Prečo sa dvojstĺpcový súbor PDF extrahuje sériovo? Najprv si ponechajte súradnice a potom hovorte o poradí čítania

Vysvetlite, že serializácia textu PDF s dvoma stĺpcami pochádza z nedostatočnej sémantickej štruktúry formátu, objasnite, že parameter triedenia je iba geometrickým triedením. Príklad syntetického Pythonu založený na delení súradníc je poskytnutý na demonštráciu logiky reorganizácie sekvencií, objasnenie použiteľných hraníc a manuálnej kontroly červených čiar a poskytnutie pragmatickej akceptačnej cesty, ktorá spája pracovný tok prekladu OmniDoc.

Textové sekvencie extrahované z dvojstĺpcových PDF sa často nerozpoznajú nesprávne, ale čítajú sa v nesprávnom poradí. Tento článok je určený pre čitateľov, ktorí potrebujú extrahovať text z dvojstĺpcových súborov PDF, ako sú články a správy, a potom ich preložiť alebo usporiadať.

Čitatelia sa zvyčajne stretávajú s touto situáciou: v polovici ľavého stĺpca nasleduje za ďalšou vetou vysvetlenie vzorca v pravom stĺpci. Všetky znaky môžu byť rozpoznané správne, ale poradie je narušené. Tento článok najprv vysvetľuje, prečo dochádza k serializácii, a potom používa syntetický príklad na demonštráciu toho, ako rozdeliť a reorganizovať poradie podľa súradníc. Nakoniec uvádza platné hranice a zoznam akceptácií, aby ste mohli posúdiť, či ho možno použiť vo vašich vlastných súboroch.

Prečo sa dvojstĺpcový súbor PDF extrahuje sériovo? Záver jednou vetou

Najprv si ponechajte súradnice a zdrojovú stránku a potom zoraďte podľa regionálnych pravidiel. Nestláčajte priamo celú stránku do dlhého reťazca.

vaša situáciaOdporúčané postupydôvod
Obyčajný dvojstĺpcový papier, serializácia textuNajprv si prečítajte ľavý stĺpec sekcie a potom pravý stĺpecStriedavé spájanie riadkov po riadkoch zničí odseky
Chcel som to len rýchlo vyskúšaťPorovnajte výsledky zapnutia a vypnutia sortsort vykonáva iba geometrické triedenie, vhodné pre stránky pravidiel
Stránky majú názvy v krížových stĺpcoch, bočné poznámky a poznámky pod čiarouSpracujte oddelene podľa regiónov a skontrolujte regionálne vzťahySamotné geometrické triedenie nemôže určiť priradenie tohto obsahu.
Treba odovzdať prekladateľskej predloheZachovajte súradnice a čísla strán, najskôr usporiadajte objednávku a potom prekladajteKontexty v nesprávnom poradí je ťažké napraviť aj zmenou modelu.

Prečo je objednávka zmätená?

PDF zaznamenáva polohu každého odseku textu, nie "ktorý odsek je toto a do ktorého stĺpca patrí?" Pri výstupe nástroja na extrakciu podľa súradníc, ak neexistujú pravidlá oblasti, môže byť text v ľavom a pravom stĺpci prekladaný.

Takéto problémy nemusia nevyhnutne vzniknúť počas fázy identifikácie. Možno sú všetky slová uvedené správne, ale v zlom poradí. Preto by sa myšlienka riešenia mala zamerať skôr na triedenie a zónovanie, než na opakovanú zmenu odkazov na rozpoznávanie alebo preklad.

Najprv si ponechajte súradnice a potom hovorte o poradí čítania

Pred vyriešením objednávkového problému zachovajte súradnice a zdrojovú stranu textu. Neponáhľajte sa komprimovať celú stránku do jedného dlhého reťazca.

  • Ponechajte štyri súradnice každého textového bloku, aby ste uľahčili následné posúdenie vlastníctva oblasti.
  • Ponechajte si číslo zdrojovej stránky, aby ste uľahčili spätné sledovanie a manuálne overenie.
  • Keď sa regionálne informácie stratia, následné preklady získajú nesprávny kontext a zmena modelu prekladu ho nemusí napraviť.

sort=Pravda stojí za vyskúšanie, ale nie je to pochopiteľné rozloženie

PyMuPDF poskytuje rôzne formy extrakcie, ako je text, slová, bloky atď. Špecifické spracovanie sort sa líši podľa typu a verzie výstupu. Nemožno ho všeobecne opísať ako fixný algoritmus sádzania, ani nemožno sľúbiť obnovenie poradia čítania všetkých dokumentov.

Odporúčania na použitie sú nasledovné:

  • Na stránke pravidiel môžete najskôr porovnať výsledky zapnutia a vypnutia triedenia.
  • Pri stranách s názvami v krížových stĺpcoch, vedľajšími poznámkami a poznámkami pod čiarou je potrebné znova skontrolovať regionálny vzťah.
  • PDF môže obsahovať štrukturálne značky, ale to neznamená, že aktuálne používané rozhranie extrakcie vám automaticky poskytne sémantický strom odsekov, ktorý potrebujete.

Tento článok neimplementuje univerzálne rozpoznávanie rozloženia, ale iba demonštruje „ako triediť podľa existujúcich regionálnych pravidiel"a jasne vysvetľuje hranice možností. Rozhranie a formulár extrakcie nájdete v Oficiálny sprievodca extrakciou textu PyMuPDF.

Na vysvetlenie problému použite päť syntetizovaných textových blokov

Ukážková stránka je široká 600 bodov, s 300-bodovým ohraničením medzi stĺpcami; do 80 bodov od hornej časti je oblasť nadpisu krížového stĺpca a pod ňou oblasť textu. Vstup je zámerne zakódovaný: druhý odsek v pravom stĺpci je prvý a prvý odsek v ľavom stĺpci je posledný. Každá n-tica obsahuje štyri súradnice obdĺžnika a text. Toto je zjednodušená štruktúra definovaná na demonštračné účely a nie je ekvivalentná plnej návratovej hodnote get_text("blocks").

Očakávaný výsledok by mal byť: názov, prvý odsek v ľavom stĺpci, druhý odsek v ľavom stĺpci, prvý odsek v pravom stĺpci, druhý odsek v pravom stĺpci. Bloky textu, ktoré prekračujú hranice stĺpcov, musia byť zaradené do zoznamu výnimiek, a nie potichu vyradené alebo zaradené do ľavého stĺpca.

Malý príklad, ktorý sa dá úplne spustiť

Nasledujúci príklad používa iba štandardnú knižnicu Pythonu. Pri integrácii PyMuPDF môžete zachovať prvých päť polí z výsledku extrakcie blokov a najskôr vylúčiť netextové bloky. Príklad neotvára externé súbory, nevyžaduje OCR a automaticky neodvodzuje hranice stĺpcov.

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")

Hodnoty 80 a 300 v príklade pochádzajú z nastavení na tejto kompozitnej stránke a nie sú prahovými hodnotami skúseností platnými pre všetky PDF. Keď sa šírka ľavého a pravého stĺpca na nasledujúcej stránke zmení, použitie parametrov z predchádzajúcej stránky môže viesť k "program beží normálne, ale obsahuje chyby." Regionálne pravidlá by mali sledovať stránku, aspoň zaznamenávať verziu pravidla a veľkosť stránky.

📊 Základné porovnanie

Spôsob manipulácieČo sa dá robiť?Čo by sa malo poznamenať?
Použite sort=True priamoZoradiť geometricky podľa súradníc; najskôr môžete vyskúšať stránku s pravidlamiNerozumiem priradeniu názvov prekážok, poznámok a poznámok pod čiarou
Zoradiť podľa rozdelenia súradnícNajprv rozdelte plochu, potom čítajte podľa segmentov pre jednoduchšiu kontroluPrah rozdelenia závisí od stránky a je potrebné ho overovať na každej strane
Manuálne anotované poradie čítaniaVýsledky sú najkontrolovateľnejšie a najvhodnejšie na overovanie kľúčových dokumentovVysoké náklady, vhodné na náhodné kontroly a benchmarking

Nepozeraj sa len na chyby pri prijímaní

Skontrolujte položkyČo by sa malo vidieťČo robiť, ak nespĺňa požiadavky
Regionálne poradiePo názve najprv celý ľavý takt, potom celý pravý barSkontrolujte pravidlá partície a neopravujte záplaty výmenou reťazcov
Ochrana obsahuPočet prijatých blokov plus počet zamietnutých blokov sa rovná počtu vstupných blokovBlokujte doručenie a skontrolujte tiché blokovanie
Hlavný text prekážokObjavte sa na zozname odmietnutýchPridajte sekcie prekážok alebo manuálne hodnotenie
Otočiť a orezaťVstupné bloky a partície používajú rovnaký súradnicový systémNajprv zjednoťte súradnice, potom urobte úsudky o zahrnutí
Nadpisy, poznámky pod čiarouKlasifikácia samostatne podľa obchodných pravidielNeodstraňujte naraz všetok spodný text

V reálnych článkoch sa takáto štruktúra môže objaviť aj takto: vložiť krížový diagram do stredu a začať dvojitý stĺpec znova pod obrázkom. V tomto bode je potrebné stránku rozdeliť na hornú a dolnú časť a potom zoradiť samostatne. Jednorazové trojdielne rozdelenie v tomto článku nestačí. Čínske vertikálne rozloženie, text sprava doľava a zložité poznámky na okrajoch by sa tu nemali používať na čítanie pokynov.

🎯 Ktorý prístup ti vyhovuje?

Ak ......

  • Jednostĺpcové alebo dvojstĺpcové stránky, ktoré slúžia len na spracovanie pravidiel: Najprv porovnajte výsledky zapnutia a vypnutia sort, potom rozhodnite, či sú potrebné pravidlá rozdelenia.
  • Spracovanie prác s priečnymi názvami, grafmi alebo poznámkami pod čiarou: Rozdeľte stránky podľa sekcií a nastavte zoznamy výnimiek pre obsah krížových čiar.
  • Preklad musí byť odovzdaný iným: Uchovávajte súradnice a čísla strán, kontrolujte položku po položke podľa kontrolného zoznamu akceptácie a nekontrolujte len chyby počas prevádzky.
  • Nechcete si udržiavať skripty sami: Môžete priamo použiť hotové nástroje na preklad dokumentov a skontrolovať preklad podľa rovnakého sekvenčného kontrolného zoznamu.

Ako prijímať prekladový pracovný postup OmniDoc

Hodnota vlastnoručne vytvorených scenárov spočíva v jasnom stanovení pravidiel prijatia; Hodnota hotových prekladateľských nástrojov spočíva v znížení počtu krokov medzi dokumentmi a prekladmi. Tieto dve veci nie sú v konflikte. OmniDoc (Produktový portál) poskytuje portál na preklad dokumentov a oficiálna webová stránka tiež prináša funkcie ako OCR, terminológiu a bilingválne porovnávanie. Môžete si vybrať desenzibilizovaný článok s právom nahrať a skontrolovať preklad pomocou rovnakých kontrolných zoznamov.

Kľúčové kontroly zahŕňajú:

  • Skontrolujte, či je úvodná veta po názve prekážky prepojená.
  • Boli titulky zlúčené do hlavného textu?
  • Skontrolovať, či odkazy na poznámky pod čiarou stále zodpovedajú správnym pozíciám.

Toto je hodnotenie výstupov, nie odvodzovanie interných algoritmov OmniDoc. Ak výsledok nespĺňa požiadavky, ponechajte si pôvodnú stránku a sekciu s chybami, najprv identifikujte, či problém spočíva v identifikácii, triedení alebo preklade, a potom sa rozhodnite, ako ho opraviť.

❓ Často kladené otázky (FAQ)

1. Dvojstĺpcové PDF sériové súbory – je to nesprávne identifikované?

Nie nevyhnutne. Znaky môžu byť správne rozpoznané, ale problém často spočíva v poradí čítania, preto by ste si mali najprv skontrolovať triedenie a pravidlá oblasti.

2. sort=True: Môžete priamo vyriešiť problém poradia s dvoma stĺpcami?

Nedá sa to zovšeobecniť. Spracovanie sort sa líši v závislosti od typu výstupu a verzie. Nie je to porozumenie rozloženia a nemôže sľúbiť obnovenie poradia čítania všetkých dokumentov. Pre stránky s pravidlami to môžete skúsiť ako prvé; pri stránkach s priečnym obsahom musíte tiež skontrolovať regionálne vzťahy.

3. Prečo nemôžete skomprimovať celú stránku do jedného dlhého reťazca?

Keď sa stratia informácie o súradniciach a ploche, následné preklady dostanú len nesprávne napísaný kontext a prechod na iný prekladový model to nemusí vyriešiť.

4. Dajú sa 80 a 300 bodov v príklade priamo aplikovať na iné PDF?

Nie. Toto sú len nastavenia pre túto kompozitnú stránku; keď sa zmení veľkosť stránky alebo šírka stĺpca, verzia pravidla by mala byť overená a zaznamenaná individuálne pre každú stránku.

📝 Zhrnutie

Pri poradí dvojstĺpcových PDF by sa najprv mali uchovávať súradnice a zdrojové stránky, potom sa spracovávať podľa regionálnych pravidiel a každá položka by mala byť kontrolovaná podľa kontrolného zoznamu akceptácie. Vlastné skripty sú vhodné na jasné vyjadrenie pravidiel, zatiaľ čo hotové nástroje sú vhodné na zníženie prevádzkových krokov; oba môžu byť použité spolu.

Vyskúšajte to teraz: Nahrajte svoj dokument a začnite prekladať, pričom zachovajte pôvodné formátovanie

Aktualizované 2026-11-16