分析下面的代码 主要是解析pdf 然后将pdf的文本内容翻译 然后 将翻译的结果再次写入到pdf中 有一个问题是 下面的代码 会产生翻译后的文本写入后 部分位置出现文字覆盖…
- User
分析下面的代码 主要是解析pdf 然后将pdf的文本内容翻译 然后 将翻译的结果再次写入到pdf中 有一个问题是 下面的代码 会产生翻译后的文本写入后 部分位置出现文字覆盖 重叠的情况 分析原因是 for line in lines:遍历的时候 lines每个元素本应该是不同的行 实际上不是 因此需要写一个函数来对lines进行处理 确认处于同一行的标准应该是span["bbox"][1]的值是相同的 不能直接遍历出所有的spans 然后排序 需要遍历lines 在遍历span 一层层的进行 self.process_page_info是翻译文本的函数 请你帮我修改代码
def extract_text_and_layout(self,pdf_path, output_pdf,inside_text=False):
input_doc = fitz.open(pdf_path) # 获取总页数 total_pages = input_doc.page_count font_list = [] self.pagesAllSignal.emit(total_pages) output_doc = fitz.open() for i, page in enumerate(input_doc): # if i!=0: # continue self.PageSignal.emit(i + 1) pix = page.get_pixmap() self.renderImage.emit(pix) pages_info = [] page_blocks = page.get_text("dict")["blocks"] blocks_info = [] # 用于统计字体大小 font_size_count = defaultdict(int) total_text_length = 0 text_ ="" for block in page_blocks: if block["type"] == 0: lines_info = [] i = 0 lines = block["lines"] for line in lines: spans_info = [] for span in line["spans"]: text = span["text"] # print(f"text {len(line['spans'])}:",text,(span["bbox"][0], span["bbox"][1]+span["size"])) if i == 0 and len(text.strip())==1: text_ = text continue if span["font"] not in font_list: font_list.append(span["font"]) # 统计字体大小 font_size_count[span["size"]] += len(text) total_text_length += len(text) spans_info.append({ "text": text_+text, "size": span["size"], "color": fitz.sRGB_to_rgb(span["color"]), "bbox": span["bbox"], 'ascender': span['ascender'], 'descender': span['descender'], 'origin': span['origin'], "font": span["font"] # 添加字体信息 }) text_ = "" i+=1 lines_info.append({ "spans": spans_info, "bbox": line["bbox"] }) blocks_info.append({ "type": 0, "lines": lines_info, "bbox": block["bbox"] }) else: blocks_info.append(block) pages_info.append({ "blocks": blocks_info }) # 确定小字体的阈值 sorted_sizes = sorted(font_size_count.keys()) cumulative_length = 0 if len(sorted_sizes) < 1: small_font_threshold = 10 else: small_font_threshold = sorted_sizes[-1] # 默认最大的字体大小为阈值 for size in sorted_sizes: cumulative_length += font_size_count[size] if cumulative_length > total_text_length * 0.5: small_font_threshold = size break updated_page_info = self.process_page_info(pages_info) new_page = output_doc.new_page(width=page.rect.width, height=page.rect.height) blocks = updated_page_info[0]['blocks'] for block in blocks: if block["type"] == 0: # 文本块 for line in block["lines"]: for span in line["spans"]: print("translated:",span["text"].strip(),(span["bbox"][0], span["bbox"][1]+span["size"])) if span["size"]<=small_font_threshold: fontname = "XinHuaSongTi-1" fontfile = os.path.join(self.font_dir, f"{fontname}.ttf") else: fontname="FZQiTi-S14S" fontfile = os.path.join(self.font_dir, f"{fontname}.ttf") new_page.insert_text( point=(span["bbox"][0], span["bbox"][1]+span["size"]), text=span["text"].strip(), fontsize=int(span["size"]), # fontname=span.get("font",""), # 使用原始字体 tuple(c/255 for c in span["color"]) color=tuple(c/255 for c in span["color"]), # color= span["color"], # ascender = span["ascender"], # descender=span["descender"], # flags=span["flags"], # origin=span["origin"], render_mode=0 , # 使用默认渲染模式, encoding=0, fontfile=fontfile, fontname=fontname, ) elif block["type"] == 1: # 图片块 try: image = block["image"] rect = fitz.Rect(block["bbox"]) # 应用变换 # if "transform" in block.keys(): # transform = block["transform"] # matrix = fitz.Matrix(transform[0], transform[1], transform[2], transform[3], transform[4], transform[5]) # rect = rect.transform(matrix) # new_page.insert_image(rect, stream=image) # 插入图像 if inside_text: pass else: new_page.insert_image( rect, stream=image, xref=block.get("xref") if block.get("xref") else 0, width=block["width"], height=block["height"], # colorspace=block["colorspace"], # bpc=block["bpc"], ) except Exception: print(traceback.format_exc()) else: print(f"Unsupported block type: {block['type']}") pass # 保存文档 else: output_doc.save(output_pdf) output_doc.close() input_doc.close() - Assistant
你描述的问题主要是由于在遍历
lines时,每个line中的spans不属于同一行,导致在将翻译后的文本插入 PDF 时出现文字覆盖和重叠的情况。为了解决这个问题,需要确保在处理spans时,只有位于同一行(即span["bbox"][1]相同或接近)的spans被组合在一起。以下是对你的代码进行修改的建议和完整代码示例:
-
分组
spans按照y坐标:定义一个辅助函数group_spans_by_y,根据span["bbox"][1]将spans分组到同一行中。这里可以设置一个容忍值tol,以应对浮点数精度问题。 -
重新组织
lines:在处理每个block时,先将所有spans提取出来,然后使用group_spans_by_y将它们分组为独立的行。这样可以确保每一行中的spans的y坐标相同或接近,从而避免重叠。 -
修改文本插入逻辑:在插入翻译后的文本时,确保每一行的
spans都是在同一行的不同位置,从而避免覆盖和重叠。
下面是修改后的完整代码:
import fitz import os import traceback from collections import defaultdict def group_spans_by_y(spans, tol=1.0): """ 根据span的y坐标将spans分组,每组认为是同一行。 :param spans: spans列表 :param tol: 容忍的y坐标差值 :return: 分组后的列表,每个子列表代表一行 """ grouped = [] spans_sorted = sorted(spans, key=lambda s: s["bbox"][1]) # 按y坐标排序 current_group = [] current_y = None for span in spans_sorted: y = span["bbox"][1] if current_y is None: current_y = y current_group.append(span) elif abs(y - current_y) <= tol: current_group.append(span) else: grouped.append(current_group) current_group = [span] current_y = y if current_group: grouped.append(current_group) return grouped class PDFProcessor: def __init__(self, font_dir): self.font_dir = font_dir # 初始化信号等(假设在 GUI 环境中使用) # self.pagesAllSignal = ... # self.PageSignal = ... # self.renderImage = ... # self.process_page_info = ... def extract_text_and_layout(self, pdf_path, output_pdf, inside_text=False): input_doc = fitz.open(pdf_path) total_pages = input_doc.page_count font_list = [] self.pagesAllSignal.emit(total_pages) output_doc = fitz.open() for i, page in enumerate(input_doc): self.PageSignal.emit(i + 1) pix = page.get_pixmap() self.renderImage.emit(pix) pages_info = [] page_blocks = page.get_text("dict")["blocks"] blocks_info = [] font_size_count = defaultdict(int) total_text_length = 0 text_ = "" for block in page_blocks: if block["type"] == 0: # 文本块 lines_info = [] all_spans = [span for line in block["lines"] for span in line["spans"]] grouped_lines = group_spans_by_y(all_spans) for line_spans in grouped_lines: spans_info = [] for span in line_spans: text = span["text"] if len(text.strip()) == 0: continue if span["font"] not in font_list: font_list.append(span["font"]) # 统计字体大小 font_size_count[span["size"]] += len(text) total_text_length += len(text) spans_info.append({ "text": text, # 假设这里已翻译 "size": span["size"], "color": fitz.sRGB_to_rgb(span["color"]), "bbox": span["bbox"], 'ascender': span.get('ascender', 0), 'descender': span.get('descender', 0), 'origin': span.get('origin', (0, 0)), "font": span["font"] }) if spans_info: # 计算整行的bbox min_x = min(s["bbox"][0] for s in spans_info) min_y = min(s["bbox"][1] for s in spans_info) max_x = max(s["bbox"][2] for s in spans_info) max_y = max(s["bbox"][3] for s in spans_info) line_bbox = [min_x, min_y, max_x, max_y] lines_info.append({ "spans": spans_info, "bbox": line_bbox }) blocks_info.append({ "type": 0, "lines": lines_info, "bbox": block["bbox"] }) else: blocks_info.append(block) pages_info.append({ "blocks": blocks_info }) # 确定小字体的阈值 sorted_sizes = sorted(font_size_count.keys(), reverse=True) cumulative_length = 0 small_font_threshold = 10 # 默认值 for size in sorted_sizes: cumulative_length += font_size_count[size] if cumulative_length > total_text_length * 0.5: small_font_threshold = size break updated_page_info = self.process_page_info(pages_info) # 翻译文本 new_page = output_doc.new_page(width=page.rect.width, height=page.rect.height) blocks = updated_page_info[0]['blocks'] for block in blocks: if block["type"] == 0: # 文本块 for line in block["lines"]: for span in line["spans"]: translated_text = span["text"].strip() if not translated_text: continue print("translated:", translated_text, (span["bbox"][0], span["bbox"][1] + span["size"])) # 选择字体 if span["size"] <= small_font_threshold: fontname = "XinHuaSongTi-1" fontfile = os.path.join(self.font_dir, f"{fontname}.ttf") else: fontname = "FZQiTi-S14S" fontfile = os.path.join(self.font_dir, f"{fontname}.ttf") # 插入翻译后的文本 try: new_page.insert_text( point=(span["bbox"][0], span["bbox"][1] + span["size"]), text=translated_text, fontsize=int(span["size"]), color=tuple(c/255 for c in span["color"]), render_mode=0, encoding=0, fontfile=fontfile, fontname=fontname, ) except Exception as e: print(f"Error inserting text: {e}") print(traceback.format_exc()) elif block["type"] == 1: # 图片块 try: image = block["image"] rect = fitz.Rect(block["bbox"]) if inside_text: pass else: new_page.insert_image( rect, stream=image, xref=block.get("xref", 0), width=block["width"], height=block["height"], ) except Exception: print(traceback.format_exc()) else: print(f"Unsupported block type: {block['type']}") # 保存文档 output_doc.save(output_pdf) output_doc.close() input_doc.close()详细说明
-
辅助函数
group_spans_by_y:- 该函数接受一个
spans列表,并根据bbox的y坐标将它们分组。 - 参数
tol用于设置容忍的 y 坐标差值,以处理浮点数的精度问题。 - 首先对所有
spans按 y 坐标进行排序,然后逐个遍历,将相近y坐标的spans分到同一组中。
- 该函数接受一个
-
修改
extract_text_and_layout方法:- 在处理每个文本块 (
block["type"] == 0) 时,先将所有spans提取出来。 - 使用
group_spans_by_y将这些spans分组为独立的行grouped_lines。 - 对每一组
spans(即每一行)进行处理,统计字体大小、总文本长度,并构建spans_info。 - 确保每一行的
bbox是根据包含的所有spans的bbox计算得出的最小矩形,以便正确定位文本。
- 在处理每个文本块 (
-
插入翻译后的文本:
- 在插入文本时,确保使用正确的
y坐标(span["bbox"][1] + span["size"])来放置文本。 - 根据字体大小选择合适的字体文件。
- 捕获并打印插入文本时可能出现的任何异常,以便调试。
- 在插入文本时,确保使用正确的
-
其他改进:
- 优化了小字体阈值的计算顺序,使其从大字体开始累积,直到超过总文本长度的一半。
- 在处理图片块时,添加了更严格的异常捕获和调试信息。
注意事项
-
字体文件:确保
XinHuaSongTi-1.ttf和FZQiTi-S14S.ttf字体文件存在于self.font_dir目录中。如果这些字体不可用,你可能需要更换为系统中存在的字体。 -
process_page_info方法:假设这是一个负责翻译文本的内部方法。确保它正确处理pages_info并返回修改后的updated_page_info。 -
信号机制:代码中提到了信号(如
self.pagesAllSignal.emit),假设你在一个 GUI 环境中使用这些信号。如果不是,你可能需要移除或修改这些部分。 -
性能优化:对于大型 PDF 文件,处理时间可能较长。可以考虑在需要时优化分组算法或并行处理多个页面。
通过上述修改,你应该能够解决翻译后文本插入时出现的重叠问题,确保每一行的文本都被正确地翻译和定位。
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.