Ako získať čiastku v PDF, jej pozíciu na stránke
Tento článok ukazuje použitie PyMuPDF na nájdenie textu s opakovaným množstvom v zadanom obdĺžniku. Analýzou prvých piatich polí oktetu slov a overením počtu kandidátov sa dá vyhnúť chybným úsudkom pri spájaní fragmentov. Poskytuje príklady Pythonu na úrovni pamäte, stratégie spracovania hraníc a akceptačné tabuľky a poskytuje praktické návrhy na prepojenie s pracovným postupom prekladu dokumentov OmniDoc.
Ako nájsť duplicitné sumy? Záver jednou vetou
Keď je rozloženie pevné, najprv obmedzte známu oblasť a potom skontrolujte text a počet kandidátov ponechajte na posúdenie volajúcemu. Je ľahšie interpretovať ako pokračovať v hromadení regulárnych výrazov a je menej pravdepodobné, že urobíte tiché chyby.
| vaša situácia | Odporúčané postupy | dôvod |
|---|---|---|
| Rovnaké množstvo sa zobrazí na viacerých miestach na stránke | Obmedzte vyhľadávanie na obdĺžnikovú oblasť, kde sa nachádza obchodné pole, a potom hľadajte | Fulltextové vyhľadávanie nedokáže určiť, ktoré pole je oblasťou podnikania |
| V oblasti dopytu je viacero kandidátov | Vráťte všetkých kandidátov v kombinácii s menovkami alebo manuálnym zjednotením | Programy by nemali robiť rozhodnutia pre podnik |
| V oblasti dopytu nie sú žiadne prístupy | Označte dôvod a skontrolujte pôvodnú stránku, bez nulovej výplne | Nesprávna oblasť, rozdelené množstvá alebo chýbajúce textové vrstvy môžu viesť k nulovým prístupom |
| Poloha rámu vyzerá ako posunutá | Explicitné transformačné reťazce pre rotáciu, orezanie a škálovanie vykresľovania | Miešanie súradníc zobrazenia a extrahovaných súradníc spôsobí odchýlky |
Dve rovnaké sumy v jednom výpise
1,200.00 sa vo výpise objaví dvakrát: raz v stĺpci splatnej sumy a raz v texte popisu. Fulltextové vyhľadávanie ich dokáže nájsť, no nedokáže za vás rozhodnúť, ktorá oblasť podnikania je.
Ak je rozloženie formulára pevné, je zvyčajne jednoduchšie ho interpretovať tak, že najprv obmedzíte známu oblasť a potom prehľadáte text, než pokračovaním v úprave regulárneho výrazu. Základom nie je „nájsť iba jedno políčko", ale považovať nulové aj viacnásobné zhody za jasné výsledky a nenechať program robiť neoprávnené rozhodnutia.
Nechajte pozíciu slova, nielen text
`page.get_text("words")` PyMuPDF vráti záznam slova s pozíciou, spoločné pole je (x0, y0, x1, y1, text, block_no, line_no, word_no). Nasledujúci príklad zaberá iba prvých päť polí a posledné tri čísla nie sú v súčasnosti zahrnuté do regionálneho filtrovania.
„Slovo"je tu fragment daný extraktorom, ktorý sa nemusí nevyhnutne rovnať slovu v lingvistickom zmysle, ani nie je zaručené, že množstvo bude vždy úplným fragmentom.1,200.00 je možné rozobrať alebo môže mať susediace štítky. Tento článok sa zaoberá iba presnou zhodou úplných fragmentov: Radšej odovzdám záznamy, ktoré nespĺňajú podmienky na preskúmanie, ako ich potichu spájať do zdanlivo zákonného množstva.
Overte pomocou dvoch syntetických strán s rovnakým množstvom
V pamäti vytvoríme novú stránku PDF a umiestnime rovnakú veľkosť blízko vertikálnych súradníc 120 a 420. Oblasť dopytu pokrýva iba vyššie uvedené množstvo.
Bod vloženia textu je základná pozícia, nie ľavý horný roh textového poľa. Výška a šírka skutočného poľa bude ovplyvnená písmom a veľkosťou písma, takže súradnice nemožno pevne zakódovať do pevnej hodnoty.
Správny výstup by mal spĺňať dve podmienky:
- V oblasti dopytu je len jeden kandidát a obdĺžnik kandidátov je úplne zahrnutý v oblasti.
- Po rozšírení rozsahu dopytu na celú stránku by sa mali získať dvaja kandidáti, čím vstúpite do vetvy nejednoznačnosti.
Nakoniec skontrolujte nulový prístup pomocou reťazca, ktorý nie je na stránke. Toto je bližšie k zmluve, ktorú vyžaduje skutočné rozhranie, než len demonštrovať úspešné vyhľadávanie.
Spustiteľný kód: odovzdajte počet kandidátov volajúcemu
Závislosť je pymupdf, nainštalujte a uzamknite verziu v testovacom prostredí. Nasledujúci kód nepristupuje k sieti, nezapisuje súbory a nemení pôvodný dokument zákazníka. Vytvára iba demonštračné PDF.
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 vyžaduje úplné začlenenie, nie len dotyk okraja oblasti. Ak je pole dopytu príliš tesné, bočné sumy môžu klesnúť na nulu, čo nie je dôvod, prečo by sa malo automaticky rozšíriť na celú stránku. Pred rozhodnutím, ako upraviť rozsah, by ste mali skontrolovať súradnicový systém používaný na meranie oblasti.
Ak podnik dovolí zapadnúť stredový bod, mali by sa napísať ďalšie pravidlá a mali by sa vykonať dodatočné testy na prekrytie hraníc. Nemeňte tajne význam rozsudku v rovnakej funkcii.
Produkčná logika by sa pri zachytávaní výnimiek nemala spoliehať iba na assert, pretože režimy optimalizácie môžu odstrániť tvrdenia. Tvrdenia v príklade sa používajú na regresnú kontrolu. Pri skutočnom prístupe k frontu úloh by sa mali použiť jasné podmienené vetvy a obchodné stavy.
Tri výsledky, tri metódy spracovania
Výsledky dopytov sú zvyčajne rozdelené do troch kategórií, z ktorých každá si vyžaduje rôzne akcie spracovania:
- Len jeden zásah: V oblasti je len jeden úplný zodpovedajúci fragment, ktorý uchováva čísla strán, pôvodný text, obdĺžniky a verzie pravidiel.
- Zero Hit: Môže to byť spôsobené nesprávnymi oblasťami, rozdelenými množstvami alebo chýbajúcimi textovými vrstvami. Označte dôvod ako kandidátov, skontrolujte pôvodnú stránku a nevyplňujte nuly.
- Viacnásobné zásahy: Ak sú v tej istej oblasti duplicitné sumy alebo sa šablóna zmenila, vráťte všetkých kandidátov spolu s tagmi alebo manuálnym rozlíšením.
Ostatné dva prípady je tiež potrebné riešiť samostatne:
- Sú tam boxy, ale hodnoty sú nesprávne: Textová vrstva môže byť nesprávna alebo zodpovedajúci cieľ je nesprávny; mali by ste sa vrátiť na pôvodnú stránku na overenie a vyhnúť sa používaniu súradníc ako číselných potvrdení.
- Box Offset: Zobrazovacie súradnice a extrakcie súradnice môžu byť zmiešané, čo vyžaduje jasné prechodové reťazce pre rotáciu, orezávanie a škálovanie vykresľovania.
📊 Porovnanie jadra
| Metóda dotazu | Kritériá určenia | Je potrebná pozornosť |
|---|---|---|
| Úplné začlenenie (prijatý príklad) | Kandidátsky obdĺžnik je úplne umiestnený v oblasti dotazu | Ak je dotazové pole príliš úzke, množstvo blízko okraja môže byť nula zásahov |
| Pokles stredového bodu (vyžaduje sa samostatné pravidlá) | Stredový bod kandidáta sa nachádza v danej oblasti | Prekrytie hraníc vyžaduje samostatné doplnkové testovanie |
| Celostránkový dotaz | Vyhľadať všetkých kandidátov | Výsledky sú väčšinou nejednoznačné a vyžadujú označenie alebo manuálne ďalšie posúdenie |
Toto nie je univerzálny extraktor množstva
Kód neanalyzuje menu, tisíce oddeľovačov ani desatinné pravidlá, ani nerozpoznáva sémantiku ako "aktuálne obdobie splatné" alebo "zostatok za predchádzajúce obdobie". Len preto, že je len jeden kandidát, neznamená, že firma je správna.
Naskenovaná kópia musí tiež najprv získať dostupný text a pozície. Stránky s textovými vrstvami, ale nesprávnym obsahom, nemôžu byť schválené len preto, že sú "kopírovateľné".
Tento článok používa neotočenú kompozitnú stránku. Keď sa skutočná stránka otočí, najprv určte, či je dotazové pole z obrazovky alebo z extrahovaných súradníc, a v prípade potreby konvertujte. Nenásobte maticou bez ohľadu na zdroj.
Pri ukladaní zdrojových stránok rozlišujte medzi indexmi založenými na nule a číslami strán orientovanými na ľudí, aby ste sa vyhli mylnému predpokladu existencie dôkazov po otvorení susedných stránok.
🎯 Ktorý prístup ti vyhovuje?
Ak potrebujete získať čísla z formulárov pevného rozloženia
Najprv obmedzte oblasť, kde sa pole podnikania nachádza, potom vyhľadajte množstvo a uložte číslo stránky, obdĺžnik a verziu pravidla.
Ak narazíte na viacerých kandidátov
Nevyberajte len tú prvú; vráťte všetkých kandidátov a určte oblasť podnikania na základe značiek alebo manuálneho úsudku.
Ak vaša stránka často dosahuje nulu
Najprv skontrolujte, či boli súradnice oblasti, množstvo rozdelené a či textová vrstva existuje, potom sa rozhodnite, či upraviť rozsah alebo prepnúť na inú trasu extrakcie.
Ak chcete prekladať dokumenty
Kľúčové detaily ako množstvo, dátum a množstvo sú zahrnuté v manuálnej kontrole, s jasným rozdelením práce medzi technickú a manuálnu kontrolu.
Zanechajte kľúčové čísla na kontrolu po preklade
Preklad dokumentu by nemal byť založený len na tom, či sú vety plynulé, ale aj na kľúčových položkách ako množstvo, dátum a množstvo. OmniDoc (Produktový portál) ponúka viacero portálov na preklad dokumentov a dvojjazyčné porovnanie uvedené na oficiálnej webovej stránke môže slúžiť ako portál na recenzie; Skripty na koordinačné polohovanie sú vhodné na zachovanie pôvodných dôkazov a pomoc pri lokalizácii problémových oblastí.
Odporúča sa najskôr vyhodnotiť pomocou desenzibilizačných vzoriek, ktoré majú právo byť nahrané. Keď sa preklad predĺži, pozícia obsahu sa môže primerane zmeniť a "staré a nové súradnice sú presne rovnaké" by sa nemali považovať za tvrdú podmienku pre správny preklad.
Cennejšie kontroly sú: či je suma zachovaná, či je mena čistá a či príslušné štítky stále odkazujú na rovnaký obchodný význam.
❓ Často kladené otázky (FAQ)
1. Prečo jednoducho neprijať prvý ťah?
Pretože fulltextové vyhľadávanie vám môže povedať len miesto, kde sa suma nachádza, nie ktorá časť je obchodné pole. Priamym prvým záberom výsledok vyzerá správne, ale zdroj už môže byť nesprávny.
2. Prečo dotazovacie pole vyžaduje úplné zahrnutie namiesto toho, aby sa len dotýkalo okraja?
Príklad používa plne zahrnutú metódu hodnotenia, aby sa neúplné úseky nebrali za platné zásahy. Ak je dotazovacie pole príliš úzke a spôsobí nulové zásahy, najskôr skontrolujte súradnicový systém a rozsah, namiesto automatického rozšírenia na celú stránku.
3. Čo by ste mali robiť, keď je výsledok dotazu nulový?
Označte kandidáta podľa dôvodu a skontrolujte pôvodnú stránku bez núl. Nesprávne oblasti, rozdelené množstvá alebo chýbajúce textové vrstvy môžu spôsobiť nulové zásahy.
4. Dá sa tento kód použiť priamo na skutočných účtoch?
Nedá sa použiť priamo. Príklady sa nezaoberajú menou, tisíckami oddeľovačov ani obchodnou sémantikou a syntetické príklady v tomto článku nepredstavujú testy presnosti pre skutočné bankovky.
📝 Zhrnutie
Pri určovaní množstva najprv definujte oblasť a potom poskytnite volajúcemu plný počet kandidátov na posúdenie. Nulové aj viacnásobné zásahy by mali mať jasné manipulačné akcie. Najprv sa pravidlá overujú pomocou maskovaných vzoriek a potom sa postupne integrujú do skutočného dokumentu.


