சிறுகுறிப்பு ஆவணங்களை ஒப்படைக்கும்போது, சுத்தமாகத் தோன்றும் PDFஐ மட்டும் ஒப்படைக்காதீர்கள்.

PDF சிறுகுறிப்புகளை ஒப்படைப்பதற்கு முன், பலர் நேரடியாக page.get_text() ஐப் பயன்படுத்தி, மொழிபெயர்ப்பு, காப்பகப்படுத்துதல் அல்லது அடுத்த மதிப்பாய்வாளரிடம் ஒப்படைத்தல் போன்றவற்றுக்கு சுத்தமான தோற்றமுள்ள உரையை ஏற்றுமதி செய்வார்கள். ஆனால் இந்த உரை பொதுவாக சிறுகுறிப்புகளைக் கொண்டிருக்காது. சில பிரித்தெடுத்தல் முறைகள் உரையின் நடுவில் கருத்துகளைச் செருகும், சொற்பொருளுக்கு இடையூறு விளைவிக்கும்; பக்கப்பட்டியில் மாற்றியமைக்கும் கருத்துகள் மற்றும் முக்கியமான கருத்துக்கள் தவறவிடப்படலாம்.

சிறுகுறிப்பு PDFகளுடன் பணிபுரிய வேண்டிய டெவலப்பர்கள் மற்றும் ஆவண உரிமையாளர்களுக்காக இந்தக் கட்டுரை எழுதப்பட்டுள்ளது. படித்த பிறகு, சிறுகுறிப்புகள் ஏன் சுயாதீன தரவு அடுக்குகள், உரை மற்றும் சிறுகுறிப்புகளை அடுக்குகளில் எவ்வாறு பிரித்தெடுப்பது, எந்த விளிம்பு வழக்குகளை தற்காப்புடன் கையாள வேண்டும், எந்த ஏற்றுக்கொள்ளும் புள்ளிகள் கைமுறையாக உறுதிப்படுத்தப்பட வேண்டும் என்பதை நீங்கள் புரிந்துகொள்வீர்கள்.

இந்த கட்டுரையில் உள்ள எடுத்துக்காட்டுகள் அனைத்தும் செயற்கை மாதிரிகளைப் பயன்படுத்துகின்றன. குறியீடு ஒரு தனிமைப்படுத்தப்பட்ட சூழலில் மாதிரி சரிபார்க்கப்பட்டது, ஆனால் இது அனைத்து உண்மையான கோப்புகள் அல்லது தயாரிப்பு செயல்திறனுக்கான உத்தரவாதம் அல்ல. முக்கியமான ஆவணங்களைச் செயலாக்குவதற்கு முன், அசல் ஆவணங்களை வைத்து, உரையில் உள்ள எல்லைகள் மற்றும் ஏற்றுக்கொள்ளும் உருப்படிகளின்படி அவற்றை மதிப்பாய்வு செய்யவும்.

ஒப்படைப்பதற்கு முன் சிறுகுறிப்பு PDF ஐ எவ்வாறு பிரித்தெடுப்பது? ஒரு வாக்கியத்தின் முடிவு

உரை மற்றும் சிறுகுறிப்புகளை இரண்டு சுயாதீன தரவு ஸ்ட்ரீம்களாகக் கருதி அவற்றைத் தனித்தனியாகப் பிரித்தெடுத்து, சிறுகுறிப்பு உள்ளடக்கத்தில் வெளிப்படையான பாதுகாப்பு மதிப்பாய்வு செய்யவும்.

ஏன் சிறுகுறிப்புகள் உரையின் தரவு அடுக்கிலிருந்து சுயாதீனமாக உள்ளன

PDF விவரக்குறிப்பில், பக்க உள்ளடக்க ஸ்ட்ரீம் (உள்ளடக்க ஸ்ட்ரீம்) மற்றும் சிறுகுறிப்பு அகராதி (Annots Array) ஆகியவை கட்டமைப்பு ரீதியாக பிரிக்கப்பட்டுள்ளன. உடல் உரை காட்சி வழிமுறைகளைக் கொண்டுள்ளது; சிறுகுறிப்புகள் என்பது பக்கத்துடன் இணைக்கப்பட்ட சுயாதீனமான பொருள்கள், அவற்றின் சொந்த ஆயங்கள், வகை மற்றும் உள்ளடக்க பண்புக்கூறுகள். PyMuPDF இன் Page.annots() முறையானது, பக்க உரை ஸ்ட்ரீமிற்குப் பதிலாக இந்த சுயாதீன சிறுகுறிப்பு பட்டியலைக் கடந்து செல்லும் ஜெனரேட்டரை வழங்குகிறது.

இதன் பொருள் நீங்கள் பார்க்கும் அனைத்து உரைகளும் ஒரே மாதிரியாக பிரித்தெடுக்கப்படும் என்று நீங்கள் கருத முடியாது.

மார்க் வகுப்பு மற்றும் உள்ளடக்க வகுப்பு சிறுகுறிப்புகளுக்கு இடையிலான வேறுபாடு

• டேக் குறிப்புகள் (உதாரணப்படுத்துதல் மற்றும் அடிக்கோடிடுதல் போன்றவை) உரையைக் கொண்டிருக்கவில்லை, ஆனால் அசல் உரையுடன் தொடர்புடைய பகுதியை (குவாட்ஸ்/ரெக்ட்ஸ்) மட்டுமே பதிவுசெய்யவும். ஆயத்தொலைவுகள் மூலம் உரையைப் பார்ப்பதன் மூலம் மட்டுமே உண்மையான உரையைப் பெற முடியும்.
• உள்ளடக்க சிறுகுறிப்புகள் (குறிப்புகள், இலவச உரை போன்றவை) அவற்றின் சொந்த உள்ளடக்க சரங்களைக் கொண்டுள்ளன, மேலும் அவற்றை நேரடியாகப் படிக்கலாம்.
• நீங்கள் annot.info["content"] ஐப் பிரித்தறியாமல் நேரடியாகப் படித்தால், குறிச்சொல் வகுப்பு சிறுகுறிப்பு மூலம் சுட்டிக்காட்டப்பட்ட அசல் சூழலை நீங்கள் இழக்க நேரிடும் அல்லது உள்ளடக்கம் காலியாக இருந்தால் விதிவிலக்கு அளிக்கப்படும்.

தொகுப்பு உதாரணம்: அடுக்கு பிரித்தெடுத்தல் மற்றும் உணர்திறன் தகவல் இடைமறிப்பு

சரியான செயலாக்க தர்க்கத்தை நிரூபிக்க, குறியீட்டில் மூன்று பொதுவான சிறுகுறிப்புகளைக் கொண்ட ஒரு செயற்கை காட்சியை உருவாக்கினோம். பின்வரும் உள்ளீடுகள் குறியீட்டிற்குள் உருவாக்கப்பட்ட மாதிரிகள், உண்மையான வாடிக்கையாளர் கோப்புகளிலிருந்து அல்ல, மேலும் அவை கல்வி விளக்க நோக்கங்களுக்காக மட்டுமே.

எதிர்பார்க்கப்படும் வெளியீடு மூன்று கட்டமைக்கப்பட்ட புலங்களைக் கொண்டுள்ளது:

1. உரை துண்டு: எந்த சிறுகுறிப்பு உள்ளடக்கமும் இல்லாமல், பக்கத்தின் அசல் உரையை மட்டுமே கொண்டுள்ளது.
2. சிறுகுறிப்பு பட்டியல்: ஒவ்வொரு பதிவிலும் வகை, இடம், ஆசிரியர், நேரம் மற்றும் உள்ளடக்கம் (ஏதேனும் இருந்தால்) ஆகியவை அடங்கும்.
3. பாதுகாப்பு குறி: சிறுகுறிப்பு உள்ளடக்கம் முன்னமைக்கப்பட்ட முக்கியமான விதிகளுடன் (ஐடி எண், உள் குறியீடு போன்றவை) பொருந்தினால், உள்ளீடு redacted=True எனக் குறிக்கப்பட்டு, உள்ளடக்கமானது ஒதுக்கிடத்துடன் மாற்றப்படும்.

பாதுகாக்கப்பட வேண்டிய மூன்று வகையான எல்லைகள்

• வெற்று உள்ளடக்க சிறுகுறிப்பு: மை (மை) அல்லது சில வாசகர்களால் உருவாக்கப்பட்ட கிராஃபிக் குறிப்புகளுக்கு உரை பண்புக்கூறுகள் இல்லை. .info["content"] க்கான நேரடி அணுகல் ஒரு வெற்று சரத்தை ஏற்படுத்தலாம் அல்லது எதுவும் இல்லை, குறியீடு தற்காப்பு சோதனைகளை செய்ய வேண்டும் மற்றும் அனைத்து சிறுகுறிப்புகளிலும் படிக்கக்கூடிய உரை இருப்பதாக கருத முடியாது.
• சுழற்றப்பட்ட பக்க ஒருங்கிணைப்புகள்: பக்கம் 90 டிகிரி சுழற்றப்பட்ட பிறகு, சிறுகுறிப்பு செவ்வகம் இன்னும் சுழற்றப்படாத பக்கத்தை அடிப்படையாகக் கொண்டது. உரையை செதுக்க அல்லது நிலைநிறுத்த இந்த ஆயங்களை நீங்கள் நேரடியாகப் பயன்படுத்தினால், நிலை முற்றிலும் குழப்பமடையும், மேலும் ஒருங்கிணைப்பு மாற்றம் முதலில் செய்யப்பட வேண்டும்.
• அனாதை பொருள்: ஆவணம் மூடப்பட்டுவிட்டாலோ அல்லது பயணச் செயல்பாட்டின் போது பக்கம் மீண்டும் ஏற்றப்பட்டாலோ, தற்போதைய குறிப்பு பொருள் உடனடியாக செல்லாததாகிவிடும். அனைத்து வாசிப்பு செயல்பாடுகளும் ஒரு பக்க வாழ்நாளில் முடிக்கப்பட வேண்டும்.

பைதான் செயல்படுத்தல்: பாதுகாப்பான சிறுகுறிப்பு பயணம் மற்றும் சரிபார்ப்பு

எடுத்துக்காட்டு PyMuPDF ஐப் பயன்படுத்தி நினைவகத்தில் ஒரு சோதனை PDF ஐ உருவாக்குகிறது, படிநிலை பிரித்தெடுத்தல் மற்றும் அடிப்படை மறைத்தல் தர்க்கத்தை நிரூபிக்கிறது. சார்பு நூலகம் PyMuPDF (அதாவது pymupdf தொகுப்பு). பூட்டிய சார்பு சூழலில் அதை இயக்கவும். Annot பண்புக்கூறை முழுமையாக அணுக, பதிப்பு >=1.23.0 ஆக இருக்க வேண்டும். இந்த குறியீடு பிணைய செயல்பாடுகளையோ அல்லது கோப்பு எழுதுவதையோ செய்யாது, இது தர்க்கத்தை நிரூபிக்க மட்டுமே பயன்படுத்தப்படுகிறது.

import fitz  # PyMuPDF
import re

# 合成示例：仅在内存中构造，无需外部文件
def create_sample_pdf():
    doc = fitz.open()
    page = doc.new_page()
    # 插入正文
    page.insert_text((72, 72), "Confidential Project Alpha Report", fontsize=12)
    # 添加便签批注（含敏感信息模拟）
    page.add_text_annot((200, 72), "Reviewer: SSN 123-45-6789 approved.")
    # 添加高亮批注（无自身文本，关联正文）
    highlight = page.add_highlight_annot(fitz.Rect(72, 60, 250, 80))
    # 必须调用update()使info变更生效
    highlight.set_info(title="Editor", content="Check this term")
    highlight.update()
    return doc

def extract_with_safety(page, sensitive_pattern=r"\d{3}-\d{2}-\d{4}"):
    body_text = page.get_text("text")
    annotations = []

    # 显式遍历批注生成器
    for annot in page.annots():
        info = annot.info
        # 防御性获取内容，处理None或空字符串
        content = info.get("content", "") or ""

        # 边界处理：敏感词检测与脱敏
        is_sensitive = bool(re.search(sensitive_pattern, content))
        safe_content = "[REDACTED]" if is_sensitive else content

        annotations.append({
            "type": annot.type[1],
            "author": info.get("title", "Unknown"),
            "content": safe_content,
            "is_redacted": is_sensitive,
            # 注意：此为未旋转坐标系，若页面有旋转需配合rotation_matrix使用
            "rect": list(annot.rect)
        })
    return body_text, annotations

# 执行校验
doc = create_sample_pdf()
page = doc[0]
text, annots = extract_with_safety(page)

assert "SSN 123-45-6789" not in str(annots), "敏感信息未被拦截"
assert any(a["type"] == "Highlight" for a in annots), "标记类批注丢失"
assert len(text.strip()) > 0, "正文提取失败"
print(f"Extracted {len(annots)} annotations safely.")

அதன் மையத்தில், குறியீடு தற்காப்பு நிரலாக்கமாகும்: சிறுகுறிப்பு உள்ளடக்கத்தின் தூய்மை நம்பப்படவில்லை, அல்லது சிறுகுறிப்பு வகை ஒருமைப்பாடு கருதப்படவில்லை. எதிர்பார்க்கப்படும் தர்க்கத்தை சரிபார்க்க assert அறிக்கை பயன்படுத்தப்படுகிறது, ஆனால் இது ஒரு ஆர்ப்பாட்டம் மற்றும் அனைத்து PDF வகைகளுக்கும் இறுதி முதல் இறுதி செயல்திறன் உத்தரவாதத்தை பிரதிநிதித்துவப்படுத்தாது.

சிறுகுறிப்பு வகைகளின் ஒப்பீடு

ஏற்றுக்கொள்ளும் அளவுகோல்கள் மற்றும் கைமுறை மதிப்பாய்வு எல்லைகள்

தானியங்கு பிரித்தெடுத்தல் அனைத்து விளிம்பு நிகழ்வுகளையும் மறைக்க முடியாது. பின்வரும் அட்டவணை, ஒப்படைப்பின் போது கவனம் செலுத்த வேண்டிய ஏற்றுக்கொள்ளும் புள்ளிகளைப் பட்டியலிடுகிறது, குறியீடு கையாளக்கூடிய நோக்கம் மற்றும் கைமுறையான தலையீடு தேவைப்படும் சூழ்நிலைகளை வேறுபடுத்துகிறது.

பொருந்தாது: கடவுச்சொல்லை வழங்காமல் மறைகுறியாக்கப்பட்ட PDFகள், கட்டமைப்புரீதியாக சேதமடைந்த PDFகள் மற்றும் சிறுகுறிப்பு வகைகளை வரையறுக்க தரமற்ற தனிப்பட்ட நீட்டிப்புகளைப் பயன்படுத்தும் கோப்புகளுக்கு இந்தத் தீர்வு பொருந்தாது. இந்தச் சூழ்நிலைகளில், ஸ்கிரிப்ட் மெளனமாகத் தவிர்க்கலாம் அல்லது குறைந்த-நிலை C++ விதிவிலக்கை வீசலாம், இது தொழில்முறை கருவிகளைப் பயன்படுத்தி மூலக் கோப்பை கைமுறையாகத் திறப்பதன் மூலம் உறுதிப்படுத்தப்பட வேண்டும்.

ஆவண மொழிபெயர்ப்புக்கு சரிபார்ப்புப் பட்டியல்களைப் பயன்படுத்தவும்

முதலில் பக்க வரிசை, மூல இருப்பிடம் மற்றும் உரை ஒருமைப்பாடு ஆகியவற்றை உறுதிசெய்து, பின்னர் அதே உணர்திறன் இல்லாத மாதிரியை மொழிபெயர்ப்பு செயல்முறைக்கு சமர்ப்பிக்கவும். மொழிபெயர்ப்பிற்குப் பிறகு, தலைப்பு, உரை மற்றும் விளக்கப்படங்கள் சரியாக உள்ளதா என்பதை நீங்கள் சரிபார்க்க வேண்டும். உரை சீராக உள்ளதா என்பதை நீங்கள் சரிபார்க்க முடியாது.

OmniDoc பல வடிவ ஆவண மொழிபெயர்ப்பு போர்ட்டலை வழங்குகிறது, மேலும் அதிகாரப்பூர்வ இணையதளம் OCR, சொற்களஞ்சியம் மற்றும் இருமொழி ஒப்பீட்டு செயல்பாடுகளை அறிமுகப்படுத்துகிறது. குழு நேரடியாக கோப்பில் இருந்து செயலாக்கத்தை தொடங்க விரும்பினால், இந்த பாதையை உண்மையான மாதிரிகள் மூலம் மதிப்பீடு செய்யலாம். பதிவேற்றம் செய்ய உங்களுக்கு அனுமதி உள்ள டீசென்சிடைஸ் செய்யப்பட்ட கோப்புகளைப் பயன்படுத்தவும், மேலும் இந்தக் கட்டுரையில் உள்ள சரிபார்ப்பு உருப்படிகளின்படி முடிவுகளை மதிப்பாய்வு செய்யவும். OmniDoc இந்தக் கட்டுரையின் ஓப்பன் சோர்ஸ் லைப்ரரிகள் அல்லது உள் அல்காரிதம்களைப் பயன்படுத்துகிறது என்பதற்கான எந்தக் கூற்றும் இங்கே இல்லை, மேலும் தயாரிப்பு செயல்திறன் சோதனையை உதாரணம் மாற்றவில்லை.

குறிப்புகள் மற்றும் அடுத்த படிகள்

• PyMuPDF Page.annots() அதிகாரப்பூர்வ ஆவணம்

1. கலப்பு சிறுகுறிப்பு வகைகளைக் கொண்ட வரலாற்றுத் திட்டக் கோப்பைத் தேர்ந்தெடுக்கவும்.
2. மேலே உள்ள சரிபார்ப்பு ஸ்கிரிப்டை இயக்கவும் மற்றும் கைமுறை மதிப்பாய்வு தேவைப்படும் உள்ளீடுகளின் விகிதத்தை எண்ணவும்.
3. விகிதம் எதிர்பார்ப்புகளை விட அதிகமாக இருந்தால், பதிலை வழங்க கீழ்நிலை கருவிகளை நம்புவதற்கு பதிலாக, ஒப்படைப்பு செயல்முறைக்கு முன்-செயலாக்க படியைச் சேர்க்கவும்.

🎯 எந்த முறை உங்களுக்கு ஏற்றது?

நீங்கள் உரையை மட்டும் மொழிபெயர்க்க வேண்டும் என்றால்

நீங்கள் நேரடியாக உரையைப் பிரித்தெடுக்கலாம், ஆனால் ஏற்றுமதி செய்யப்பட்ட உள்ளடக்கத்தில் ஏதேனும் குறிப்புகள் விடுபட்டுள்ளதா என்பதை உறுதிப்படுத்த வேண்டும்.

ஆவணத்தை காப்பகத்திற்காக வேறு ஒருவரிடம் கொடுக்க விரும்பினால்

அதே நேரத்தில், முக்கிய உரை மற்றும் சிறுகுறிப்புப் பட்டியலை வைத்து, உணர்திறன் உள்ளடக்கத்தை உணர்ச்சியற்றதாகக் குறிக்கவும்.

உங்கள் PDF பக்கங்களை சுழற்றியிருந்தால்

முதலில் ஒருங்கிணைப்பு மாற்றத்தைச் செய்து, பின்னர் உரையைக் கண்டறிய சிறுகுறிப்பு நிலையைப் பயன்படுத்தவும்.

கோப்பு குறியாக்கம் செய்யப்பட்டிருந்தால் அல்லது கட்டமைப்பு ரீதியாக சேதமடைந்திருந்தால்

இந்த தீர்வு பொருந்தாது. உறுதிப்படுத்த, மூலக் கோப்பைத் திறக்க, தொழில்முறைக் கருவிகளைப் பயன்படுத்தவும்.

❓ அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

1. get_text() ஏன் சிறுகுறிப்புகளைக் கொண்டிருக்கவில்லை?

இயல்புநிலை வெளியீடு பொதுவாக பக்க உள்ளடக்கத்தை மட்டுமே கொண்டிருக்கும். சிறுகுறிப்புகள் பக்க உரை ஸ்ட்ரீமில் இருந்து சுயாதீனமான பொருள்கள் மற்றும் page.annots() வழியாக தனித்தனியாக பயணிக்க வேண்டும்.

2. அனைத்து கருத்துகளின் உரையையும் நேரடியாகப் படிக்க முடியுமா?

முடியாது. முன்னிலைப்படுத்துதல் மற்றும் அடிக்கோடிடுதல் போன்ற குறி வகை சிறுகுறிப்புகள் உரையைக் கொண்டிருக்கவில்லை மற்றும் பகுதிகளை மட்டுமே பதிவு செய்ய வேண்டும்; மை மற்றும் கிராஃபிக் குறிப்புகள் உரை பண்புக்கூறுகள் இல்லாமல் இருக்கலாம் மற்றும் தற்காப்புத் தீர்ப்பு தேவைப்படலாம்.

3. பக்கத்தை சுழற்றிய பின் அதன் நிலை ஏன் குழப்பமாக உள்ளது?

சிறுகுறிப்பு செவ்வகம் சுழற்றப்படாத பக்கத்தை அடிப்படையாகக் கொண்டது. உரையை நிலைநிறுத்த நேரடியாகப் பயன்படுத்தினால், அது பிழைகளை ஏற்படுத்தும். நீங்கள் முதலில் ஒருங்கிணைப்பு மாற்றத்திற்கு page.rotation_matrix அல்லது page.derotation_matrix ஐப் பயன்படுத்த வேண்டும்.

4. உள்ளமைக்கப்பட்ட பதில்கள் இழக்கப்படுமா?

PyMuPDF ஒரு தட்டையான பட்டியலை வழங்குகிறது, மேலும் ParentID அடிப்படையில் உரையாடல் மரம் மறுகட்டமைக்கப்படாவிட்டால், சூழல் இழக்கப்படும்.

5. இந்த ஸ்கிரிப்ட் மூலம் என்க்ரிப்ட் செய்யப்பட்ட PDF ஐ செயலாக்க முடியுமா?

குறியாக்கம் செய்யப்பட்ட மற்றும் கடவுச்சொல்லை வழங்காத PDFகள் இந்தத் தீர்வின் எல்லைக்குள் இல்லை மற்றும் கைமுறையாக உறுதிப்படுத்தல் தேவை.

📝 சுருக்கம்

சிறுகுறிப்புகள் PDF இல் ஒரு சுயாதீன தரவு அடுக்கு ஆகும். ஒப்படைப்பதற்கு முன், உரை மற்றும் சிறுகுறிப்புகள் தனித்தனியாக பிரித்தெடுக்கப்பட வேண்டும், மேலும் முக்கிய உள்ளடக்கத்திற்காக சிறுகுறிப்புகள் மதிப்பாய்வு செய்யப்பட வேண்டும். தானியங்கி ஸ்கிரிப்டுகள் பொதுவான நிகழ்வுகளை உள்ளடக்கும், ஆனால் விளிம்பு வழக்குகள் மற்றும் இறுதி ஏற்றுக்கொள்ளல் இன்னும் கைமுறையாக செய்யப்பட வேண்டும்.

இப்போது முயற்சிக்கவும்: அசல் தளவமைப்பைத் தக்கவைத்து, மொழிபெயர்ப்பைத் தொடங்க ஆவணத்தைப் பதிவேற்றவும்