Čo mám robiť, ak môžem kliknúť na stránku s obsahom PDF, ale po extrakcii stratím úroveň?
Pred zápisom je potrebné skontrolovať hierarchiu záložiek. Prvá položka je jedna úroveň a ďalšie položky možno zvýšiť maximálne o jednu úroveň; príklad odmieta nelegálne úrovne a čísla stránok mimo hraníc a automaticky nezmení úroveň, aby sa vytvorila štruktúra adresára. Čísla strán záložiek začínajú od jednotky a indexy strán zvyčajne začínajú od nuly.
Stránka s obsahom PDF môže byť v čítačke normálne presmerovaná, ale po extrakcii pomocou skriptu môže byť hierarchia plochá, čísla strán môžu byť nesprávne zarovnané alebo dokonca index môže byť abnormálny. Tento typ problému je bežný pri zlučovaní naskenovaných súborov alebo súborov s nepravidelnou štruktúrou záložiek. Ak sú výsledky extrakcie odovzdané priamo následným užívateľom, môžu sa vyskytnúť chyby v segmentácii prekladu a prepájaní.
Tento článok je určený pre vývojárov a dokumentačné tímy, ktorí potrebujú dávkové spracovanie katalógov PDF. Po prečítaní môžete pochopiť význam návratovej hodnoty get_toc(), ovládať pravidlá overovania pre úrovne a čísla strán a vedieť, ktoré situácie by sa mali previesť na manuálne overenie. Tento článok používa syntetickú vzorku na demonštráciu metódy spracovania a kód bol skontrolovaný vzorkou v izolovanom prostredí, čo však nepredstavuje záruku všetkých skutočných súborov alebo efektov produktu. Pred spracovaním dôležitých dokumentov si uschovajte originály a skontrolujte ich podľa hraníc a akceptačných položiek v texte.
Čo mám robiť, ak je možné kliknúť na stránku s obsahom PDF, ale po extrakcii sa stratí hierarchia? Záver jednou vetou
Najprv overte, potom napíšte: Najprv sa musí skontrolovať úroveň záložiek, prvá položka sa považuje za prvú úroveň, ďalšie úrovne by nemali presiahnuť predchádzajúcu položku plus jedna a položky s číslami strán mimo hraníc sa nezapíšu.
| vaša situácia | Odporúčané postupy | dôvod |
|---|---|---|
| Na stránku adresára je možné kliknúť a hierarchia je po extrakcii plochá alebo nesprávne zarovnaná. | Najprv použite get_toc() na získanie pôvodného zoznamu a potom ho pred použitím jeden po druhom overte. | Pôvodný zoznam vrátený get_toc() nemá žiadne štruktúrované overenie |
| Číslo strany je 0 alebo presahuje celkový počet strán | Zrušte záznam a denník | Zadané čísla strán spôsobia zlyhanie skoku |
get_toc() vráti prázdny zoznam | Namiesto toho použite analýzu rozloženia textu a neskúšajte to naslepo | Súbor nemusí mať vložené metadáta záložiek |
| Rovnaký názov zodpovedá viacerým rôznym číslam strán | Označiť ako nejednoznačné, prejsť na manuálne overenie | Nedá sa automaticky určiť, ktoré číslo strany je správne |
Prečo výsledok extrakcie stráca úrovne?
get_toc() predvolene vydáva zoznam trojíc [level, title, page]. Medzi nimi je page fyzické číslo stránky začínajúce od 1 a level predstavuje iba hĺbku vnorenia a nezaručuje kontinuitu ani zákonnosť.
Ak bol zdrojový súbor PDF vygenerovaný nástrojom na zlúčenie skenovania, bežné problémy zahŕňajú:
- Skok na úroveň: Napríklad skočte priamo z 1 na 3
- Výnimka čísla strany: Číslo strany je 0 alebo presahuje celkový počet strán
- Výnimka názvu: Názov obsahuje riadiace znaky
Ak sa použije priamo pre následné úlohy, spôsobí to zmätok v prekladových segmentoch alebo zlyhanie prepojenia. Ešte zákernejšie je, že niektoré súbory PDF majú vizuálnu stránku s obsahom, ale nemajú vložené metadáta záložiek. Je normálne, že get_toc() v tomto čase vráti prázdny zoznam a namiesto toho je potrebné použiť analýzu rozloženia textu.
Príklad samostatného zloženia
Pozrite si zoznam importov napríklad závislosti. Kód vytvára vstup v pamäti a záznamy spustenia sa poskytujú samostatne a nepredstavujú záruku všetkých skutočných súborov.
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")
Pravidlá spracovania pre legálne a nelegálne vstupy
Správne zadanie by malo spĺňať: zoznam trojíc so súvislými úrovňami a číslami strán v rozsahu [1, doc.page_count]. Napríklad [[1, "引言", 1], [2, "背景", 2], [1, "方法", 5]] je legálna, druhá úroveň sa zobrazí po prvej úrovni a zodpovedá syntaxi osnovy PDF.
Medzi bežné nesprávne vstupy patria:
- Úroveň je 0 alebo záporná
- Číslo stránky je 0
- Počet strán presahuje celkový počet strán
- Názov je prázdny reťazec alebo obsahuje iba medzery
Pre tieto situácie sú metódy uvedené v článku nasledovné:
- Preskočte položky s neplatnými číslami strán a zaznamenajte varovanie.
- Ponechajte zástupné symboly ako
[untitled]pre prázdne názvy, aby ste zachovali štrukturálnu integritu. - Neprerušujte analýzu celého adresára kvôli jedinej chybe.
Pokiaľ ide o prípad, keď je úroveň nižšia ako 1, je potrebné si uvedomiť dve stratégie: súhrnná časť príkladu obhajuje odmietnutie nezákonných úrovní a nie ich automatickú opravu, zatiaľ čo popis pravidla v článku je prinútiť to na 1. Rozhodnite sa medzi týmito dvoma podľa vášho postupu. Všimnite si tiež, že tieto pravidlá sú navrhnuté tak, aby zabezpečili robustnosť nadväzujúcich procesov a nie sú povinnými požiadavkami štandardu PDF. Skutočné meranie zistilo, že keď číslo strany prekročí hranicu, PyMuPDF vytlačí varovanie, ale nevyvolá výnimku. Verifikačná funkcia preto musí aktívne filtrovať a nemôže sa spoliehať na správanie sa knižnice.
📊 Základné porovnanie
V rôznych situáciách s dokumentmi sú výsledky a navrhované metódy spracovania get_toc() odlišné:
| Dokumentácia | Výsledky get_toc() | Odporúčané ovládanie |
|---|---|---|
| Uložené do záložiek a štrukturálne legálne | Vráťte zoznam triól | Použitie priamo po overení |
| Existujú záložky, ale hierarchia alebo číslo strany je abnormálne | Vráti zoznam výnimiek | Filtrovať a zaznamenávať záznamy a podľa potreby previesť na manuálnu prácu |
| Vizuálna verzia má obsah, ale žiadnu záložku | Návrat k prázdnemu zoznamu | Prechod na analýzu rozloženia textu |
| Preusporiadanie dokumentov, ako je EPUB | Formát čísla strany je (kapitola, pno) | Táto logika overenia čísla strán nie je použiteľná a vyžaduje si vyhradené spracovanie |
Kritériá prijatia a hranice manuálnej kontroly
Tabuľka nižšie sa zameriava iba na fázu extrakcie metadát PDF katalógu:
| Pozorujte tento fenomén | Rozhodnutie riešiť túto záležitosť | Či je automatizácia vhodná |
|---|---|---|
| Počet strán je 0 alebo väčší ako celkový počet strán | Záznam vyhoďte a zaznamenávajte ho | Áno |
| Úrovne menšie ako 1 alebo necelé čísla | Zaobchádzajte podľa vyššie uvedených pravidiel (pozri predchádzajúce vysvetlenie) | Áno |
| Názvy sú buď úplne prázdne, alebo čisto symbolické | Nahradiť za [untitled] | Áno |
| Preskakovanie úrovní (napr. 1 až 3) | Zachovať pôvodné vrstvy bez vyplňovania stredných vrstiev | Áno (štrukturálne legálne) |
| Rovnaký názov zodpovedá viacerým rôznym číslam strán | Označené ako nejednoznačné, prevedené na manuálne | Nie |
| Viac ako 200 príspevkov bez hierarchických zmien | Podozrenie na nesprávnu identifikáciu OCR vyžaduje manuálne overenie | Nie |
| Obsahuje externé URI alebo JavaScript akcie | Filtrujte presmerovania mimo stránok | Áno (Bezpečnostná politika) |
| Preusporiadanie dokumentov ako EPUB, číslo strany (kapitola, pno) | Táto logika overovania čísla strany nie je použiteľná | Nie (vyžaduje špeciálne zaobchádzanie) |
Upozorňujeme, že demonštrácia kódu overuje len statickú legalitu; end-to-end efekty je tiež potrebné kombinovať s renderovaním na overenie presnosti skokov.
🎯 Ktorá metóda ti vyhovuje?
Ak potrebuješ hromadne extrahovať adresáre
Najprv vykonajte štrukturálnu validáciu výsledkov get_toc(), potom ich zapíšte do ďalších pracovných postupov a uchovávajte logy na overenie.
Ak váš PDF vizuálne obsahuje obsah, ale je extrahovaný prázdny
Neskúšajte opakovane get_toc(); prepnite na analýzu a spracovanie textového rozloženia.
Ak má váš záznam v adresári rovnaký názov, ale iné stránky
Manuálne overujte tieto položky; nevyberajte automaticky jedno z čísel strán.
Ak chceš odovzdať dokumenty prekladateľskému procesu,
Najprv si pred prekladom overte správnu štruktúru obsahu a čísla strán, aby ste predišli zmätku v odsekoch.
❓ Často kladené otázky (FAQ)
1. Prečo číslo strany začína na 1, zatiaľ čo indexy stránok zvyčajne začínajú na 0?
Čísla strán záložiek sú fyzické čísla strán začínajúce od 1, zatiaľ čo indexy stránok v knižniciach ako PyMuPDF zvyčajne začínajú od nuly. Tento rozdiel je dôležitý pri konverzii, inak môžu byť čísla strán nesprávne zarovnané.
2. get_toc(): Znamená vrátenie prázdneho zoznamu nevyhnutne problém so súborom?
Nie nevyhnutne. Niektoré PDF majú vizuálne obsahovú stránku, ale žiadne vložené metadáta záložiek, takže vrátenie prázdneho zoznamu je bežné. V takom prípade by sa mala použiť analýza textového rozloženia.
3. Ak číslo strany prekročí hranice, nahlási knižnica okamžite chybu?
Nie. Testy v tomto článku ukazujú, že PyMuPDF tlačí varovania, keď čísla strán prekročia hranice, ale nevyhadzuje výnimky, takže validačná funkcia musí aktívne filtrovať.
4. Vyžadujú hierarchické skoky (napríklad priamy prechod z 1 na 3) vyplnenie stredných vrstiev?
Návrh v článku je zachovať pôvodnú hierarchiu a nevyplňovať stredné vrstvy, keďže táto štruktúra je stále platná.
📝 Zhrnutie
Hierarchia a čísla strán PDF adresárov je potrebné pred použitím skontrolovať, takže pôvodný výstup get_toc() nemožno priamo považovať za spoľahlivú štruktúru. Ak narazíte na nejasnosti alebo absenciu záložiek, okamžite prejdite na manuálnu prácu alebo na iné metódy, aby ste predišli chybám v procese v ďalšom procese.
Referencie a ďalšie kroky
Ďalším krokom je pripraviť testovací PDF obsahujúci známe problémy s adresárom, spustiť vyššie uvedený overovací skript a vypočítať podiel rôznych anomálií. Ak dochádza k častým hierarchickým preskakovaniam alebo posunom počtu strán, zvážte pridanie kroku rekonštrukcie obsahu pred prekladom.
Použite tento kontrolný zoznam na preklad dokumentov
Najprv dôkladne skontrolujte poradie strán, miesto zdroja a integritu textu, potom odovzdajte rovnakú vzorku desenzibilizácie do prekladateľského procesu. Po preklade je stále potrebné skontrolovať, či názov, hlavný text a popisy správne zodpovedajú; nestačí posúdiť len podľa hladkosti textu.
OmniDoc poskytuje portály na preklad dokumentov vo viacerých formátoch a oficiálna webová stránka predstavuje OCR, slovníky a bilingválne referenčné funkcie. Pre tímy, ktoré chcú začať priamo od súborov, je to cesta, ktorú stojí za to vyhodnotiť na základe skutočných ukážok. Prosím, použite anonymizovaný súbor, ktorý ste autorizovali na nahranie a overenie výsledkov pomocou kontrolného zoznamu v tomto článku. Toto netvrdí, že OmniDoc používa open-source knižnicu alebo interné algoritmy z tohto článku, ani nenahrádza testovanie výkonu produktu príkladmi.


