PDF இன் உள்ளடக்கப் பக்கத்தின் மீது கிளிக் செய்து, பிரித்தெடுத்த பிறகு அளவை இழந்தால் நான் என்ன செய்ய வேண்டும்?

PDF இன் உள்ளடக்கப் பக்கம் பொதுவாக ரீடரில் திருப்பி விடப்படலாம், ஆனால் ஸ்கிரிப்டைப் பயன்படுத்தி பிரித்தெடுக்கப்பட்ட பிறகு, படிநிலை தட்டையாக இருக்கலாம், பக்க எண்கள் தவறாக இருக்கலாம் அல்லது குறியீட்டு அசாதாரணமாக இருக்கலாம். ஸ்கேன் செய்யப்பட்ட கோப்புகள் அல்லது கோப்புகளை ஒழுங்கற்ற புக்மார்க் கட்டமைப்புகளுடன் இணைக்கும்போது இந்த வகையான சிக்கல் பொதுவானது. பிரித்தெடுத்தல் முடிவுகள் நேரடியாக கீழ்நிலைப் பயனர்களிடம் ஒப்படைக்கப்பட்டால், மொழிபெயர்ப்புப் பிரிவு மற்றும் இணைப்பதில் பிழைகள் ஏற்படலாம்.

இந்தக் கட்டுரை டெவலப்பர்கள் மற்றும் PDF பட்டியல்களைச் செயலாக்க வேண்டிய ஆவணக் குழுக்களுக்கானது. படித்த பிறகு, get_toc() ரிட்டர்ன் மதிப்பின் அர்த்தத்தை நீங்கள் புரிந்து கொள்ளலாம், நிலைகள் மற்றும் பக்க எண்களுக்கான சரிபார்ப்பு விதிகளில் தேர்ச்சி பெறலாம் மற்றும் எந்த சூழ்நிலைகளை கைமுறை சரிபார்ப்பாக மாற்ற வேண்டும் என்பதை அறிந்து கொள்ளலாம். இந்த கட்டுரை செயலாக்க முறையை நிரூபிக்க ஒரு செயற்கை மாதிரியைப் பயன்படுத்துகிறது, மேலும் குறியீடு மாதிரியால் தனிமைப்படுத்தப்பட்ட சூழலில் சரிபார்க்கப்பட்டது, ஆனால் இது அனைத்து உண்மையான கோப்புகள் அல்லது தயாரிப்பு விளைவுகளுக்கு உத்தரவாதம் அளிக்காது. முக்கியமான ஆவணங்களைச் செயலாக்குவதற்கு முன், அசல் ஆவணங்களை வைத்து, உரையில் உள்ள எல்லைகள் மற்றும் ஏற்றுக்கொள்ளும் உருப்படிகளின்படி அவற்றை மதிப்பாய்வு செய்யவும்.

PDF அட்டவணை உள்ளடக்கப் பக்கத்தைக் கிளிக் செய்ய முடியும், ஆனால் பிரித்தெடுத்த பிறகு படிநிலை இழக்கப்பட்டால் நான் என்ன செய்ய வேண்டும்? ஒரு வாக்கியத்தின் முடிவு

முதலில் சரிபார்த்து, பின்னர் எழுதவும்: புக்மார்க் நிலை முதலில் சரிபார்க்கப்பட வேண்டும், முதல் உருப்படி முதல் நிலையாகக் கருதப்படும், அடுத்தடுத்த நிலைகள் முந்தைய உருப்படி மற்றும் ஒன்றுக்கு மேல் இருக்கக்கூடாது, மேலும் எல்லைக்கு அப்பாற்பட்ட பக்க எண்களைக் கொண்ட உள்ளீடுகள் எழுதப்படாது.

பிரித்தெடுத்தல் முடிவு ஏன் நிலைகளை இழக்கிறது?

[level, title, page] டிரிபிள்களின் பட்டியலை வெளியிடுவதற்கு get_toc() இயல்புநிலையாகும். அவற்றில், page என்பது 1 இலிருந்து தொடங்கும் இயற்பியல் பக்க எண்ணாகும், மேலும் level என்பது கூடு கட்டும் ஆழத்தை மட்டுமே குறிக்கிறது மற்றும் தொடர்ச்சி அல்லது சட்டத்திற்கு உத்தரவாதம் அளிக்காது.

மூல PDF ஆனது ஸ்கேன் இணைப்புக் கருவியால் உருவாக்கப்பட்டிருந்தால், பொதுவான சிக்கல்கள் பின்வருமாறு:

• லெவல் ஜம்ப்: எடுத்துக்காட்டாக, நேரடியாக 1 முதல் 3 வரை செல்லவும்
• பக்க எண் விதிவிலக்கு: பக்க எண் 0 அல்லது மொத்த பக்கங்களின் எண்ணிக்கையை மீறுகிறது
• தலைப்பு விதிவிலக்கு: தலைப்பில் கட்டுப்பாட்டு எழுத்துகள் உள்ளன

கீழ்நிலை பணிகளுக்கு நேரடியாகப் பயன்படுத்தினால், அது மொழிபெயர்ப்புப் பிரிவுகளில் குழப்பம் அல்லது இணைப்பு தோல்வியை ஏற்படுத்தும். மிகவும் நயவஞ்சகமாக, சில PDF களில் ஒரு காட்சி உள்ளடக்க அட்டவணை உள்ளது, ஆனால் உட்பொதிக்கப்பட்ட புக்மார்க் மெட்டாடேட்டா இல்லை. get_toc() இந்த நேரத்தில் வெற்றுப் பட்டியலைத் தருவது இயல்பானது, அதற்குப் பதிலாக உரை தளவமைப்பு பகுப்பாய்வு பயன்படுத்தப்பட வேண்டும்.

தன்னிறைவான கலவை உதாரணம்

எடுத்துக்காட்டாக சார்புகளுக்கு இறக்குமதி பட்டியலைப் பார்க்கவும். குறியீடு நினைவகத்தில் உள்ளீட்டை உருவாக்குகிறது, மேலும் ரன் பதிவுகள் தனித்தனியாக வழங்கப்படுகின்றன மற்றும் அனைத்து உண்மையான கோப்புகளின் உத்தரவாதத்தையும் பிரதிநிதித்துவப்படுத்தாது.

import pymupdf
def validate(rows, pages):
    previous = 0
    for level, title, page in rows:
        if type(level) is not int or level < 1 or level > previous + 1:
            raise ValueError("invalid hierarchy")
        if type(page) is not int or not 1 <= page <= pages:
            raise ValueError("invalid destination")
        if not isinstance(title, str) or not title.strip():
            raise ValueError("empty title")
        previous = level
    return rows
with pymupdf.open() as doc:
    for _ in range(3):
        doc.new_page()
    rows = [[1, "Chapter", 1], [2, "Section", 2], [1, "Appendix", 3]]
    doc.set_toc(validate(rows, doc.page_count))
    assert doc.get_toc() == rows
    assert len(doc.get_toc()) == 3
    for bad in [[[2, "Bad", 1]], [[1, "Bad", 99]], [[1, "", 1]]]:
        try:
            validate(bad, doc.page_count)
        except ValueError:
            pass
        else:
            raise AssertionError("invalid outline accepted")

சட்ட மற்றும் சட்டவிரோத உள்ளீடுகளுக்கான செயலாக்க விதிகள்

சரியான உள்ளீடு திருப்திகரமாக இருக்க வேண்டும்: [1, doc.page_count] வரம்பில் தொடர்ச்சியான நிலைகள் மற்றும் பக்க எண்களைக் கொண்ட மூன்று மடங்குகளின் பட்டியல். எடுத்துக்காட்டாக, [[1, "引言", 1], [2, "背景", 2], [1, "方法", 5]] சட்டப்பூர்வமானது, இரண்டாவது நிலை முதல் நிலைக்குப் பிறகு தோன்றும், மேலும் PDF அவுட்லைன் தொடரியல் இணங்குகிறது.

பொதுவான தவறான உள்ளீடுகள் பின்வருமாறு:

• நிலை 0 அல்லது எதிர்மறை
• பக்க எண் 0
• பக்கங்களின் எண்ணிக்கை மொத்த பக்கங்களின் எண்ணிக்கையை மீறுகிறது
• தலைப்பு வெற்று சரம் அல்லது இடைவெளி எழுத்துக்களை மட்டுமே கொண்டுள்ளது

இந்த சூழ்நிலைகளுக்கு, கட்டுரையில் கொடுக்கப்பட்டுள்ள முறைகள் பின்வருமாறு:

1. தவறான பக்க எண்களுடன் உள்ளீடுகளைத் தவிர்த்து எச்சரிக்கையைப் பதிவு செய்யவும்.
2. கட்டமைப்பு ஒருமைப்பாட்டைப் பராமரிக்க, வெற்று தலைப்புகளுக்கு [untitled] போன்ற ஒதுக்கிடங்களை வைத்திருங்கள்.
3. ஒரு பிழையின் காரணமாக முழு கோப்பகத்தின் பாகுபடுத்தலை குறுக்கிட வேண்டாம்.

நிலை 1 க்குக் குறைவாக இருந்தால், இரண்டு உத்திகள் பற்றி அறிந்திருக்க வேண்டும்: சட்டத்திற்குப் புறம்பான நிலைகளை நிராகரித்து தானாகச் சரி செய்யக் கூடாது என்று பரிந்துரைக்கும் எடுத்துக்காட்டுகளின் சுருக்கப் பகுதி, கட்டுரையில் உள்ள விதி விளக்கம் அதை 1 க்கு கட்டாயப்படுத்த வேண்டும். உங்கள் செயல்முறையின்படி இரண்டில் ஒன்றைத் தீர்மானிக்கவும். இந்த விதிகள் கீழ்நிலை செயல்முறைகளின் வலிமையை உறுதிப்படுத்த வடிவமைக்கப்பட்டுள்ளது மற்றும் PDF தரநிலையின் கட்டாயத் தேவைகள் அல்ல. உண்மையான சோதனையில், பக்க எண் எல்லையைத் தாண்டும்போது, PyMuPDF எச்சரிக்கையை அச்சிடும், ஆனால் விதிவிலக்கு அளிக்காது. எனவே, சரிபார்ப்பு செயல்பாடு தீவிரமாக வடிகட்ட வேண்டும் மற்றும் நூலகத்தின் நடத்தையை நம்பியிருக்க முடியாது.

📊 முக்கிய ஒப்பீடு

வெவ்வேறு ஆவண சூழ்நிலைகளில், get_toc() இன் முடிவுகள் மற்றும் பரிந்துரைக்கப்பட்ட செயலாக்க முறைகள் வேறுபட்டவை:

ஏற்றுக்கொள்ளும் அளவுகோல்கள் மற்றும் கையேடு மதிப்பாய்வு எல்லைகள்

கீழே உள்ள அட்டவணை PDF பட்டியல் மெட்டாடேட்டாவின் பிரித்தெடுத்தல் கட்டத்தில் மட்டுமே கவனம் செலுத்துகிறது:

குறியீடு ஆர்ப்பாட்டம் கட்டமைப்பு சட்டபூர்வத்தன்மையை மட்டுமே சரிபார்க்கிறது என்பதை நினைவில் கொள்க; தாவல்களின் துல்லியத்தை சரிபார்க்க இறுதி முதல் இறுதி விளைவுகள் ரெண்டரிங் உடன் இணைக்கப்பட வேண்டும்.

🎯 எந்த முறை உங்களுக்கு பொருத்தமானது?

நீங்கள் தொகுதி பிரித்தெடுக்க கோப்பகங்கள் தேவைப்பட்டால்

முதலில், get_toc() இன் முடிவுகளில் கட்டமைப்பு சரிபார்ப்பைச் செய்யவும், பின்னர் அவற்றை அடுத்தடுத்த பணிப்பாய்வுகளில் எழுதவும், சரிபார்ப்புக்காக பதிவுகளை வைத்திருங்கள்.

உங்கள் PDF பார்வைக்கு உள்ளடக்க அட்டவணையைக் கொண்டிருந்தால், ஆனால் காலியாக பிரித்தெடுக்கப்பட்டால்

get_toc() ஐ மீண்டும் மீண்டும் முயற்சிக்க வேண்டாம்; உரை தளவமைப்பு பகுப்பாய்வு மற்றும் செயலாக்கத்திற்கு மாறவும்.

உங்கள் கோப்பக உள்ளீடு ஒரே பெயர் ஆனால் வெவ்வேறு பக்கங்களைக் கொண்டிருந்தால்

இந்த உள்ளீடுகளை கைமுறையாக சரிபார்க்கவும்; பக்க எண்களில் ஒன்றை தானாக தேர்ந்தெடுக்க வேண்டாம்.

நீங்கள் ஆவணங்களை மொழிபெயர்ப்பு செயல்முறைக்கு ஒப்படைக்க விரும்பினால்,

முதலில், பத்தி குழப்பத்தைத் தவிர்ப்பதற்காக மொழிபெயர்ப்பதற்கு முன் சரியான உள்ளடக்க அமைப்பு மற்றும் பக்க எண்களின் சரியான அட்டவணையை உறுதிப்படுத்தவும்.

❓ அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

1. பக்க எண் ஏன் 1 இல் தொடங்குகிறது, அதே நேரத்தில் பக்க குறியீடுகள் வழக்கமாக 0 இல் தொடங்குகின்றன?

புக்மார்க் பக்க எண்கள் 1 இல் தொடங்கும் இயற்பியல் பக்க எண்கள், அதே நேரத்தில் PyMuPDF போன்ற நூலகங்களில் பக்கக் குறியீடுகள் பொதுவாக 0 இலிருந்து தொடங்குகின்றன. மாற்றும் போது இந்த வேறுபாடு முக்கியமானது, இல்லையெனில் பக்க எண்கள் தவறாக சீரமைக்கப்படலாம்.

2. get_toc(): வெற்று பட்டியலைத் திருப்பித் தருவது ஒரு கோப்பு சிக்கலைக் குறிக்கிறதா?

அவசியமில்லை. சில PDFகளில் பார்வைக்கு உள்ளடக்க அட்டவணை பக்கம் உள்ளது, ஆனால் உட்பொதிக்கப்பட்ட புக்மார்க் மெட்டாடேட்டா இல்லை, எனவே வெற்று பட்டியலைத் திருப்பித் தருவது இயல்பு. இந்த வழக்கில், அதற்கு பதிலாக உரை தளவமைப்பு பகுப்பாய்வு பயன்படுத்தப்பட வேண்டும்.

3. பக்க எண் எல்லைக்கு அப்பாற்பட்டால், நூலகம் உடனடியாக பிழையைப் புகாரளிக்குமா?

இல்லை. இந்த கட்டுரையில் உள்ள சோதனைகள் பக்க எண்கள் எல்லைக்கு வெளியே செல்லும்போது PyMuPDF எச்சரிக்கைகளை அச்சிடுகிறது என்பதைக் காட்டுகின்றன, ஆனால் விதிவிலக்குகளை வீசாது, எனவே சரிபார்ப்பு செயல்பாடு தீவிரமாக வடிகட்ட வேண்டும்.

4. படிநிலை தாவல்கள் (1 முதல் 3 வரை நேராக செல்வது போன்றவை) நடுத்தர அடுக்குகளை நிரப்ப வேண்டுமா?

கட்டுரையில் உள்ள பரிந்துரை அசல் படிநிலையைத் தக்கவைத்துக் கொள்ள வேண்டும் மற்றும் நடுத்தர அடுக்குகளை நிரப்பக்கூடாது, ஏனெனில் இந்த அமைப்பு இன்னும் முறையானது.

📝 சுருக்கம்

PDF கோப்பகங்களின் படிநிலை மற்றும் பக்க எண்கள் பயன்படுத்துவதற்கு முன் சரிபார்க்கப்பட வேண்டும், எனவே get_toc() இன் அசல் வெளியீட்டை நேரடியாக நம்பகமான கட்டமைப்பாக கருத முடியாது. தெளிவின்மைகள் அல்லது புக்மார்க்குகள் இல்லாததை எதிர்கொள்ளும்போது, உடனடியாக கையேடு உழைப்புக்கு மாறவும் அல்லது கீழ்நிலை செயல்முறை பிழைகளைத் தவிர்க்க பிற முறைகளுக்கு மாறவும்.

இப்போது அனுபவம்: மொழிபெயர்க்கத் தொடங்க உங்கள் ஆவணத்தைப் பதிவேற்றவும், அசல் வடிவமைப்பைப் பாதுகாக்கவும்

குறிப்புகள் மற்றும் அடுத்த படிகள்

• PyMuPDF Document.get_toc அதிகாரப்பூர்வ ஆவணங்கள்

அடுத்த கட்டம், அறியப்பட்ட கோப்பக சிக்கல்களைக் கொண்ட சோதனை PDF ஐத் தயாரிப்பது, மேலே உள்ள சரிபார்ப்பு ஸ்கிரிப்டை இயக்குவது மற்றும் பல்வேறு முரண்பாடுகளின் விகிதத்தைக் கணக்கிடுவது. அடிக்கடி படிநிலை தவிர்ப்புகள் அல்லது பக்க எண் ஆஃப்செட்டுகள் இருந்தால், மொழிபெயர்ப்புக்கு முன் உள்ளடக்க புனரமைப்பு படி அட்டவணையைச் சேர்ப்பதைக் கவனியுங்கள்.

ஆவண மொழிபெயர்ப்புக்கு இந்த சரிபார்ப்பு பட்டியலைப் பயன்படுத்தவும்

முதலில், பக்க வரிசை, மூல இருப்பிடம் மற்றும் உரை ஒருமைப்பாட்டை கவனமாக சரிபார்க்கவும், பின்னர் மொழிபெயர்ப்பு செயல்முறைக்கு அதே உணர்திறன் மாதிரியை சமர்ப்பிக்கவும். மொழிபெயர்ப்புக்குப் பிறகு, தலைப்பு, முதன்மை வசனம், தலைப்புகள் ஆகியவை சரியாக ஒத்துப்போகின்றனவா என்பதை சோதித்துப் பார்ப்பது இன்னும் அவசியம்; வசனத்தின் மென்மையைக் கொண்டு மட்டுமே தீர்மானிப்பது போதாது.

OmniDoc பல வடிவ ஆவண மொழிபெயர்ப்பு போர்ட்டல்களை வழங்குகிறது, மேலும் அதிகாரப்பூர்வ இணையதளம் OCR, சொற்களஞ்சியங்கள் மற்றும் இருமொழி குறிப்பு அம்சங்களை அறிமுகப்படுத்துகிறது. கோப்புகளிலிருந்து நேரடியாகத் தொடங்க விரும்பும் அணிகளுக்கு, இது உண்மையான மாதிரிகளுடன் மதிப்பீடு செய்ய வேண்டிய பாதையாகும். இந்த கட்டுரையில் உள்ள சரிபார்ப்பு பட்டியலுடன் பதிவேற்ற மற்றும் முடிவுகளை சரிபார்க்க நீங்கள் அங்கீகரித்த அநாமதேய கோப்பைப் பயன்படுத்தவும். OmniDoc இந்த கட்டுரையிலிருந்து திறந்த மூல நூலகம் அல்லது உள் வழிமுறைகளைப் பயன்படுத்துகிறது என்று இது கூறவில்லை, அல்லது இது தயாரிப்பு செயல்திறன் சோதனையை எடுத்துக்காட்டுகளுடன் மாற்றாது.