor și tabele de acceptare și oferă sugestii practice pentru conectarea la fluxul de lucru de traducere a documentelor OmniDoc.

Cum se localizează sumele duplicate? O singură propoziție concluzie

Când aspectul este fixat, mai întâi limitați zona cunoscută și apoi verificați textul și lăsați numărul de candidați în seama apelantului pentru judecată. Este mai ușor de interpretat decât să continui să aduni expresii regulate și este mai puțin probabil să faci greșeli tăcute.

situatia taPractici recomandatemotiv
Aceeași sumă apare în mai multe locuri de pe paginăLimitați căutarea la zona dreptunghiulară în care se află câmpul de afaceri și apoi căutațiCăutarea text integral nu poate determina care câmp este câmpul de afaceri
Există mai mulți candidați în zona de interogareReturnați toți candidații, combinați cu etichete sau dezambiguizare manualăProgramele nu ar trebui să facă alegeri pentru afacere
Nu există accesări în zona de interogareMarcați motivul și verificați pagina originală, fără umplutură zeroRegiunea greșită, cantitățile împărțite sau straturi de text lipsă pot duce la zero accesări
Poziția cadrului pare decalatăLanțuri de transformare explicite pentru rotație, decupare și scalare a randăriiAmestecarea coordonatelor de afișare cu coordonatele extrase va provoca abateri

Două sume identice într-o singură declarație

1,200.00 apare de două ori într-o declarație: o dată în coloana sumei datorate și o dată în textul de descriere. Căutarea full-text le poate găsi, dar nu poate decide pentru tine care este domeniul de afaceri.

Dacă aspectul formularului este fix, este de obicei mai ușor de interpretat limitând mai întâi o zonă cunoscută și apoi căutând textul decât continuând să ajustați expresia regulată. Cheia nu este să „găsiți o singură casetă", ci să tratați atât accesările zero, cât și accesările multiple ca rezultate clare și să nu lăsați programul să facă alegeri neautorizate.

Lăsați poziția cuvântului, nu doar textul

`page.get_text("words")` de la PyMuPDF returnează o înregistrare de cuvânt cu poziția, câmpul comun este (x0, y0, x1, y1, text, block_no, line_no, word_no). Următorul exemplu ia doar primele cinci câmpuri, iar ultimele trei numere nu sunt implicate în filtrarea regională pentru moment.

„Cuvântul"aici este fragmentul dat de extractor, care nu este neapărat egal cu un cuvânt în sens lingvistic și nici nu este garantat că o sumă va fi întotdeauna un fragment complet.1,200.00 poate fi dezasamblat sau poate avea etichete adiacente. Acest articol se ocupă doar de potrivirea exactă a fragmentelor complete: aș prefera să predau înregistrările care nu îndeplinesc condițiile pentru revizuire decât să le unesc în liniște într-o sumă aparent legală.

Verificați cu două pagini sintetice de aceeași cantitate

Creăm o nouă pagină PDF în memorie și plasăm aceeași cantitate lângă coordonatele verticale 120 și respectiv 420. Zona de interogare acoperă doar suma de mai sus.

Punctul de inserare a textului este poziția liniei de bază, nu colțul din stânga sus al casetei de text. Înălțimea și lățimea casetei reale vor fi afectate de font și dimensiunea fontului, astfel încât coordonatele nu pot fi codificate într-o valoare fixă.

Ieșirea corectă ar trebui să îndeplinească două condiții:

  • Există un singur candidat în zona de interogare, iar dreptunghiul candidat este complet inclus în zonă.
  • După extinderea domeniului de interogare la întreaga pagină, ar trebui să se obțină doi candidați, intrând astfel în ramura ambiguității.

În cele din urmă, verificați dacă nu există accesări zero cu un șir care nu este pe pagină. Acest lucru este mai aproape de contractul cerut de o interfață reală decât de demonstrarea unei căutări de succes.

Cod rulabil: predați numărul de candidați apelantului

Dependența este pymupdf, vă rugăm să instalați și să blocați versiunea în mediul de testare. Următorul cod nu accesează rețeaua, nu scrie fișiere și nu modifică documentul original al clientului. Construiește doar un PDF demonstrativ.

import pymupdf

def locate(page, target, query):
    query = pymupdf.Rect(query)
    candidates = []
    for word in page.get_text("words"):
        x0, y0, x1, y1, text = word[:5]
        box = pymupdf.Rect(x0, y0, x1, y1)
        if text == target and query.contains(box):
            candidates.append(tuple(box))
    return candidates

def decide(candidates):
    if len(candidates) == 0:
        return "missing"
    if len(candidates) > 1:
        return "ambiguous"
    return "unique"

with pymupdf.open() as doc:
    page = doc.new_page(width=595, height=842)
    page.insert_text((80, 120), "1,200.00", fontsize=11)
    page.insert_text((80, 420), "1,200.00", fontsize=11)
    query = pymupdf.Rect(72, 100, 300, 150)
    local = locate(page, "1,200.00", query)
    assert decide(local) == "unique"
    assert query.contains(pymupdf.Rect(local[0]))
    assert decide(locate(page, "1,200.00", page.rect)) == "ambiguous"
    assert decide(locate(page, "999.99", query)) == "missing"
    print("unique / ambiguous / missing cases passed")

contains necesită includere completă, mai degrabă decât atingerea marginii regiunii. Dacă caseta de interogare este prea strânsă, sumele laterale pot cădea în zero accesări, ceea ce nu este un motiv pentru care ar trebui să se extindă automat la întreaga pagină. Ar trebui să verificați sistemul de coordonate folosit pentru a măsura zona înainte de a decide cum să ajustați intervalul.

Dacă afacerea permite ca punctul central să se încadreze, ar trebui scrise reguli suplimentare și ar trebui făcute teste suplimentare pentru suprapunerea granițelor. Nu schimbați în secret sensul judecății în aceeași funcție.

Logica de producție nu ar trebui să se bazeze numai pe assert pentru a intercepta excepțiile, deoarece modurile de optimizare pot elimina afirmațiile. Afirmațiile din exemplu sunt folosite pentru verificarea regresiei. Când accesați efectiv coada de activități, trebuie utilizate ramuri condiționate clare și stări de afaceri.

Trei rezultate, trei metode de procesare

Rezultatele interogărilor sunt de obicei împărțite în trei categorii, fiecare necesitând acțiuni de procesare diferite:

  • O singură lovitură: există un singur fragment complet potrivit în zonă, salvând numărul paginii, textul original, dreptunghiul și versiunea regulii.
  • Zero hit: Este posibil ca zona să fie greșită, cantitatea este împărțită sau stratul de text să lipsească. Marcați cauza candidatului, verificați pagina originală și nu adăugați zerouri.
  • Accesări multiple: există sume duplicate în aceeași zonă sau șablonul s-a schimbat, returnează toți candidații, combina etichetele sau dezambiguizarea manuală.

Celelalte două situații trebuie, de asemenea, tratate separat:

  • Există un cadru, dar valoarea este greșită: stratul de text în sine poate fi greșit sau ținta potrivită este greșită. Ar trebui să vă întoarceți la pagina originală pentru a verifica și a preveni coordonatele să aprobe valoarea.
  • Decalaj aspect cadru: coordonatele de afișare și coordonatele de extracție pot fi amestecate, iar lanțul de transformare al rotației, decupării și scalarea redării trebuie să fie clar.

📊 Comparație de bază

Metoda de interogareCriterii de judecatănevoie de atenție
Includere completă (exemplu adoptat)Dreptunghiul candidat se încadrează complet în zona de interogareCând caseta de interogare este prea strânsă, suma de pe lateral poate avea zero accesări.
Punctul central cade (trebuie să scrieți o altă regulă)Punctul central al candidatului se încadrează în regiuneSuprapunerea limitelor necesită testare separată
Interogare pe întreaga paginăCăutați toți candidațiiRezultatele sunt în mare parte ambigue și necesită o etichetare suplimentară sau o judecată manuală.

Acesta nu este un extractor de cantități universal

Codul nu analizează moneda, separatorii de mii sau regulile zecimale și nici nu recunoaște semantici precum „plătibil în această perioadă"versus „sold în perioada anterioară". Doar pentru că există un singur candidat nu înseamnă că sensul afacerii este corect.

De asemenea, scanarea trebuie să aibă mai întâi text și locație disponibile. Paginile cu un strat de text, dar conținut incorect nu pot fi eliberate doar pentru că pot fi copiate.

Acest articol folosește pagini sintetice nerotate. Când pagina reală este rotită, trebuie mai întâi să indicați dacă caseta de interogare provine din ecranul de afișare sau din coordonatele extrase și apoi să o convertiți dacă este necesar. Nu înmulțiți cu o matrice indiferent de sursă.

Când salvați paginile sursă, ar trebui, de asemenea, să faceți distincție între indici bazați pe zero și numere de pagină orientate către oameni, pentru a evita ca recenzenții să creadă în mod eronat că dovezile nu există după deschiderea paginilor adiacente.

🎯 Ce metodă este potrivită pentru tine?

Dacă trebuie să obțineți numere dintr-un formular cu aspect fix

Mai întâi limitați zona în care se află câmpul de afaceri, apoi căutați suma și salvați numărul paginii, dreptunghiul și versiunea regulii.

Dacă întâlniți mai mulți candidați

Nu-l lua direct pe primul, returnează toți candidații și stabilește domeniile de afaceri pe baza etichetelor sau a judecății manuale.

Dacă pagina ta are adesea zero accesări

Verificați coordonatele zonei, dacă cantitatea este împărțită și dacă stratul de text există înainte de a decide să ajustați intervalul sau să utilizați o altă rută de extracție.

Dacă doriți să faceți traducerea documentelor

Încorporați conținut cheie, cum ar fi cantitatea, data, cantitatea etc. în revizuirea manuală și aveți o împărțire clară a muncii între inspecția tehnică și revizuirea manuală.

Lăsați cifrele cheie pentru revizuirea după traducere

Traducerea documentelor nu depinde doar de dacă propozițiile sunt netede, dar și conținutul cheie, cum ar fi suma, data și cantitatea, trebuie confirmate unul câte unul. OmniDoc (portal de produse) oferă portaluri de traducere pentru o varietate de documente. Comparația bilingvă introdusă pe site-ul oficial poate fi folosită ca portal de recenzii; scriptul de poziționare a coordonatelor este potrivit pentru păstrarea dovezilor textului original și pentru a ajuta la localizarea zonelor cu probleme.

Este recomandat să utilizați mai întâi mostre desensibilizate pe care aveți permisiunea de a le încărca pentru evaluare. Când traducerea devine mai lungă, poziția conținutului se poate schimba în mod rezonabil. „Coordonatele vechi și noi sunt exact aceleași"nu poate fi considerată o condiție grea pentru traducerea corectă.

Cecurile mai valoroase sunt: dacă suma este reținută, dacă moneda este clară și dacă eticheta corespunzătoare indică în continuare același sens comercial.

❓ Întrebări frecvente (FAQ)

1. De ce nu iei doar prima lovitură?

Deoarece căutarea full-text vă poate spune doar unde apare suma, nu poate determina care loc este domeniul comercial. Doar luați prima lovitură și rezultatul poate părea corect, dar sursa poate fi greșită.

2. De ce trebuie să fie inclusă complet caseta de interogări în loc să atingă marginea?

Exemplul folosește o metodă completă de determinare a incluziunii pentru a evita tratarea fragmentelor incomplete ca accesări valide. Dacă caseta de interogare este prea strânsă și are ca rezultat zero accesări, sistemul de coordonate și intervalul trebuie verificate mai întâi în loc să se extindă automat la întreaga pagină.

3. Ce ar trebui să faceți când rezultatul interogării este zero?

Marcați candidații cauza și verificați pagina originală fără completare zero. Zonele greșite, cantitățile împărțite sau straturi de text lipsă pot duce la zero accesări.

4. Acest cod poate fi folosit direct pentru facturi reale?

Nu poate fi folosit direct. Exemplele nu se referă la moneda, separatorii de mii și semantica afacerii, iar exemplele sintetice din acest articol nu reprezintă testul de acuratețe al facturilor reale.

📝 Rezumat

Când localizați suma, mai întâi limitați zona, apoi predați numărul complet de candidați apelantului pentru judecată. Ar trebui să existe acțiuni clare de procesare pentru accesări zero și accesări multiple. Utilizați mai întâi mostre desensibilizate pentru a verifica regulile, apoi accesați treptat documente reale.

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

Actualizat 2026-11-17