Zvýraznite hľadané slová PDF, prečo obdĺžnik orámuje text kurzívou nesprávne?
Kurzíva nemusí nevyhnutne zmenšiť oblasť hľadanej štvorky ako obklopujúci obdĺžnik. Ak potrebujete zachovať informáciu o smerovaní v štyroch rohoch, použite priamo výsledok quads=True na pridanie zvýraznenia; nepoužívajte žiadny prah rozdielu plochy na určenie, či je zvýraznenie správne.
Keď je pole zvýraznenia vyhľadávania pre text kurzívy zošikmené, často to nie je problém so samotným písmom, ale nesprávne vybratý geometrický objekt použitý na zvýraznenie. Tento článok je určený pre vývojárov, ktorí používajú PyMuPDF na spracovanie umiestnenia textu PDF. Vysvetľuje, prečo nie je možné pomocou ohraničujúceho obdĺžnika (Obdĺžnik) určiť, či je správne zvýraznenie kurzívy alebo otočeného textu, a ako s ním zaobchádzať v rôznych situáciách.
Po prečítaní tohto článku sa môžete rozhodnúť, či použijete Quad alebo Rect pre výsledky vyhľadávania, viete, ako pri vyhľadávaní spracovať žiadne zásahy, krížové riadky, viacnásobné zásahy a orezávanie CropBox a pochopiť, ktoré problémy sú mimo rámca geometrického určovania polohy.
Úplný text je demonštrovaný syntetickými vzorkami a kód prešiel vzorovými kontrolami v izolovanom prostredí, čo však nepredstavuje záruku všetkých skutočných súborov alebo efektov produktu. Pred spracovaním dôležitých dokumentov si uschovajte originály a potom ich skontrolujte podľa hraníc a akceptačných položiek uvedených nižšie.
Ak chcete pri vyhľadávaní zvýrazniť text kurzívou, vyberte možnosť Quad alebo Rect? Záver jednou vetou
Kurzíva nemusí nutne robiť oblasť Quad získanú vyhľadávaním menšou ako obklopujúci obdĺžnik. Ak je potrebné zachovať informácie o smerovaní v štyroch rohoch, priamo použite výsledky quads=True na pridanie zvýraznení. Na určenie, či je zvýraznenie správne, nepoužívajte žiadny prah rozdielu plochy.
| vaša situácia | Odporúčané postupy | dôvod |
|---|---|---|
| Kurzíva alebo otočený text, je potrebné zachovať orientáciu v štyroch rohoch | Priamo použite výsledky quads=True na pridanie zvýraznení | Quad zachováva informácie o orientácii v štyroch rohoch |
| Chcem použiť prah rozdielu plochy na určenie, či je zvýraznenie správne. | nerob to | Kurzíva nemusí nevyhnutne zmenšiť oblasť Quad a odhad prahu je nespoľahlivý. |
| Hľadané výrazy sa rozprestierajú naprieč riadkami a nástroj ich nerozpozná ako rovnakú jednotku slovnej zásoby. | Všetky vrátené fragmenty Quad si ponechajte a zvýraznite jednotlivo | Násilné zlúčenie do obdĺžnika stratí sémantiku bieleho miesta v strede. |
| Stránka má orezanie CropBox | Po obnovení CropBoxu skontrolujte, či je obsah stále v viditeľnej oblasti | Súradnice vrátené search_for vychádzajú z neotočeného pôvodného priestoru stránky a nemožno ich predpokladať, že get_text štandardne ignoruje orezanú oblasť |
| Viacnásobné zásahy | Uchovávajte čísla strán položku po položke a spracujte ich jednu po druhej | Iba spracovaním prvého z nich budú chýbať zvyšné pozície |
Prečo sa kurzíva zobrazuje nesprávne?
Mnoho ľudí bude predvolene predpokladať, že ohraničujúci obdĺžnik s kurzívou je oveľa väčší ako štvorec, takže použitie Obdĺžnik na zvýraznenie spôsobí „odchýlku snímky". Kurzíva v skutočnosti nevyhnutne nezmenšuje oblasť hľadaného štvoruholníka ako obklopujúci obdĺžnik, takže nie je spoľahlivé použiť rozdiel v oblasti na posúdenie, či je zvýraznenie správne.
Čo je skutočne potrebné, je zachovať orientačné informácie štyroch rohov. Quad náhodou zaznamená tieto informácie a ich použitie na priame pridávanie zvýraznení je spoľahlivejšie ako použitie ohraničujúceho obdĺžnika na uhádnutie tvaru.
Príklad samostatného zloženia
Pozrite si zoznam importov napríklad závislosti. Kód vytvára vstup v pamäti a na spustenie nevyžaduje externé súbory. Prevádzkové záznamy sa poskytujú samostatne a nepredstavujú záruku, že všetky dokumenty sú autentické.
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
Správne spracovanie výstupu a vstupu hranice
Vyššie uvedený syntetický príklad generuje súbor PDF v pamäti, ktorý sa používa na overenie správania Quad. Nižšie je uvedených niekoľko bežných hraničných vstupov.
1. Hľadajte slová naprieč riadkami
Ak hľadaný výraz presahuje nové riadky a nástroj ho nerozpozná ako rovnakú jednotku slovnej zásoby, search_for môže vrátiť prázdny zoznam alebo zhodovať len čiastočné fragmenty.
- Nezlučujte násilne viacero nesusediacich štvorcov do jedného obdĺžnika, inak sa stratí sémantika bieleho miesta v strede.
- Všetky vrátené fragmenty Quad a zvýraznenia si ponechajte oddelene.
2. Hľadaný výraz obsahuje bežné špeciálne znaky
Ak vaše hľadané výrazy obsahujú bežné špeciálne znaky bez toho, aby ste ich uviedli, výsledky nemusia byť podľa očakávania. Vstupný reťazec by mal byť pred volaním bezpečne spracovaný.
3. Orezanie CropBoxu
Ak má stránka orezanie CropBox, súradnice vrátené search_for sú stále založené na neotočenom pôvodnom priestore stránky. Po obnovení CropBoxu musíte overiť, či je obsah stále vo viditeľnej oblasti. Nemôžete predpokladať, že get_text štandardne ignoruje oblasť orezania.
Kritériá prijatia a hranice manuálnej kontroly
Toto riešenie rieši iba problém geometrického polohovania. Nasledujúce situácie nie sú záležitosťou výberu medzi Quad a Rect:
- Textová vrstva samotného PDF je poškodená;
- Abnormálne vkladanie písma;
- Existujú skryté vrstvy.
V týchto prípadoch nemusia byť výsledky search_for vôbec dôveryhodné a mali by byť podrobené manuálnej kontrole alebo opätovnému OCR. Vzorový kód overuje iba geometrické vlastnosti a efekt end-to-end je stále potrebné vyhodnotiť na základe konkrétnych typov dokumentov.
Špecifické rozhodnutia týkajúce sa spracovania výnimiek
| pozorovať | čo robiť | by sa nemalo vyvodzovať |
|---|---|---|
| Nehľadajte žiadne hity | Skontrolujte textovú vrstvu a kľúčové slová | Nevytvárajte prázdne zvýraznenia |
| Otočte text | Udržujte štvorcové rohy | Presnosť odhadu bez rozdielu plochy |
| Viacnásobné zásahy | Uchovávajte čísla strán položku po položke | Nezaoberajte sa len tým prvým |
📊 Základné porovnanie
| objekt | Informácie, ktoré je možné uchovať | Použiteľné scenáre | Čo treba poznamenať |
|---|---|---|---|
| Quad | Štyri rohy | Kurzíva, otočený text vyžadujú presné zvýraznenie | Použite výsledky quads=True priamo |
| Obdĺžnik (obdĺžnik obopínajúci kruh) | vonkajší rozsah | Jednoduchý výber ohraničenia pre vodorovný text | Kurzívou alebo otočený text môže byť mimo rámca a nie je vhodný na posúdenie správnosti. |
| Zlúčené Rect | Celkový rozsah | Neodporúča sa pre krížové vyhľadávanie | Stratí sa sémantika bieleho miesta v strede |
🎯 Ktorá metóda je pre vás vhodná?
ak si……
- Smery v štyroch rohoch textu musia byť zachované: priamo použite výsledky
quads=Truena pridanie zvýraznení. - Ak chcete použiť prah rozdielu plochy na určenie, či je zvýraznenie správne: Nerobte to. Kurzíva nemusí nevyhnutne zmenšiť oblasť Quad.
- Vyskytli sa prekrížené čiary hľadaného výrazu: Ponechajte všetky fragmenty Quad, zvýraznite oddelene, nespájajte sa do jedného obdĺžnika.
- Zaobchádzanie so stránkami s orezaním CropBox: Po obnovení CropBoxu skontrolujte, či je obsah stále v viditeľnej oblasti.
Tento kontrolný zoznam použite na preklad dokumentov
Najprv skontrolujte poradie strán, umiestnenie zdroja a integritu textu a potom odošlite rovnakú znecitlivenú vzorku do procesu prekladu. Po preklade ešte treba skontrolovať, či názov, text a ilustrácie správne korešpondujú, nielen či je text hladký.
OmniDoc (produktový portál) poskytuje portál na preklad dokumentov vo viacerých formátoch a oficiálna webová stránka predstavuje funkcie OCR, slovník a dvojjazyčné porovnávanie. Pre tímy, ktoré chcú pracovať priamo zo súborov, je to cesta, ktorú sa oplatí vyhodnotiť pomocou reálnych vzoriek. Použite znecitlivené súbory, ktoré máte oprávnenie nahrať, a pomocou kontrolných položiek v tomto článku skontrolujte výsledky. Nie je tu žiadne tvrdenie, že OmniDoc používa knižnice s otvoreným zdrojovým kódom alebo interné algoritmy uvedené v tomto článku a príklady nie sú náhradou za testovanie výkonu produktu.
Referencie
❓ Často kladené otázky (FAQ)
1. Zmenší text kurzívou určite oblasť Quad?
neistý. Kurzíva nemusí nevyhnutne zmenšovať oblasť hľadanej štvorky ako obklopujúci obdĺžnik, takže sa nemôžete spoliehať na rozdiel v oblasti, aby ste určili, či je zvýraznenie správne.
2. Kedy by sa mali informácie o štvorhranoch uchovávať?
Ak potrebujete zachovať informácie o smerovaní v štyroch rohoch, mali by ste priamo použiť výsledky quads=True na pridanie zvýraznení.
3. Hľadaný výraz prekračuje čiary a nenašli sa žiadne výsledky. čo mám robiť?
Nevytvárajte prázdne zvýraznenia, najskôr skontrolujte textovú vrstvu a kľúčové slová. Ak sa vrátia iba niektoré fragmenty, všetky vrátené fragmenty Quad by sa mali ponechať a zvýraznenia by sa mali kresliť oddelene, namiesto toho, aby boli vytlačené do jedného obdĺžnika.
4. Na čo by ste si mali dať pozor pri orezávaní stránky pomocou CropBoxu?
Súradnice vrátené search_for sú stále založené na neotočenom pôvodnom priestore stránky. Po obnovení CropBoxu musíte overiť, či je obsah stále vo viditeľnej oblasti. Nemôžete predpokladať, že get_text štandardne ignoruje oblasť orezania.
📝 Zhrnutie
Zvýraznenie kurzívy a otočeného textu by malo byť založené na Quad a čísla strán a informácie o štyroch rohoch by sa mali zachovať po položke. Problémy, ako je poškodenie textovej vrstvy a abnormálne vkladanie písma, si stále vyžadujú manuálnu kontrolu alebo opätovné OCR.
Stiahnite si OmniDoc Desktop zadarmo: dokumenty, tabuľky, prezentácie a súbory PDF na jednom mieste


