Vyžaduje PDF OCR? Použite PyMuPDF na vykonanie kontroly pred výstupom po stránke namiesto úplného opätovného rozpoznania

Ak chcete OCR PDF, nie je potrebné znovu rozpoznávať celý PDF. Pomocou PyMuPDF zistite stránku po stránke, či existuje textová vrstva a či ide o celostránkový obrázok, a odošlite len stránky, ktoré sú skutočne potrebné na rozpoznanie. V prílohe sú spustiteľné vzorky, testy otáčania stránok a pokyny na ohraničenie vetvy.

Keď veľa tímov rieši preklad alebo archiváciu PDF, zvyknú pri vstupe označovať celý dokument ako „naskenovaný"alebo „kopírovateľný". 300-stranový PDF môže mať prvých 280 strán s textovými vrstvami a iba posledných 20 strán ako naskenované prílohy. Ak sa klasifikuje podľa celých častí, celé OCR predĺži čakaciu dobu a môže tiež nesprávne identifikovať pôvodne správne čísla. Na druhej strane, ak môžete kopírovať iba text na domovskej stránke a preskočiť OCR na všetkých stránkach, je to tiež riskantné.

Spoľahlivejším prístupom je nechať každú stránku prejsť na ďalší krok s výsledkami predbežnej kontroly. Tento článok implementuje konzervatívne trojcestné rozdelenie: priama extrakcia, odoslanie do fronty kandidátov na OCR a manuálna kontrola. Je to interpretovateľná inžinierska heuristika, nie univerzálny klasifikátor na posudzovanie kvality textu. Po prečítaní môžete získať spustiteľný program kontroly pred výstupom po jednotlivých stránkach, ako aj hranice odklonenia a bežné nápady na riešenie porúch.

Záver jednej vety

Netreba posudzovať, či PDF vyžaduje OCR. Pomocou PyMuPDF môžete predbežne skontrolovať stránku po stránke a odoslať do OCR iba tie stránky, ktoré skutočne treba rozpoznať.

vaša situáciaOdporúčané postupydôvod
Extrahujte z jednej stránky aspoň 40 znakov, ktoré nie sú medzeryPriama extrakcia (TEXT_CANDIDATE)Už máte dostatok znakov, ale stále potrebujete na mieste skontrolovať skryté zlé vrstvy OCR
Menej ako 40 slov a jeden obrázok pokrývajúci aspoň 70 % stránkyOdoslať do poradia kandidátov na OCRNa identifikáciu sú vhodné celostranové skeny, ale postačia aj čisté fotografie.
Prázdna strana, vektorový typ, riedky nadpis alebo zložitý hlavolamManuálna kontrola (RECENZIA)Tieto situácie nie je možné spoľahlivo zaradiť do prvých dvoch kategórií a nemožno ich automaticky preskočiť ani zahodiť.
300-stranový hybridný dokumentKontrola pred výstupom po stránke, nie je dokončené spracovanieVyhnite sa OCR na všetkých stranách kvôli niekoľkým naskenovaným prílohám alebo vynechaniu celého OCR, pretože na domovskej stránke je text

Poznámka: Obsah na obrázku pochádza zo syntetizovaného PDF vygenerovaného nižšie uvedeným kódom, nie zo súboru zákazníka ani z rozhrania OmniDoc. Text na stránke obrázka je rastrové pixely; text na textovej stránke má skutočnú textovú vrstvu.

Rozhodnite sa, čo skontrolujete ako prvé

Používajú sa tu dva signály: počet textových znakov po odstránení medzier a podiel plochy stránky, ktorú zaberá najväčší obrázok na stránke. Prvý odpovedá: "Bolo vyťažených dosť znakov?" a ten pomáha rozlíšiť medzi skenovaním celej strany a prázdnou stranou. Oblasť obrázka sa najskôr pretína s poľom na orezanie, aby nedošlo k prekročeniu pomeru zväčšenia obrázka na stránke.

pozorovanieOdklon k tomuto článkuStále vyžadujú pozornosť
Minimálne 40 znakov bez medzierTEXT_CANDIDATESkryté zlé vrstvy OCR môžu mať tiež veľa slov
Menej ako 40 slov a jeden obrázok pokrývajúci aspoň 70 %OCR_CANDIDATEPodmienky splnia aj čisté fotografie, OCR nemusí byť zmysluplné
Zvyšok prípadovREVIEWTu sú možné biele miesta, vektorový typ, riedke názvy a zložité hádanky

Prahové hodnoty 40 a 0,70 sú určené na uľahčenie auditu tohto súboru testov a nie sú medzijazyčnými štandardmi. Čínske, vzorec, obal a krátke formuláre by sa mali kalibrovať samostatne. Tu sa nasníma obrázok s najväčšou plochou namiesto jednoduchého pridania oblastí prekrývajúcich sa obrázkov, takže naskenovaná strana zložená z viacerých obrázkov môže spadať do RECENZIE. Toto je zámerne vyhradená hranica.

Kompletný spustiteľný príklad

Vzorka používaPyMuPDF==1.28.0, nespolieha sa na Tesseract a nevolá žiadne online OCR ani prekladateľské služby. Uložte ho ako example.py a spustite ho v prázdnom adresári. Názov súboru, ktorý vytvorí, je pevne nastavený na routing-fixture.pdf. Prosím, neprepisujte vstupný súbor v skutočných projektoch.

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))

Pri prístupe k OCR sa TextPage ukladá do vyrovnávacej pamäte namiesto značky úspechu.

Rozhranie OCR PyMuPDF je page.get_textpage_ocr(...). Tesseract a príslušné jazykové údaje je potrebné pripraviť samostatne. Po získaní TextPage by sa mala pri následnej extrakcii odovzdať ako parameter textpage, aby sa predišlo opakovanému rozpoznaniu tej istej stránky. Špecifické spôsoby inštalácie a parametre nájdete v PyMuPDF OCR dokumentácia.

V tomto článku nie je spustený nástroj OCR, takže výsledky testov môžu iba dokázať, že logika presmerovania a súradnice sa používajú správne a nereprezentujú čínsku mieru rozpoznávania, rýchlosť obnovenia tabuľky ani kvalitu prekladu. Verzia nástroja OCR, jazykový balík, číslo strany, súhrn vstupného súboru a výsledky manuálnej kontroly by sa mali zaznamenať v produkčnom prostredí. Nenechajte si len posledný reťazec, inak bude ťažké vysvetliť, z ktorej strany určité číslo pochádza.

Tri typy porúch, ktoré sa dajú najľahšie prehliadnuť

Skrytá textová vrstva môže byť skomolená. Ak počet znakov dosiahne štandard, znamená to len „môžete pokračovať v pokuse o extrahovanie". Musíte tiež skontrolovať, či náhradné znaky, opakované riadky a kľúčové polia zodpovedajú vykresleniu. Kľúčový obsah, ako je číslo zmluvy a suma, sa musí náhodne kontrolovať.

Slová nakreslené vektorovými cestami nie sú ani text, ani obrázky. Vstúpia do REVIEW. Neoznačujte ich automaticky ako prázdne a nepúšťajte stránky potichu.

Po zatvorení dokumentu a následnom použití stránky sa vygenerujú neplatné objekty. Dodržujte rozsahwith pymupdf.open(...) a pred uvoľnením súboru dokončite predbežnú kontrolu, vykreslenie a extrakciu. Ďalšie podrobnosti o súradniciach, informáciách o obrázkoch a životnom cykle stránky nájdete v PyMuPDF Page API.

Nedôveryhodné súbory PDF by tiež mali mať nastavenú veľkosť súboru, počet strán, vykresľované pixely, čas a limity pamäte v samostatnom procese. Príklad testuje iba malé súbory a neposkytuje karanténu so škodlivými súbormi. Pred použitím PyMuPDF vo výrobe by ste si tiež mali skontrolovať jeho licenčné podmienky a spôsob distribúcie.

Zadajte pracovný postup prekladu z odklonu

Kvalifikovaný výstup nie je reťazec textu, ale záznam s číslami strán a dôvodmi rozhodnutia. Pred prekladom si overte, ktoré strany možno spoľahlivo extrahovať; po preklade skontrolujte a akceptujte obsah, čísla a rozloženie. Služby spracovania dokumentov si môžete pozrieť na Produktový portál OmniDoc. Lokálny program v tomto článku beží nezávisle a nespolieha sa na účet OmniDoc, ani to neznamená, že ide o algoritmus vo vnútri produktu.

📊 Základné porovnanie

trasuStav spúštevhodná stránkaHlavné riziká
Priama extrakcia (TEXT_CANDIDATE)Najmenej 40 znakov bez medzierTextová stránka s existujúcou textovou vrstvouSkrytá zlá vrstva OCR môže obsahovať skomolené znaky
Kandidát na OCR (OCR_CANDIDATE)Menej ako 40 slov a jeden obrázok pokrývajúci aspoň 70 %Skenovanie celej stranyPodmienky splnia aj čisté fotografie, no výsledky OCR nemusia byť zmysluplné.
Manuálna kontrola (RECENZIA)Nespĺňa vyššie uvedené dve kategóriePrázdna strana, vektorový typ, riedky nadpis, zložitá hádankaVyžaduje sa manuálne posúdenie a nemožno ho automaticky preskočiť alebo zahodiť.

🎯 Ktorá metóda je pre vás vhodná?

ak si……

  • Máme čo do činenia so zmiešanými dokumentmi a kvalita prednej a zadnej strany je veľmi odlišná: predbežne skontrolujte stránku po strane a zadajte rôzne cesty.
  • Zaobchádzajte hlavne s dokumentmi obsahujúcimi kľúčové údaje, ako sú zmluvy a financie: stránka TEXT_CANDIDATE musí byť tiež náhodne skontrolovaná, či sa zhodujú čísla a zobrazenia.
  • Potreba spracovávať skeny v dávkach: zaznamenajte verziu stroja, jazykový balík a číslo strany pre výsledky OCR pre ľahké spätné sledovanie.
  • Príjem PDF z neznámych zdrojov: Limity zdrojov nastavte v samostatnom procese, nespracovávajte ich priamo v hlavnom programe.

❓ Často kladené otázky (FAQ)

1. Text je možné skopírovať na domovskú stránku. Môžem preskočiť OCR celého PDF?

nemôžem. To, že má domovská stránka textovú vrstvu, neznamená, že ju budú mať aj nasledujúce stránky a mali by sa posudzovať stránku po stránke.

2. Prečo nepridať oblasti obrázka priamo?

Pridaním oblastí prekrývajúcich sa obrázkov sa nadhodnotí pokrytie. Tento článok používa najväčší obrázok, takže naskenovaná strana s viacerými spojenými obrázkami môže spadať do REVIEW, čo je hranica, ktorá je zámerne zachovaná.

3. Ak počet znakov dosiahne 40, znamená to, že kvalita textu je v poriadku?

Nedá sa to takto uzavrieť. Skryté chybné vrstvy OCR môžu obsahovať aj veľa slov, takže stále kontrolujte, či sa v nich nenachádzajú náhradné znaky, duplicitné riadky a kľúčové polia pre náhodnú kontrolu.

4. Ako by sa mal spracovať text nakreslený vektorovou cestou?

Nie sú ani textom ani obrázkom, vstupujú do REVIEW, sú posudzované ľuďmi a nemali by byť automaticky označené ako prázdne alebo potichu vypustené.

5. Závisí lokálny program od účtu OmniDoc?

Nie závislý. Miestny program pre tento článok beží nezávisle a nevolá žiadne online OCR ani prekladateľské služby.

📝 Zhrnutie

Najprv nechajte dôkazy stránku po strane a potom sa rozhodnite, či chcete vykonať OCR. Je užitočnejšie nechať neisté stránky vo fronte, ako maskovať neisté výsledky ako úspech.

Skúste to teraz: Odovzdajte dokument a spustite preklad, pričom sa zachová pôvodné rozloženie

Aktualizované 2026-11-16