PDF இல் ஒரு தொகையை எவ்வாறு மீட்டெடுப்பது, பக்கத்தில் அதன் நிலை

நகல் தொகைகளை எவ்வாறு கண்டறிவது? ஒரு வாக்கியத்தின் முடிவு

தளவமைப்பு சரிசெய்யப்பட்டால், முதலில் தெரிந்த பகுதியை வரம்பிடவும், பின்னர் உரையைச் சரிபார்த்து, தேர்வாளர்களின் எண்ணிக்கையை தீர்ப்பிற்காக அழைப்பவருக்கு விட்டுவிடவும். வழக்கமான வெளிப்பாடுகளை தொடர்ந்து குவிப்பதை விட விளக்குவது எளிது, மேலும் இது அமைதியான தவறுகளைச் செய்வது குறைவு.

ஒரு அறிக்கையில் ஒரே மாதிரியான இரண்டு தொகைகள்

1,200.00 ஒரு அறிக்கையில் இரண்டு முறை தோன்றும்: ஒரு முறை செலுத்த வேண்டிய தொகை நெடுவரிசையிலும் ஒரு முறை விளக்க உரையிலும். முழு உரைத் தேடலால் அவற்றைக் கண்டறிய முடியும், ஆனால் வணிகத் துறை எது என்பதை உங்களால் தீர்மானிக்க முடியாது.

படிவத் தளவமைப்பு சரி செய்யப்பட்டிருந்தால், வழக்கமான வெளிப்பாட்டைத் தொடர்ந்து சரிசெய்வதை விட, முதலில் அறியப்பட்ட பகுதியைக் கட்டுப்படுத்தி, பின்னர் உரையைத் தேடுவதன் மூலம் விளக்குவது பொதுவாக எளிதாக இருக்கும். முக்கியமானது "ஒரே ஒரு பெட்டியைக் கண்டறிவது" அல்ல, ஆனால் பூஜ்ஜிய வெற்றிகள் மற்றும் பல வெற்றிகள் இரண்டையும் தெளிவான முடிவுகளாகக் கருதுவது, மேலும் நிரல் அங்கீகரிக்கப்படாத தேர்வுகளைச் செய்ய அனுமதிக்காது.

உரையை மட்டும் விட்டுவிடாமல், வார்த்தையின் நிலையை விட்டு விடுங்கள்

PyMuPDF இன் `page.get_text("words")` நிலையுடன் ஒரு சொல் பதிவை வழங்குகிறது, பொதுவான புலம் (x0, y0, x1, y1, text, block_no, line_no, word_no) ஆகும். பின்வரும் எடுத்துக்காட்டு முதல் ஐந்து புலங்களை மட்டுமே எடுக்கும், மேலும் கடைசி மூன்று எண்கள் தற்போதைக்கு பிராந்திய வடிகட்டலில் ஈடுபடவில்லை.

இங்கே "வார்த்தை" என்பது பிரித்தெடுத்தல் மூலம் கொடுக்கப்பட்ட துண்டு ஆகும், இது மொழியியல் அர்த்தத்தில் ஒரு வார்த்தைக்கு சமமாக இருக்க வேண்டிய அவசியமில்லை அல்லது ஒரு தொகை எப்போதும் ஒரு முழுமையான துண்டு என்று உத்தரவாதம் அளிக்கப்படவில்லை. 1,200.00 பிரிக்கப்பட்டிருக்கலாம் அல்லது அருகிலுள்ள குறிச்சொற்களைக் கொண்டிருக்கலாம். இந்த கட்டுரை முழுமையான துண்டுகளின் சரியான பொருத்தத்தை மட்டுமே கையாள்கிறது: சட்டப்பூர்வத் தொகையாக அவற்றை அமைதியாகப் பிரிப்பதை விட, மதிப்பாய்வுக்கான நிபந்தனைகளை பூர்த்தி செய்யாத பதிவுகளை நான் ஒப்படைப்பேன்.

ஒரே அளவு இரண்டு செயற்கை பக்கங்கள் மூலம் சரிபார்க்கவும்

நினைவகத்தில் ஒரு புதிய PDF பக்கத்தை உருவாக்கி, அதே அளவு செங்குத்து ஆயத்தொலைவுகள் 120 மற்றும் 420க்கு அருகில் வைக்கிறோம். வினவல் பகுதி மேலே உள்ள தொகையை மட்டுமே உள்ளடக்கும்.

உரை செருகும் புள்ளி என்பது அடிப்படை நிலை, உரை பெட்டியின் மேல் இடது மூலையில் அல்ல. உண்மையான பெட்டியின் உயரம் மற்றும் அகலம் எழுத்துரு மற்றும் எழுத்துரு அளவு ஆகியவற்றால் பாதிக்கப்படும், எனவே ஆயங்களை ஒரு நிலையான மதிப்பில் கடின குறியிட முடியாது.

சரியான வெளியீடு இரண்டு நிபந்தனைகளை பூர்த்தி செய்ய வேண்டும்:

• வினவல் பகுதியில் ஒரே ஒரு வேட்பாளர் மட்டுமே உள்ளார், மேலும் வேட்பாளர் செவ்வகம் முழுமையாக பகுதியில் சேர்க்கப்பட்டுள்ளது.
• முழுப் பக்கத்திற்கும் வினவல் நோக்கத்தை விரிவுபடுத்திய பிறகு, இரண்டு வேட்பாளர்கள் பெறப்பட வேண்டும், இவ்வாறு தெளிவின்மை கிளைக்குள் நுழைய வேண்டும்.

இறுதியாக, பக்கத்தில் இல்லாத சரம் மூலம் பூஜ்ஜிய வெற்றிகளைச் சரிபார்க்கவும். இது ஒரு வெற்றிகரமான தேடலைக் காட்டுவதை விட உண்மையான இடைமுகத்திற்குத் தேவைப்படும் ஒப்பந்தத்திற்கு நெருக்கமாக உள்ளது.

இயக்கக்கூடிய குறியீடு: விண்ணப்பதாரர்களின் எண்ணிக்கையை அழைப்பாளரிடம் ஒப்படைக்கவும்

சார்புநிலை pymupdf ஆகும், சோதனை சூழலில் பதிப்பை நிறுவி பூட்டவும். பின்வரும் குறியீடு பிணையத்தை அணுகாது, கோப்புகளை எழுதாது மற்றும் அசல் வாடிக்கையாளர் ஆவணத்தை மாற்றாது. இது ஒரு ஆர்ப்பாட்டம் PDF ஐ மட்டுமே உருவாக்குகிறது.

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 க்கு பிராந்தியத்தின் விளிம்பைத் தொடுவதை விட, முழுமையான சேர்க்கை தேவைப்படுகிறது. வினவல் பெட்டி மிகவும் இறுக்கமாக இருந்தால், பக்கத் தொகைகள் பூஜ்ஜிய வெற்றிகளாக விழக்கூடும், இது தானாக முழுப் பக்கத்திற்கு விரிவடைவதற்கு ஒரு காரணம் அல்ல. வரம்பை எவ்வாறு சரிசெய்வது என்பதை தீர்மானிப்பதற்கு முன், பகுதியை அளவிடும் போது பயன்படுத்தப்படும் ஒருங்கிணைப்பு அமைப்பை நீங்கள் சரிபார்க்க வேண்டும்.

வணிகம் மையப் புள்ளி வீழ்ச்சியடைய அனுமதித்தால், கூடுதல் விதிகள் எழுதப்பட வேண்டும் மற்றும் எல்லை ஒன்றுடன் ஒன்று சேர்க்கப்படுவதற்கான கூடுதல் சோதனைகள் செய்யப்பட வேண்டும். அதே செயல்பாட்டில் தீர்ப்பின் அர்த்தத்தை ரகசியமாக மாற்ற வேண்டாம்.

உற்பத்தி தர்க்கம் விதிவிலக்குகளை இடைமறிக்க assert ஐ மட்டுமே நம்பியிருக்கக்கூடாது, ஏனெனில் தேர்வுமுறை முறைகள் வலியுறுத்தல்களை அகற்றலாம். எடுத்துக்காட்டில் உள்ள கூற்றுக்கள் பின்னடைவு சரிபார்ப்புக்கு பயன்படுத்தப்படுகின்றன. உண்மையில் பணி வரிசையை அணுகும்போது, தெளிவான நிபந்தனை கிளைகள் மற்றும் வணிக நிலைகள் பயன்படுத்தப்பட வேண்டும்.

மூன்று முடிவுகள், மூன்று செயலாக்க முறைகள்

வினவல் முடிவுகள் பொதுவாக மூன்று வகைகளாகப் பிரிக்கப்படுகின்றன, ஒவ்வொன்றும் வெவ்வேறு செயலாக்க நடவடிக்கைகள் தேவைப்படுகின்றன:

• ஒரே ஒரு வெற்றி: பகுதியில் ஒரே ஒரு முழுமையான பொருந்தும் துண்டு உள்ளது, மேலும் பக்க எண், அசல் உரை, செவ்வகம் மற்றும் விதி பதிப்பு சேமிக்கப்படும்.
• ஜீரோ ஹிட்: பகுதி தவறாக இருக்கலாம், தொகை பிரிக்கப்பட்டிருக்கலாம் அல்லது உரை அடுக்கு விடுபட்டிருக்கலாம். காரணத்தைக் குறிக்கவும், அசல் பக்கத்தைச் சரிபார்க்கவும், பூஜ்ஜியங்களைச் சேர்க்க வேண்டாம்.
• பல வெற்றிகள்: அதே பகுதியில் நகல் தொகைகள் உள்ளன, அல்லது டெம்ப்ளேட் மாறிவிட்டது, அனைத்து வேட்பாளர்களையும் திருப்பி அனுப்பவும், லேபிள்களை இணைக்கவும் அல்லது கைமுறையாக தெளிவற்ற தெளிவுபடுத்தவும்.

மற்ற இரண்டு சூழ்நிலைகளும் தனித்தனியாக கையாளப்பட வேண்டும்:

• ஒரு சட்டகம் உள்ளது ஆனால் மதிப்பு தவறாக உள்ளது: உரை அடுக்கு தவறாக இருக்கலாம் அல்லது பொருந்தும் இலக்கு தவறாக இருக்கலாம். மதிப்பை ஆயப்படுத்துவதை சரிபார்த்து தடுக்க அசல் பக்கத்திற்கு நீங்கள் திரும்பிச் செல்ல வேண்டும்.
• ஃபிரேம் தேடும் ஆஃப்செட்: காட்சி ஆயங்கள் மற்றும் பிரித்தெடுத்தல் ஆயங்கள் கலக்கப்படலாம், மேலும் சுழற்சி, செதுக்குதல் மற்றும் ரெண்டரிங் அளவிடுதல் ஆகியவற்றின் உருமாற்ற சங்கிலி தெளிவாக இருக்க வேண்டும்.

📊 முக்கிய ஒப்பீடு

இது உலகளாவிய அளவு பிரித்தெடுக்கும் கருவி அல்ல

குறியீடானது நாணயம், ஆயிரக்கணக்கான பிரிப்பான்கள் அல்லது தசம விதிகளை அலசுவதில்லை, அல்லது "இந்தக் காலத்தில் செலுத்த வேண்டியவை" மற்றும் "முந்தைய காலத்தில் இருப்பு" போன்ற சொற்பொருள்களை அங்கீகரிக்கவில்லை. ஒரே ஒரு வேட்பாளர் இருப்பதால் வணிக அர்த்தம் சரியானது என்று அர்த்தமல்ல.

ஸ்கேன் முதலில் கிடைக்கக்கூடிய உரை மற்றும் இருப்பிடத்தையும் கொண்டிருக்க வேண்டும். டெக்ஸ்ட் லேயர் ஆனால் தவறான உள்ளடக்கம் உள்ள பக்கங்களை வெளியிட முடியாது, ஏனெனில் அவை நகலெடுக்கப்படலாம்.

இந்தக் கட்டுரை சுழற்றப்படாத செயற்கைப் பக்கங்களைப் பயன்படுத்துகிறது. உண்மையான பக்கத்தை சுழற்றும்போது, வினவல் பெட்டியானது காட்சித் திரையில் இருந்து வருகிறதா அல்லது பிரித்தெடுக்கப்பட்ட ஆயத்தொலைவுகளிலிருந்து வந்ததா என்பதை முதலில் குறிப்பிட வேண்டும், பின்னர் தேவைப்பட்டால் அதை மாற்றவும். மூலத்தைப் பொருட்படுத்தாமல் மேட்ரிக்ஸால் பெருக்க வேண்டாம்.

மூலப் பக்கங்களைச் சேமிக்கும் போது, அருகில் உள்ள பக்கங்களைத் திறந்த பிறகு ஆதாரம் இல்லை என்று விமர்சகர்கள் தவறாக நினைப்பதைத் தவிர்க்க, பூஜ்ஜிய அடிப்படையிலான குறியீடுகள் மற்றும் மனித-சார்ந்த பக்க எண்களை வேறுபடுத்திப் பார்க்க வேண்டும்.

🎯 எந்த முறை உங்களுக்கு ஏற்றது?

நீங்கள் ஒரு நிலையான தளவமைப்பு படிவத்திலிருந்து எண்களைப் பெற வேண்டும் என்றால்

முதலில் வணிகத் துறை அமைந்துள்ள பகுதியைக் கட்டுப்படுத்தவும், பின்னர் தொகையைத் தேடி, பக்க எண், செவ்வகம் மற்றும் விதி பதிப்பைச் சேமிக்கவும்.

நீங்கள் பல வேட்பாளர்களை சந்தித்தால்

முதலாவதாக நேரடியாக எடுத்துக் கொள்ளாதீர்கள், அனைத்து விண்ணப்பதாரர்களையும் திருப்பி அனுப்புங்கள் மற்றும் லேபிள்கள் அல்லது கைமுறைத் தீர்ப்பின் அடிப்படையில் வணிகத் துறைகளைத் தீர்மானிக்கவும்.

உங்கள் பக்கம் பெரும்பாலும் பூஜ்ஜிய வெற்றிகளைக் கொண்டிருந்தால்

வரம்பை சரிசெய்ய அல்லது வேறு பிரித்தெடுத்தல் வழியைப் பயன்படுத்துவதற்கு முன், பகுதி ஒருங்கிணைப்புகள், தொகை பிரிக்கப்பட்டுள்ளதா மற்றும் உரை அடுக்கு உள்ளதா என்பதைச் சரிபார்க்கவும்.

நீங்கள் ஆவண மொழிபெயர்ப்பு செய்ய விரும்பினால்

தொகை, தேதி, அளவு, போன்ற முக்கிய உள்ளடக்கங்களை கைமுறை மதிப்பாய்வில் இணைத்து, தொழில்நுட்ப ஆய்வு மற்றும் கைமுறை மதிப்பாய்வு ஆகியவற்றுக்கு இடையே தெளிவான உழைப்பைப் பிரித்துக் கொள்ள வேண்டும்.

மொழிபெயர்ப்பிற்குப் பிந்தைய மதிப்பாய்வுக்கான முக்கிய புள்ளிவிவரங்களை விடுங்கள்

ஆவண மொழிபெயர்ப்பு வாக்கியங்கள் சீராக உள்ளதா என்பதைப் பொறுத்தது மட்டுமல்ல, அளவு, தேதி மற்றும் அளவு போன்ற முக்கிய உள்ளடக்கங்களும் ஒவ்வொன்றாக உறுதிப்படுத்தப்பட வேண்டும். OmniDoc (தயாரிப்பு போர்டல்) பல்வேறு ஆவணங்களுக்கான மொழிபெயர்ப்பு போர்டல்களை வழங்குகிறது. அதிகாரப்பூர்வ இணையதளத்தில் அறிமுகப்படுத்தப்பட்ட இருமொழி ஒப்பீட்டை மறுஆய்வு போர்ட்டலாகப் பயன்படுத்தலாம்; ஒருங்கிணைப்பு நிலைப்படுத்தல் ஸ்கிரிப்ட் அசல் உரை ஆதாரங்களைத் தக்கவைத்துக்கொள்வதற்கும் சிக்கல் பகுதிகளைக் கண்டறிய உதவுகிறது.

மதிப்பீட்டிற்காகப் பதிவேற்ற உங்களுக்கு அனுமதியிருக்கும் உணர்ச்சியற்ற மாதிரிகளை முதலில் பயன்படுத்த பரிந்துரைக்கப்படுகிறது. மொழிபெயர்ப்பு நீளமாகும்போது, உள்ளடக்க நிலை நியாயமான முறையில் மாறலாம். "பழைய மற்றும் புதிய ஆயங்கள் சரியாக ஒரே மாதிரியானவை" சரியான மொழிபெயர்ப்பிற்கான கடினமான நிபந்தனையாக கருத முடியாது.

மிகவும் மதிப்புமிக்க காசோலைகள்: தொகை தக்கவைக்கப்பட்டுள்ளதா, நாணயம் தெளிவாக உள்ளதா மற்றும் தொடர்புடைய லேபிள் இன்னும் அதே வணிக அர்த்தத்தை சுட்டிக்காட்டுகிறதா.

❓ அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

1. முதல் வெற்றியை மட்டும் ஏன் எடுக்கக்கூடாது?

முழு உரைத் தேடல் தொகை எங்கு தோன்றும் என்பதை மட்டுமே உங்களுக்குத் தெரிவிக்கும் என்பதால், எந்த இடம் வணிகத் துறை என்பதைத் தீர்மானிக்க முடியாது. முதல் வெற்றியைப் பெறுங்கள், முடிவு சரியாகத் தோன்றலாம், ஆனால் ஆதாரம் தவறாக இருக்கலாம்.

2. வினவல் பெட்டியின் விளிம்பைத் தொடுவதற்குப் பதிலாக ஏன் முழுமையாகச் சேர்க்க வேண்டும்?

முழுமையற்ற துண்டுகளை செல்லுபடியாகும் வெற்றிகளாகக் கருதுவதைத் தவிர்க்க, எடுத்துக்காட்டு முழுமையான சேர்க்கை தீர்மான முறையைப் பயன்படுத்துகிறது. வினவல் பெட்டி மிகவும் இறுக்கமாக இருந்தால் மற்றும் பூஜ்ஜிய வெற்றிகளில் விளைந்தால், முழுப் பக்கத்திற்கு தானாக விரிவடைவதற்குப் பதிலாக ஒருங்கிணைப்பு அமைப்பு மற்றும் வரம்பை முதலில் சரிபார்க்க வேண்டும்.

3. வினவல் முடிவு பூஜ்ஜியமாக இருக்கும்போது நீங்கள் என்ன செய்ய வேண்டும்?

காரணம் வேட்பாளர்களைக் குறிக்கவும் மற்றும் பூஜ்ஜிய திணிப்பு இல்லாமல் அசல் பக்கத்தைச் சரிபார்க்கவும். தவறான பகுதிகள், பிரிப்புத் தொகைகள் அல்லது உரை அடுக்குகள் விடுபட்டால் பூஜ்ஜிய வெற்றிகள் ஏற்படலாம்.

4. உண்மையான பில்களுக்கு இந்தக் குறியீட்டை நேரடியாகப் பயன்படுத்த முடியுமா?

இதை நேரடியாகப் பயன்படுத்த முடியாது. எடுத்துக்காட்டுகள் நாணயம், ஆயிரக்கணக்கான பிரிப்பான்கள் மற்றும் வணிக சொற்பொருளைக் கையாள்வதில்லை, மேலும் இந்த கட்டுரையில் உள்ள செயற்கை எடுத்துக்காட்டுகள் உண்மையான பில்களின் துல்லிய சோதனையைக் குறிக்கவில்லை.

📝 சுருக்கம்

தொகையைக் கண்டறியும் போது, முதலில் அந்தப் பகுதியை வரம்பிடவும், பின்னர் விண்ணப்பதாரர்களின் முழு எண்ணிக்கையையும் தீர்ப்புக்காக அழைப்பாளரிடம் ஒப்படைக்கவும். பூஜ்ஜிய வெற்றிகள் மற்றும் பல வெற்றிகளுக்கான தெளிவான செயலாக்க நடவடிக்கைகள் இருக்க வேண்டும். விதிகளைச் சரிபார்க்க முதலில் உணர்ச்சியற்ற மாதிரிகளைப் பயன்படுத்தவும், பின்னர் படிப்படியாக உண்மையான ஆவணங்களை அணுகவும்.

இப்போது முயற்சிக்கவும்: அசல் தளவமைப்பைத் தக்கவைத்து, மொழிபெயர்ப்பைத் தொடங்க ஆவணத்தைப் பதிவேற்றவும்