pypdf ஸ்கேன் செய்யப்பட்ட ஆவணத்திலிருந்து உரையைப் பிரித்தெடுக்க முடியாது. அளவுருக்களை மாற்றுவதன் மூலம் அதை தீர்க்க முடியாது.

pypdf ஆனது உரையைப் பிரித்தெடுக்க முடியாதபோது, பிரச்சனை பொதுவாக அளவுருக்களில் இருக்காது. இது PDF இல் உரைப் பொருட்களைப் படிக்கிறது. பக்கம் அடிப்படையில் ஒரு படமாக இருந்தால், அளவுருக்களை சரிசெய்வதன் மூலம் இல்லாத எழுத்துக்களைப் படிக்க முடியாது. இந்தக் கட்டுரை டெவலப்பர்கள் மற்றும் ஆவணப் பணியாளர்களுக்காக எழுதப்பட்டது, அவர்கள் PDFகளை தொகுதிகளாகச் செயலாக்க வேண்டும் மற்றும் "வார்த்தைகள் உள்ளன ஆனால் பிரித்தெடுத்தல் காலியாக உள்ளது". படித்த பிறகு, டெக்ஸ்ட் லேயர் உள்ளதா மற்றும் அது செல்லுபடியாகுமா என்பதை பக்கம் வாரியாகத் தீர்மானிக்க நிரலைப் பயன்படுத்தலாம், மேலும் அதை நேரடியாகப் பயன்படுத்தலாமா, OCR ஐ உள்ளிடலாமா அல்லது கைமுறை மதிப்பாய்வுக்கு மாற்றலாமா என்பதைத் தீர்மானிக்கலாம்.

கீழே உள்ள எடுத்துக்காட்டுகள் அனைத்தும் செயற்கை மாதிரிகளைப் பயன்படுத்தி நிரூபிக்கப்பட்டுள்ளன. 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.

pypdf இலிருந்து உரையைப் பிரித்தெடுக்க முடியவில்லையா? ஒரு வாக்கியத்தின் முடிவு

குறுகிய அல்லது வெற்று உரை என்பது கூடுதல் ஆய்வுக்கான ஒரு சமிக்ஞை மட்டுமே மற்றும் ஸ்கேன் செய்வதற்கு நேரடியாக சமமானதல்ல. pypdf இன் உரை பிரித்தெடுத்தல் OCR அல்ல. அடுத்த செயலாக்க முறையைத் தீர்மானிப்பதற்கு முன், பக்கம் வாரியாக உரை அடுக்கின் உண்மையான நிலையை நீங்கள் தீர்மானிக்க வேண்டும்.

உரை பாகுபடுத்துதல் மற்றும் படத்தை அறிதல் ஆகியவற்றுக்கு இடையேயான தொழில்நுட்ப வேறுபாடு

பலர் பிரித்தெடுத்தல் தோல்வியை சந்திக்கும் போது, அவர்களின் முதல் எதிர்வினை extraction_mode="layout" காணவில்லையா அல்லது சுழற்சி கோணம் குறிப்பிடப்பட வேண்டுமா என்பதைச் சரிபார்ப்பதாகும். ஆனால் பெரும்பாலான பொறியியல் சூழல்களில், இது அளவுரு சிக்கலைக் காட்டிலும் கருவித் தேர்வில் பொருந்தாதது. pypdf என்பது ஒரு PDF உள்ளடக்க ஸ்ட்ரீம் பாகுபடுத்தி, கோப்பில் உட்பொதிக்கப்பட்ட உரை பொருள் வழிமுறைகளைப் படிக்கிறது. PDF அடிப்படையில் ஒரு படம் (ஸ்கேன்) என்றால், பிரித்தெடுத்தல் பயன்முறை எவ்வாறு சரி செய்யப்பட்டாலும், எழுத்துக்களை காற்றில் இருந்து படிக்க முடியாது.

இதைப் புரிந்து கொள்ள, முதலில் PDF இன் அசல் வடிவமைப்பு நோக்கத்தை நாம் அங்கீகரிக்க வேண்டும். PDF ஆனது துல்லியமான அச்சிடுதல் மற்றும் காட்சி விளக்கக்காட்சிக்காக வடிவமைக்கப்பட்டுள்ளது, கட்டமைக்கப்பட்ட தரவு சேமிப்பிற்காக அல்ல. டிஜிட்டல் நேட்டிவ் PDF ஆனது எழுத்துரு ஆதாரங்கள், குறியீட்டு வரைபடங்கள் மற்றும் முற்றிலும் நிலைப்படுத்தப்பட்ட உரை வரைதல் வழிமுறைகளைக் கொண்டுள்ளது. இந்த வழிமுறைகளை அலசுவதன் மூலம் pypdf உரையை மீட்டமைக்கிறது. இந்த பொறிமுறையின் நன்மை நிர்ணயவாதம்: இது ஒத்த சொற்களை (0 மற்றும் O போன்றவை) குழப்பாது, சிறப்பு சின்னங்கள் மற்றும் தசைநார்கள் பாதுகாக்க முடியும், மேலும் பட சத்தத்தால் பாதிக்கப்படாது.

ஸ்கேன் செய்யப்பட்ட PDF ஐ ஏன் என்னால் பிரித்தெடுக்க முடியவில்லை?

ஸ்கேன் செய்யப்பட்ட PDFகள் படங்களுக்கான கொள்கலன்கள் மட்டுமே. பார்வைக்குத் தெரியும் உரை என்பது கோப்பு அமைப்பில் உள்ள பிக்சல்களின் அணி மட்டுமே, மேலும் extract_text() ஆல் படிக்கக்கூடிய உரைப் பொருள் எதுவும் இல்லை.

இரட்டை அடுக்கு PDF இன் முடிவு ஏன் நிலையற்றது?

சில ஸ்கேன் செய்யப்பட்ட ஆவணங்கள் OCR மென்பொருளைக் கொண்டு செயலாக்கப்பட்டு, "இரட்டை அடுக்கு PDF" என அழைக்கப்படும் மறைந்த உரை அடுக்கு உட்பொதிக்கப்பட்டிருக்கும். pypdf இந்த அளவிலான உள்ளடக்கத்தை மட்டுமே பிரித்தெடுக்க முடியும். அசல் OCR தரம் மோசமாக இருந்தால், உரை அடுக்கு காணவில்லை, குறியாக்கம் சிதைந்திருந்தால் அல்லது படத்துடன் கடுமையாக தவறாக அமைக்கப்பட்டிருந்தால், பிரித்தெடுத்தல் முடிவுகள் முழுமையடையாமல் அல்லது முற்றிலும் காலியாக இருக்கும். இந்த நேரத்தில் pypdf அளவுருக்களை பிழைத்திருத்தம் செய்வதில் சிறிதும் அர்த்தமில்லை, மேலும் நீங்கள் ஆப்டிகல் கேரக்டர் ரெகக்னிஷன் (OCR) செயல்முறைக்கு மாற வேண்டும்.

நிர்வாணக் கண்ணால் பக்கத்தில் வார்த்தைகள் உள்ளதா என்பதைப் பார்ப்பதன் அடிப்படையில் தீர்ப்புக்கான அடிப்படை இருக்கக்கூடாது, ஆனால் உரை அடுக்கின் உண்மையான இருப்பு மற்றும் செல்லுபடியாகும் தன்மையைக் கண்டறிய ஒரு நிரலைப் பயன்படுத்த வேண்டும்.

📊 முக்கிய ஒப்பீடு

தொகுப்பு உதாரணம்: சோதனை அடிப்படையுடன் கண்டறிதல் தர்க்கத்தை சரிபார்த்தல்

மேற்கண்ட சூழ்நிலைகளை எவ்வாறு நிரல்ரீதியாக வேறுபடுத்துவது என்பதை நிரூபிக்க, தரப்படுத்தப்பட்ட தொகுப்பு உள்ளீடுகளின் தொகுப்பு முதலில் கட்டமைக்கப்பட வேண்டும். பின்வரும் குறியீடு ஒரு தர்க்கரீதியான செயல்விளக்கம் மட்டுமே மற்றும் ஒரு சுய-பூட்டுதல் சார்பு சூழலில் இயங்க வேண்டும்; இது குறிப்பிட்ட உற்பத்தி கோப்புகளுக்கான சோதனை அறிக்கை அல்ல. பின்வரும் முறைகளைப் பயன்படுத்தி சோதனைத் தரவைத் தயாரிக்கவும்:

1. சாதாரண எண்கள் PDF: Word அல்லது LaTeX இல் "விலைப்பட்டியல் #2024-001" என்ற உரை கொண்ட ஆவணங்களை ஏற்றுமதி செய்யவும்.
2. தூய ஸ்கேன் PDF : காகித ஆவணத்தை JPEG இல் ஸ்கேன் செய்து, பின்னர் அதை ஒற்றை பக்க PDF இல் இணைக்கவும், உரை அடுக்குகள் எதுவும் சேர்க்கப்படவில்லை என்பதை உறுதிசெய்யவும்.
3. எல்லை வழக்கு மாதிரி: வெற்று சரங்கள் அல்லது அனைத்து இடங்களையும் கொண்ட உரை அடுக்குடன் "போலி-OCR" PDF ஐ உருவாக்கவும், அதை அடையாளம் காணத் தவறிய இரட்டை அடுக்கு ஆவணத்தை உருவகப்படுத்தவும்.

உரை அடுக்கு பயன்பாட்டு சோதனை குறியீடு

பின்வரும் பைதான் உதாரணம் நினைவகத்தில் கண்டறிதல் தர்க்கத்தை எவ்வாறு உருவாக்குவது என்பதை நிரூபிக்கிறது. குறியீடு pypdf>=3.0.0 ஐப் பொறுத்தது. தொடர்புடைய பதிப்பை ஒரு முழுமையான மெய்நிகர் சூழலில் நிறுவவும். ஸ்கிரிப்டில் உண்மையான கோப்பு பாதை இல்லை. இயங்குவதற்கு முன் பிளேஸ்ஹோல்டர் பாதையை மேற்கூறிய செயற்கை சோதனை கோப்புடன் மாற்றவும்.

from io import BytesIO
import pymupdf
from pypdf import PdfReader
with pymupdf.open() as doc:
    page = doc.new_page()
    page.insert_text((50, 50), "Hi")
    doc.new_page()
    raw = doc.tobytes()
reader = PdfReader(BytesIO(raw))
records = []
for index, page in enumerate(reader.pages):
    text = page.extract_text() or ""
    records.append({"page": index + 1, "text": text,
                    "status": "text_present" if text.strip() else "review_empty_text"})
assert len(records) == 2
assert records[0]["status"] == "text_present"
assert records[0]["text"].strip() == "Hi"
assert records[1]["status"] == "review_empty_text"

ஏற்றுக்கொள்ளும் முடிவு மற்றும் கையேடு மதிப்பாய்வு எல்லை

குறியீடு ஆர்ப்பாட்டங்கள் "உரை அடுக்கு இருக்கிறதா" என்ற பைனரி தீர்ப்பை மட்டுமே நிவர்த்தி செய்கின்றன, மேலும் இறுதி முதல் இறுதி விளைவு வரை நிஜ உலக காரணிகளைக் கருத்தில் கொள்ள வேண்டும். கீழே உள்ள அட்டவணை பொதுவான அவதானிப்புகள் மற்றும் தொடர்புடைய கையாளுதல் முடிவுகளை பட்டியலிடுகிறது, ஆட்டோமேஷன் செயல்முறைகளின் நோக்கம் மற்றும் கையேடு தலையீட்டின் புள்ளிகளை தெளிவுபடுத்துகிறது:

ஒரு ஆவணத்தில் விருப்ப உரை அடுக்குகள் மற்றும் பட அடுக்குகள் இரண்டும் இருக்கும்போது, உரை அடுக்கின் ஒருமைப்பாட்டை வெறுமனே நம்ப முடியாது. சில ஸ்கேனர்கள் இரட்டை அடுக்கு PDF களை உருவாக்குகின்றன, உரை அடுக்கு உள்ளடக்கத்தின் ஒரு பகுதியை மட்டுமே உள்ளடக்கியது, அல்லது ஆயத்தொலைவுகள் படத்துடன் கடுமையாக தவறாக சீரமைக்கப்படுகின்றன. அத்தகைய நிகழ்வுகள் கையேடு மதிப்பாய்வு வரிசைகளில் சேர்க்கப்பட வேண்டும் அல்லது காட்சி ஒப்பீட்டு வழிமுறைகளால் மறுசரிபார்க்கப்பட வேண்டும்.

குறிப்புகள்

• அதிகாரப்பூர்வ pypdf உரை பிரித்தெடுத்தல் ஆவணம்: Extract Text from a PDF
• OCR மற்றும் உரை பிரித்தெடுத்தல் இடையே உள்ள வேறுபாடு பற்றிய pypdf விளக்கம்: மேலே உள்ள ஆவணம் "OCR vs. உரை பிரித்தெடுத்தல்" பிரிவைப் போலவே

ஆவண மொழிபெயர்ப்புக்கு சரிபார்ப்பு பட்டியல்களைப் பயன்படுத்தவும்

ஆவணப் பிரித்தல், குறியாக்கம் அல்லது இணைப்பு கையாளுதல் ஆகியவை விநியோகத்திற்கு முன் ஆயத்தப் பணிகள்; இந்த சோதனைகளை மொழிபெயர்ப்பால் மாற்றீடு செய்ய முடியாது. முதலில் அசல் மற்றும் செயலாக்க சரிபார்ப்பு பட்டியலை வைத்திருக்க பரிந்துரைக்கப்படுகிறது, பின்னர் பக்க வரிசை, இணைப்புகள் மற்றும் மொழிபெயர்ப்பின் உள்ளடக்க முழுமையை மதிப்பீடு செய்ய பரிந்துரைக்கப்படுகிறது.

OmniDoc (தயாரிப்பு நுழைவு) பல வடிவ ஆவண மொழிபெயர்ப்பு போர்ட்டல்களை வழங்குகிறது, மேலும் அதன் அதிகாரப்பூர்வ இணையதளம் OCR, சொற்களஞ்சியங்கள் மற்றும் இருமொழி குறிப்பு அம்சங்களை அறிமுகப்படுத்துகிறது. நீங்கள் கோப்பில் இருந்து நேரடியாகத் தொடங்க விரும்பினால், உண்மையான மாதிரிகளுடன் இந்த பாதையை மதிப்பீடு செய்யலாம். இந்த கட்டுரையில் உள்ள சரிபார்ப்பு பட்டியலுடன் பதிவேற்ற மற்றும் முடிவுகளை சரிபார்க்க நீங்கள் அங்கீகரித்த அநாமதேய கோப்பைப் பயன்படுத்தவும். OmniDoc இங்கே குறிப்பிடப்பட்டுள்ள திறந்த மூல நூலகங்கள் அல்லது உள் வழிமுறைகளைப் பயன்படுத்துகிறது என்று இந்த கட்டுரை கூறவில்லை, மேலும் எடுத்துக்காட்டுகள் தயாரிப்பு செயல்திறன் சோதனையை மாற்ற முடியாது.

🎯 எந்த முறை உங்களுக்கு பொருத்தமானது?

நீங்கள் ...... என்றால்

• நீங்கள் பெறும் PDF உரையைத் தேர்ந்தெடுக்கலாம்: பெரும்பாலான சந்தர்ப்பங்களில், நீங்கள் pypdf ஐப் பயன்படுத்தி நேரடியாக பிரித்தெடுக்கலாம் மற்றும் உரை முடிவுகளை வைத்திருக்கலாம்.
• பிரித்தெடுக்கப்பட்ட முடிவுகள் மிகவும் குறுகியவை அல்லது காலியாக உள்ளன : முதலில் பக்க படம் மற்றும் உள்ளடக்க வகையைச் சரிபார்க்கவும், பின்னர் OCR தேவையா என்பதை முடிவு செய்யுங்கள்; முடிவுகளுக்கு செல்ல வேண்டாம்.
• பக்கத்தில் உள்ள உரை தெரியும், ஆனால் பிரித்தெடுக்க முடியாது: அளவுருக்களை மீண்டும் மீண்டும் சரிசெய்யாமல் OCR செயல்முறைக்கு மாறவும்.
• இரட்டை அடுக்கு PDFகளைக் கையாளுதல்: உரை அடுக்கு முழுமையடைந்து படங்களுடன் சீரமைக்கப்பட்டுள்ளதா என்பதைச் சரிபார்க்கவும்; சந்தேகம் இருந்தால், கையேடு மதிப்பாய்வைப் பார்க்கவும்.

❓ அடிக்கடி கேட்கப்படும் கேள்விகள் (FAQ)

1. நீங்கள் உரையைப் பிரித்தெடுக்க முடியாவிட்டால், அது எப்போதும் ஒரு ஸ்கேன் என்று அர்த்தமா?

அவசியமில்லை. குறுகிய அல்லது வெற்று உரை மேலதிக ஆய்வுக்கான ஒரு சமிக்ஞை மட்டுமே; ஒரு முடிவை எடுப்பதற்கு முன் பக்கப் படம் மற்றும் உள்ளடக்க வகையை நீங்கள் சரிபார்க்க வேண்டும்.

2. extraction_mode ஐ சரிசெய்வது ஸ்கேன் செய்யப்பட்ட கோப்புகளை பிரித்தெடுக்கும் சிக்கலை தீர்க்க முடியுமா?

இல்லை. PYPDF உரை பொருள்களைப் படிக்கிறது, மேலும் ஸ்கேன் செய்யப்பட்ட படத்தில் படிக்கக்கூடிய எழுத்து குறியாக்கம் இல்லை, எனவே அளவுரு சரிசெய்தல்கள் மெல்லிய காற்றில் இருந்து உரையை உருவாக்க முடியாது.

3. pypdf OCR ஐ மாற்ற முடியுமா?

இல்லை. Pypdf இன் உரை பிரித்தெடுத்தல் OCR அல்ல; இது ஏற்கனவே கோப்பில் இருக்கும் உரை பொருள்களை மட்டுமே படிக்க முடியும்.

4. இரட்டை அடுக்கு PDF இன் உரை அடுக்கை நேரடியாக நம்ப முடியுமா?

நீங்கள் அவர்களை நேரடியாக நம்ப முடியாது. உரை அடுக்கு உள்ளடக்கத்தின் ஒரு பகுதியை மட்டுமே உள்ளடக்கியிருக்கலாம் அல்லது பட ஆயத்தொலைவுகளுடன் தவறாக சீரமைக்கப்படலாம், எனவே இரண்டாம் நிலை சரிபார்ப்புக்கு கையேடு மதிப்பாய்வு அல்லது காட்சி ஒப்பீடு பயன்படுத்தப்பட வேண்டும்.

5. பிரித்தெடுக்கப்பட்ட உரை மிகக் குறைவு, OCR உடனடியாக செய்யப்பட வேண்டுமா?

இதன் காரணமாக OCR ஐ கட்டாயப்படுத்த வேண்டிய அவசியமில்லை. அசல் உரை முதலில் குறுகிய உரையை தக்கவைத்துக் கொள்ளவும், பின்னர் மற்ற சோதனைச் சாவடிகளைக் கருத்தில் கொள்ளவும் பரிந்துரைக்கிறது.

📝 சுருக்கம்

நீங்கள் pypdf இல் உரையைப் பெற முடியாவிட்டால், அளவுருக்களை சரிசெய்ய அவசரப்பட வேண்டாம். பக்கத்திற்கு பக்கமாக உரை அடுக்கில் உண்மையான நிலைமையை மதிப்பிடுங்கள், பின்னர் அதை நேரடியாகப் பயன்படுத்தலாமா, OCR ஐ உள்ளிட வேண்டுமா அல்லது கையேடு மதிப்பாய்வுக்கு மாற வேண்டுமா என்பதை முடிவு செய்யுங்கள், இது மிகவும் நம்பகமான முடிவுகளைத் தரும்.

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