இரட்டை நெடுவரிசை PDF ஏன் தொடர்ச்சியாக பிரித்தெடுக்கப்படுகிறது? முதலில் ஆயங்களை வைத்து, பின்னர் வாசிப்பு வரிசையைப் பற்றி பேசுங்கள்

இரட்டை நெடுவரிசை PDF களில் இருந்து பிரித்தெடுக்கப்பட்ட உரை வரிசைகள் பெரும்பாலும் தவறாக அங்கீகரிக்கப்படவில்லை, ஆனால் தவறான வரிசையில் படிக்கப்படுகின்றன. காகிதங்கள் மற்றும் அறிக்கைகள் போன்ற இரட்டை நெடுவரிசை PDF களில் இருந்து உரையைப் பிரித்தெடுத்து, பின்னர் அவற்றை மொழிபெயர்க்க அல்லது ஒழுங்கமைக்க வேண்டிய வாசகர்களுக்காக இந்தக் கட்டுரை உள்ளது.

வாசகர்கள் வழக்கமாக இந்த சூழ்நிலையை எதிர்கொள்கின்றனர்: இடது நெடுவரிசையின் பாதியில், அடுத்த வாக்கியம் வலது நெடுவரிசையில் சூத்திர விளக்கத்துடன் தொடரும். எழுத்துக்கள் அனைத்தும் சரியாக அடையாளம் காணப்படலாம், ஆனால் ஒழுங்கு சீர்குலைந்துள்ளது. இந்தக் கட்டுரை முதலில் ஏன் வரிசைப்படுத்தல் நிகழ்கிறது என்பதை விளக்குகிறது, பின்னர் ஆயப் பகிர்வு மூலம் ஒழுங்கை எவ்வாறு மறுசீரமைப்பது என்பதை நிரூபிக்க ஒரு செயற்கை உதாரணத்தைப் பயன்படுத்துகிறது. இறுதியாக, இது உங்கள் சொந்த கோப்புகளில் பயன்படுத்தப்படுமா என்பதை நீங்கள் தீர்மானிக்க உதவும் பொருந்தக்கூடிய எல்லைகள் மற்றும் ஏற்றுக்கொள்ளும் பட்டியலை வழங்குகிறது.

இரட்டை நெடுவரிசை PDF ஏன் தொடர்ச்சியாக பிரித்தெடுக்கப்படுகிறது? ஒரு வாக்கியத்தின் முடிவு

முதலில் ஆய மற்றும் மூலப் பக்கத்தை வைத்து, பின்னர் பிராந்திய விதிகளின்படி வரிசைப்படுத்தவும். முழுப் பக்கத்தையும் ஒரு நீண்ட சரத்தில் நேரடியாக சுருக்க வேண்டாம்.

ஏன் ஆர்டர் குளறுபடி?

PDF உரையின் ஒவ்வொரு பத்தியின் நிலையையும் பதிவு செய்கிறது, "இது எந்தப் பத்தி மற்றும் எந்த நெடுவரிசையைச் சேர்ந்தது?" பிரித்தெடுத்தல் கருவியானது ஆயத்தொகுப்புகளால் வெளியிடப்படும் போது, பகுதி விதிகள் இல்லை என்றால், இடது மற்றும் வலது நெடுவரிசைகளில் உள்ள உரை ஒன்றுடன் ஒன்று இணைக்கப்படலாம்.

இத்தகைய சிக்கல்கள் அடையாளம் காணும் கட்டத்தில் எழ வேண்டிய அவசியமில்லை. ஒருவேளை வார்த்தைகள் அனைத்தும் சரியாக குறிப்பிடப்பட்டிருக்கலாம், ஆனால் தவறான வரிசையில். எனவே, தீர்வு யோசனையானது, அங்கீகாரம் அல்லது மொழிபெயர்ப்பு இணைப்புகளை மீண்டும் மீண்டும் மாற்றுவதை விட, வரிசைப்படுத்துதல் மற்றும் மண்டலப்படுத்துதல் ஆகியவற்றில் கவனம் செலுத்த வேண்டும்.

முதலில் ஆயங்களை வைத்து, பின்னர் வாசிப்பு வரிசையைப் பற்றி பேசுங்கள்

வரிசைப்படுத்தும் சிக்கலைத் தீர்ப்பதற்கு முன், உரையின் ஆயத்தொலைவுகள் மற்றும் தோற்றப் பக்கத்தைப் பாதுகாக்கவும். முழுப் பக்கத்தையும் ஒரு நீண்ட சரத்தில் சுருக்க அவசரப்பட வேண்டாம்.

• பகுதி உரிமையின் அடுத்தடுத்த தீர்ப்பை எளிதாக்க ஒவ்வொரு உரைத் தொகுதியின் நான்கு ஆயங்களை வைத்திருங்கள்.
• பின்தொடருதல் மற்றும் கைமுறை சரிபார்ப்பை எளிதாக்க, மூலப் பக்க எண்ணை வைத்திருங்கள்.
• பிராந்தியத் தகவல் தொலைந்துவிட்டால், அடுத்தடுத்த மொழிபெயர்ப்புகள் தவறான சூழலைப் பெறும், மேலும் ஒரு மொழிபெயர்ப்பு மாதிரியை மாற்றுவது அதைச் சரிசெய்ய முடியாமல் போகலாம்.

வரிசை=உண்மையானது முயற்சி செய்யத் தகுந்தது, ஆனால் அது ஒரு தளவமைப்புப் புரிதல் அல்ல

PyMuPDF ஆனது உரை, சொற்கள், தொகுதிகள் போன்ற பல்வேறு பிரித்தெடுத்தல் வடிவங்களை வழங்குகிறது. sort இன் குறிப்பிட்ட செயலாக்கமானது வெளியீட்டு வகை மற்றும் பதிப்பைப் பொறுத்து மாறுபடும். இது ஒரு நிலையான தட்டச்சு நெறிமுறை என பொதுவாக விவரிக்க முடியாது, மேலும் அனைத்து ஆவணங்களின் வாசிப்பு வரிசையை மீட்டெடுப்பதாக உறுதியளிக்க முடியாது.

பயன்பாட்டிற்கான பரிந்துரைகள் பின்வருமாறு:

• விதிகள் பக்கத்திற்கு, நீங்கள் முதலில் வரிசைப்படுத்துதல் மற்றும் முடக்குதல் முடிவுகளை ஒப்பிடலாம்.
• குறுக்கு நெடுவரிசை தலைப்புகள், பக்க குறிப்புகள் மற்றும் அடிக்குறிப்புகள் கொண்ட பக்கங்களுக்கு, பகுதி உறவை மீண்டும் சரிபார்க்க வேண்டும்.
• PDF இல் கட்டமைப்பு குறிச்சொற்கள் இருக்கலாம், ஆனால் தற்போது பயன்படுத்தப்படும் பிரித்தெடுத்தல் இடைமுகம் உங்களுக்குத் தேவையான சொற்பொருள் பத்தி மரத்தை தானாகவே வழங்கும் என்று இது அர்த்தப்படுத்துவதில்லை.

இந்த கட்டுரை உலகளாவிய தளவமைப்பு அங்கீகாரத்தை செயல்படுத்தவில்லை, ஆனால் "ஏற்கனவே இருக்கும் பிராந்திய விதிகளுக்குப் பிறகு எப்படி வரிசைப்படுத்துவது" என்பதை மட்டுமே விளக்குகிறது மற்றும் திறன்களின் எல்லைகளை தெளிவாக விளக்குகிறது. இடைமுகம் மற்றும் பிரித்தெடுத்தல் படிவத்திற்கு, தயவுசெய்து PyMuPDF அதிகாரப்பூர்வ உரை பிரித்தெடுத்தல் கையேடு ஐப் பார்க்கவும்.

சிக்கலை விளக்க ஐந்து தொகுக்கப்பட்ட உரைத் தொகுதிகளைப் பயன்படுத்தவும்

எடுத்துக்காட்டுப் பக்கம் 600 புள்ளிகள் அகலமானது, நெடுவரிசைகளுக்கு இடையே 300-புள்ளி எல்லை உள்ளது; மேலே உள்ள 80 புள்ளிகளுக்குள் குறுக்கு நெடுவரிசை தலைப்புப் பகுதி, அதற்குக் கீழே உரைப் பகுதி. உள்ளீடு வேண்டுமென்றே துருவப்படுகிறது: வலது நெடுவரிசையில் இரண்டாவது பத்தி முதலில் வருகிறது, இடது நெடுவரிசையில் முதல் பத்தி கடைசியாக வருகிறது. ஒவ்வொரு டூபிளிலும் செவ்வகத்தின் நான்கு ஆயங்கள் மற்றும் உரை உள்ளது. இது விளக்கக்காட்சி நோக்கங்களுக்காக வரையறுக்கப்பட்ட எளிமைப்படுத்தப்பட்ட கட்டமைப்பாகும் மற்றும் get_text("blocks") இன் முழு வருவாய் மதிப்புக்கு சமமானதாக இல்லை.

எதிர்பார்க்கப்படும் முடிவு இருக்க வேண்டும்: தலைப்பு, இடது நெடுவரிசையில் முதல் பத்தி, இடது நெடுவரிசையில் இரண்டாவது பத்தி, வலது நெடுவரிசையில் முதல் பத்தி, வலது நெடுவரிசையில் இரண்டாவது பத்தி. நெடுவரிசையின் எல்லைகளைக் கடக்கும் உரைத் தொகுதிகள், அமைதியாக நிராகரிக்கப்படுவதற்குப் பதிலாக அல்லது இடது நெடுவரிசையில் ஷூஹார்ன் செய்யப்படுவதற்குப் பதிலாக விதிவிலக்குப் பட்டியலுக்குச் செல்ல வேண்டும்.

முழுமையாக இயக்கக்கூடிய ஒரு சிறிய உதாரணம்

பின்வரும் எடுத்துக்காட்டுகள் பைதான் நிலையான நூலகத்தை மட்டுமே பயன்படுத்துகின்றன. PyMuPDF உடன் இணைக்கும்போது, பிளாக் பிரித்தெடுத்தல் முடிவுகளிலிருந்து முதல் ஐந்து புலங்களை வைத்து, முதலில் உரை அல்லாத தொகுதிகளை விலக்கலாம். எடுத்துக்காட்டு வெளிப்புறக் கோப்புகளைத் திறக்காது, OCR தேவையில்லை, மேலும் நெடுவரிசை எல்லைகளைத் தானாக ஊகிக்காது.

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")

எடுத்துக்காட்டில் உள்ள 80 மற்றும் 300 ஆகியவை இந்தக் கூட்டுப் பக்கத்தில் உள்ள அமைப்புகளிலிருந்து வந்தவை மற்றும் அனைத்து PDF களுக்கும் பொருந்தும் அனுபவ வரம்புகள் அல்ல. அடுத்த பக்கத்தின் இடது மற்றும் வலது நெடுவரிசைகளின் அகலம் மாறும்போது, முந்தைய பக்கத்தின் அளவுருக்கள் பயன்படுத்தப்பட்டால், "நிரல் சாதாரணமாக இயங்குகிறது, ஆனால் உள்ளடக்கம் தவறாக உள்ளது". பிராந்திய விதிகள் பக்கத்தைப் பின்பற்ற வேண்டும், குறைந்தபட்சம் விதி பதிப்பு மற்றும் பக்க அளவை பதிவு செய்ய வேண்டும்.

📊 முக்கிய ஒப்பீடு

ஏற்றுக்கொள்ளும் போது பிழைகளை மட்டும் பார்க்க வேண்டாம்

உண்மையான காகிதங்களில், இது போன்ற ஒரு கட்டமைப்பும் தோன்றலாம்: நடுவில் ஒரு தடை வரைபடத்தைச் செருகவும், படத்திற்கு கீழே உள்ள இரட்டை நெடுவரிசையை மறுதொடக்கம் செய்யவும். இந்த கட்டத்தில், நீங்கள் முதலில் பக்கத்தை மேல் மற்றும் கீழ் பிரிவுகளாகப் பிரித்து, பின்னர் அவற்றை தனித்தனியாக வரிசைப்படுத்த வேண்டும். இந்த கட்டுரையில் ஒரு முறை மூன்று பிரிவு பகிர்வு போதுமானதாக இல்லை. சீன செங்குத்து தளவமைப்பு, வலமிருந்து இடது உரை மற்றும் சிக்கலான எல்லை குறிப்புகள் இங்கே திசைகளைப் படிக்க பயன்படுத்தக்கூடாது.

🎯 எந்த முறை உங்களுக்கு பொருத்தமானது?

நீங்கள் ...... என்றால்

• விதிகளை மட்டுமே கையாள வேண்டிய ஒற்றை அல்லது இரட்டை நெடுவரிசை பக்கங்கள் மட்டும்: முதலில் sort ஐ இயக்குதல் மற்றும் மூடுவதற்கான முடிவுகளை ஒப்பிடுகையில், பின்னர் பகிர்வு விதிகளைப் பயன்படுத்தலாமா என்பதை முடிவு செய்யுங்கள்.
• குறுக்குபட்டி தலைப்புகள், விளக்கப்படங்கள் அல்லது அடிக்குறிப்புகளுடன் காகிதங்களைக் கையாளுதல்: பக்கங்களை பிரிவு வாரியாகப் பிரித்து, குறுக்குப்பட்டி உள்ளடக்கத்திற்கான விதிவிலக்கு பட்டியல்களை அமைக்கவும்.
• நீங்கள் மொழிபெயர்ப்பை மற்றவர்களிடம் ஒப்படைக்க வேண்டும்: ஆயத்தொலைவுகள் மற்றும் பக்க எண்களை வைத்திருங்கள், ஏற்றுக்கொள்ளும் சரிபார்ப்பு பட்டியலின்படி ஒவ்வொரு உருப்படியையும் சரிபார்க்கவும், செயல்பாடு பிழையா என்று மட்டும் பார்க்க வேண்டாம்.
• ஸ்கிரிப்ட்களை நீங்களே பராமரிக்க விரும்பவில்லை என்றால்: நீங்கள் நேரடியாக ஆயத்த ஆவண மொழிபெயர்ப்பு கருவிகளைப் பயன்படுத்தலாம் மற்றும் அதே தொடர் சரிபார்ப்பு பட்டியலுடன் மொழிபெயர்ப்பைச் சரிபார்க்கலாம்.

OmniDoc மொழிபெயர்ப்பு பணிப்பாய்வு பெறுவது எப்படி

சுயமாக கட்டப்பட்ட ஸ்கிரிப்ட்களின் மதிப்பு ஏற்றுக்கொள்ளும் விதிகளை தெளிவாகக் கூறுவதில் உள்ளது; ஆயத்த மொழிபெயர்ப்பு கருவிகளின் மதிப்பு ஆவணங்கள் மற்றும் மொழிபெயர்ப்புகளுக்கு இடையிலான படிகளைக் குறைப்பதில் உள்ளது. இரண்டும் முரண்படவில்லை. OmniDoc (தயாரிப்பு நுழைவு) ஒரு ஆவண மொழிபெயர்ப்பு போர்ட்டலை வழங்குகிறது, மேலும் அதிகாரப்பூர்வ வலைத்தளம் OCR, சொற்கள் மற்றும் இருமொழி ஒப்பீடு போன்ற அம்சங்களையும் அறிமுகப்படுத்துகிறது. அதே சரிபார்ப்பு பட்டியல்களின் தொகுப்பைப் பயன்படுத்தி மொழிபெயர்ப்பைப் பதிவேற்றும் சரிபார்க்கும் உரிமையுடன் ஒரு உணர்திறன் இல்லாத காகிதத்தைத் தேர்ந்தெடுக்கலாம்.

முக்கிய காசோலைகள் பின்வருமாறு:

• தடை தலைப்பிற்குப் பிறகு தொடக்க வாக்கியம் இணைக்கப்பட்டுள்ளதா என்று சரிபார்க்கவும்.
• தலைப்புகள் முதன்மை உரையில் இணைக்கப்பட்டுள்ளனவா?
• அடிக்குறிப்பு குறிப்புகள் இன்னும் சரியான நிலைப்பாடுகளுடன் ஒத்துப்போகின்றனவா என்று சரிபார்க்கவும்.

இது டெலிவரி முடிவுகளை மதிப்பிடுகிறது, OmniDoc இன் உள் வழிமுறைகளை ஊகிக்கவில்லை. முடிவு தேவைகளைப் பூர்த்தி செய்யவில்லை என்றால், தயவுசெய்து அசல் பக்கம் மற்றும் பிழை பகுதியை வைத்திருங்கள், முதலில் சிக்கல் அடையாளம், வரிசைப்படுத்தல் அல்லது மொழிபெயர்ப்பில் உள்ளதா என்பதை அடையாளம் காணவும், பின்னர் அதை எவ்வாறு சரிசெய்வது என்பதை முடிவு செய்யுங்கள்.

❓ அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

1. இரட்டை நெடுவரிசை PDF தொடர் - அது தவறாக அடையாளம் காணப்படுகிறதா?

அவசியமில்லை. எல்லா எழுத்துக்களும் சரியாக அடையாளம் காணப்படலாம்; சிக்கல்கள் பெரும்பாலும் வாசிப்பு வரிசையில் உள்ளன, எனவே நீங்கள் முதலில் வரிசை மற்றும் பகுதி விதிகளை சரிபார்க்க வேண்டும்.

2. sort=True: இரட்டை நெடுவரிசை ஆர்டர் சிக்கலை நேரடியாக தீர்க்க முடியுமா?

அதை பொதுமைப்படுத்த முடியாது. வெளியீட்டு வகை மற்றும் பதிப்பைப் பொறுத்து sort இன் கையாளுதல் மாறுபடும். இது ஒரு தளவமைப்பு புரிதல் அல்ல மற்றும் அனைத்து ஆவணங்களின் வாசிப்பு வரிசையை மீட்டெடுப்பதாக உறுதியளிக்க முடியாது. விதி பக்கங்களுக்கு, நீங்கள் முதலில் அதை முயற்சி செய்யலாம்; குறுக்குவெட்டு உள்ளடக்கம் கொண்ட பக்கங்களுக்கு, நீங்கள் பிராந்திய உறவுகளையும் சரிபார்க்க வேண்டும்.

3. முழு பக்கத்தையும் ஏன் ஒரு நீண்ட சரமாக சுருக்க முடியாது?

ஆயத்தொலைவுகள் மற்றும் பகுதி தகவல்கள் இழக்கப்பட்டவுடன், அடுத்தடுத்த மொழிபெயர்ப்புகள் தவறான சூழலை மட்டுமே பெறுகின்றன, மேலும் வேறு மொழிபெயர்ப்பு மாதிரி கூட அதை சரிசெய்ய முடியாமல் போகலாம்.

4. உதாரணத்தில் உள்ள 80 மற்றும் 300 புள்ளிகளை நேரடியாக மற்ற PDFகளுக்கு பயன்படுத்த முடியுமா?

இல்லை. இவை இந்த கலப்புப் பக்கத்திற்கான அமைப்புகள் மட்டுமே. பக்க அளவு அல்லது நெடுவரிசை அகலம் மாறும் போது, விதி பதிப்பு சரிபார்க்கப்பட்டு ஒரு பக்கத்திற்கு தனித்தனியாக பதிவு செய்யப்பட வேண்டும்.

📝 சுருக்கம்

இரட்டை நெடுவரிசை PDF ஆர்டர் சிக்கல்களுக்கு, ஆயத்தொலைவுகள் மற்றும் மூல பக்கங்கள் முதலில் பாதுகாக்கப்பட வேண்டும், பின்னர் பிராந்திய விதிகளுடன் கையாளப்பட வேண்டும், மேலும் ஒவ்வொரு உருப்படியும் ஏற்றுக்கொள்ளும் சரிபார்ப்பு பட்டியலின்படி சரிபார்க்கப்பட வேண்டும். சுயமாக கட்டமைக்கப்பட்ட ஸ்கிரிப்ட்கள் விதிகளை தெளிவாக எழுதுவதற்கு ஏற்றவை, அதே நேரத்தில் செயல்பாட்டு படிகளைக் குறைக்க ஆயத்த கருவிகள் சிறந்தவை; இரண்டையும் ஒன்றாகப் பயன்படுத்தலாம்.

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