from sklearn.cluster import DBSCAN import numpy as np from loguru import logger from magic_pdf.libs.boxbase import _is_in_or_part_overlap_with_area_ratio as is_in_layout from magic_pdf.libs.ocr_content_type import ContentType LINE_STOP_FLAG = ['.', '!', '?', '。', '！', '？',"：", ":", ")", "）", ";"] INLINE_EQUATION = ContentType.InlineEquation INTERLINE_EQUATION = ContentType.InterlineEquation TEXT = "text" def __get_span_text(span): c = span.get('content', '') if len(c)==0: c = span.get('image_path', '') return c def __detect_list_lines(lines, new_layout_bboxes, lang='en'): """ 探测是否包含了列表，并且把列表的行分开. 这样的段落特点是，顶格字母大写/数字，紧跟着几行缩进的。缩进的行首字母含小写的。 """ def find_repeating_patterns(lst): indices = [] ones_indices = [] i = 0 while i < len(lst) - 1: # 确保余下元素至少有2个 if lst[i] == 1 and lst[i+1] in [2, 3]: # 额外检查以防止连续出现的1 start = i ones_in_this_interval = [i] i += 1 while i < len(lst) and lst[i] in [2, 3]: i += 1 # 验证下一个序列是否符合条件 if i < len(lst) - 1 and lst[i] == 1 and lst[i+1] in [2, 3] and lst[i-1] in [2, 3]: while i < len(lst) and lst[i] in [1, 2, 3]: if lst[i] == 1: ones_in_this_interval.append(i) i += 1 indices.append((start, i - 1)) ones_indices.append(ones_in_this_interval) else: i += 1 else: i += 1 return indices, ones_indices """====================""" def split_indices(slen, index_array): result = [] last_end = 0 for start, end in sorted(index_array): if start > last_end: # 前一个区间结束到下一个区间开始之间的部分标记为"text" result.append(('text', last_end, start - 1)) # 区间内标记为"list" result.append(('list', start, end)) last_end = end + 1 if last_end < slen: # 如果最后一个区间结束后还有剩余的字符串，将其标记为"text" result.append(('text', last_end, slen - 1)) return result """====================""" if lang!='en': return lines, None else: total_lines = len(lines) line_fea_encode = [] """ 对每一行进行特征编码，编码规则如下： 1. 如果行顶格，且大写字母开头或者数字开头，编码为1 2. 如果顶格，其他非大写开头编码为4 3. 如果非顶格，首字符大写，编码为2 4. 如果非顶格，首字符非大写编码为3 """ for l in lines: first_char = __get_span_text(l['spans'][0])[0] layout_left = __find_layout_bbox_by_line(l['bbox'], new_layout_bboxes)[0] if l['bbox'][0] == layout_left: if first_char.isupper() or first_char.isdigit(): line_fea_encode.append(1) else: line_fea_encode.append(4) else: if first_char.isupper(): line_fea_encode.append(2) else: line_fea_encode.append(3) # 然后根据编码进行分段, 选出来 1,2,3连续出现至少2次的行，认为是列表。 list_indice, list_start_idx = find_repeating_patterns(line_fea_encode) if len(list_indice)>0: logger.info(f"发现了列表，列表行数：{list_indice}， {list_start_idx}") # TODO check一下这个特列表里缩进的行左侧是不是对齐的。 segments = [] for start, end in list_indice: for i in range(start, end+1): if i>0: if line_fea_encode[i] == 4: logger.info(f"列表行的第{i}行不是顶格的") break else: logger.info(f"列表行的第{start}到第{end}行是列表") return split_indices(total_lines, list_indice), list_start_idx def __valign_lines(blocks, layout_bboxes): """ 在一个layoutbox内对齐行的左侧和右侧。 扫描行的左侧和右侧，如果x0, x1差距不超过一个阈值，就强行对齐到所处layout的左右两侧（和layout有一段距离）。 3是个经验值，TODO，计算得来，可以设置为1.5个正文字符。 """ min_distance = 3 min_sample = 2 new_layout_bboxes = [] for layout_box in layout_bboxes: blocks_in_layoutbox = [b for b in blocks if is_in_layout(b['bbox'], layout_box['layout_bbox'])] if len(blocks_in_layoutbox)==0: continue x0_lst = np.array([[line['bbox'][0], 0] for block in blocks_in_layoutbox for line in block['lines']]) x1_lst = np.array([[line['bbox'][2], 0] for block in blocks_in_layoutbox for line in block['lines']]) x0_clusters = DBSCAN(eps=min_distance, min_samples=min_sample).fit(x0_lst) x1_clusters = DBSCAN(eps=min_distance, min_samples=min_sample).fit(x1_lst) x0_uniq_label = np.unique(x0_clusters.labels_) x1_uniq_label = np.unique(x1_clusters.labels_) x0_2_new_val = {} # 存储旧值对应的新值映射 x1_2_new_val = {} for label in x0_uniq_label: if label==-1: continue x0_index_of_label = np.where(x0_clusters.labels_==label) x0_raw_val = x0_lst[x0_index_of_label][:,0] x0_new_val = np.min(x0_lst[x0_index_of_label][:,0]) x0_2_new_val.update({idx: x0_new_val for idx in x0_raw_val}) for label in x1_uniq_label: if label==-1: continue x1_index_of_label = np.where(x1_clusters.labels_==label) x1_raw_val = x1_lst[x1_index_of_label][:,0] x1_new_val = np.max(x1_lst[x1_index_of_label][:,0]) x1_2_new_val.update({idx: x1_new_val for idx in x1_raw_val}) for block in blocks_in_layoutbox: for line in block['lines']: x0, x1 = line['bbox'][0], line['bbox'][2] if x0 in x0_2_new_val: line['bbox'][0] = int(x0_2_new_val[x0]) if x1 in x1_2_new_val: line['bbox'][2] = int(x1_2_new_val[x1]) # 其余对不齐的保持不动 # 由于修改了block里的line长度，现在需要重新计算block的bbox for block in blocks_in_layoutbox: block['bbox'] = [min([line['bbox'][0] for line in block['lines']]), min([line['bbox'][1] for line in block['lines']]), max([line['bbox'][2] for line in block['lines']]), max([line['bbox'][3] for line in block['lines']])] """新计算layout的bbox，因为block的bbox变了。""" layout_x0 = min([block['bbox'][0] for block in blocks_in_layoutbox]) layout_y0 = min([block['bbox'][1] for block in blocks_in_layoutbox]) layout_x1 = max([block['bbox'][2] for block in blocks_in_layoutbox]) layout_y1 = max([block['bbox'][3] for block in blocks_in_layoutbox]) new_layout_bboxes.append([layout_x0, layout_y0, layout_x1, layout_y1]) return new_layout_bboxes def __common_pre_proc(blocks, layout_bboxes): """ 不分语言的，对文本进行预处理 """ #__add_line_period(blocks, layout_bboxes) aligned_layout_bboxes = __valign_lines(blocks, layout_bboxes) return aligned_layout_bboxes def __pre_proc_zh_blocks(blocks, layout_bboxes): """ 对中文文本进行分段预处理 """ pass def __pre_proc_en_blocks(blocks, layout_bboxes): """ 对英文文本进行分段预处理 """ pass def __group_line_by_layout(blocks, layout_bboxes, lang="en"): """ 每个layout内的行进行聚合 """ # 因为只是一个block一行目前, 一个block就是一个段落 lines_group = [] for lyout in layout_bboxes: lines = [line for block in blocks if is_in_layout(block['bbox'], lyout['layout_bbox']) for line in block['lines']] lines_group.append(lines) return lines_group def __split_para_in_layoutbox(lines_group, new_layout_bbox, lang="en", char_avg_len=10): """ lines_group 进行行分段——layout内部进行分段。lines_group内每个元素是一个Layoutbox内的所有行。 1. 先计算每个group的左右边界。 2. 然后根据行末尾特征进行分段。 末尾特征：以句号等结束符结尾。并且距离右侧边界有一定距离。 且下一行开头不留空白。 """ list_info = [] # 这个layout最后是不是列表,记录每一个layout里是不是列表开头，列表结尾 layout_paras = [] right_tail_distance = 1.5 * char_avg_len for lines in lines_group: paras = [] total_lines = len(lines) if total_lines==0: continue # 0行无需处理 if total_lines==1: # 1行无法分段。 layout_paras.append([lines]) list_info.append([False, False]) continue """在进入到真正的分段之前，要对文字块从统计维度进行对齐方式的探测， 对齐方式分为以下： 1. 左对齐的文本块(特点是左侧顶格，或者左侧不顶格但是右侧顶格的行数大于非顶格的行数，顶格的首字母有大写也有小写) 1) 右侧对齐的行，单独成一段 2) 中间对齐的行，按照字体/行高聚合成一段 2. 左对齐的列表块（其特点是左侧顶格的行数小于等于非顶格的行数，非定格首字母会有小写，顶格90%是大写。并且左侧顶格行数大于1，大于1是为了这种模式连续出现才能称之为列表） 这样的文本块，顶格的为一个段落开头，紧随其后非顶格的行属于这个段落。 """ text_segments, list_start_line = __detect_list_lines(lines, new_layout_bbox, lang) """根据list_range，把lines分成几个部分 """ layout_right = __find_layout_bbox_by_line(lines[0]['bbox'], new_layout_bbox)[2] layout_left = __find_layout_bbox_by_line(lines[0]['bbox'], new_layout_bbox)[0] para = [] # 元素是line layout_list_info = [False, False] # 这个layout最后是不是列表,记录每一个layout里是不是列表开头，列表结尾 for content_type, start, end in text_segments: if content_type == 'list': for i, line in enumerate(lines[start:end+1]): line_x0 = line['bbox'][0] if line_x0 == layout_left: # 列表开头 if len(para)>0: paras.append(para) para = [] para.append(line) else: para.append(line) if len(para)>0: paras.append(para) para = [] if start==0: layout_list_info[0] = True if end==total_lines-1: layout_list_info[1] = True else: for i, line in enumerate(lines[start:end+1]): # 如果i有下一行，那么就要根据下一行位置综合判断是否要分段。如果i之后没有行，那么只需要判断一下行结尾特征。 cur_line_type = line['spans'][-1]['type'] next_line = lines[i+1] if i= layout_right - right_tail_distance and next_line and next_line['bbox'][0] == layout_left: # 现在这行到了行尾沾满，下一行存在且顶格。 para.append(line) else: para.append(line) paras.append(para) para = [] else: # 其他，图片、表格、行间公式，各自占一段 if len(para)>0: # 先把之前的段落加入到结果中 paras.append(para) para = [] paras.append([line]) # 再把当前行加入到结果中。当前行为行间公式、图、表等。 para = [] if len(para)>0: paras.append(para) para = [] list_info.append(layout_list_info) layout_paras.append(paras) paras = [] return layout_paras, list_info def __connect_list_inter_layout(layout_paras, new_layout_bbox, layout_list_info, lang="en"): # TODO return layout_paras def __find_layout_bbox_by_line(line_bbox, layout_bboxes): """ 根据line找到所在的layout """ for layout in layout_bboxes: if is_in_layout(line_bbox, layout): return layout return None def __connect_para_inter_layoutbox(layout_paras, new_layout_bbox, lang="en"): """ layout之间进行分段。 主要是计算前一个layOut的最后一行和后一个layout的第一行是否可以连接。 连接的条件需要同时满足： 1. 上一个layout的最后一行沾满整个行。并且没有结尾符号。 2. 下一行开头不留空白。 """ connected_layout_paras = [] connected_layout_paras.append(layout_paras[0]) for i in range(1, len(layout_paras)): pre_last_line = layout_paras[i-1][-1][-1] next_first_line = layout_paras[i][0][0] pre_last_line_text = ''.join([__get_span_text(span) for span in pre_last_line['spans']]) pre_last_line_type = pre_last_line['spans'][-1]['type'] next_first_line_text = ''.join([__get_span_text(span) for span in next_first_line['spans']]) next_first_line_type = next_first_line['spans'][0]['type'] if pre_last_line_type not in [TEXT, INLINE_EQUATION] or next_first_line_type not in [TEXT, INLINE_EQUATION]: connected_layout_paras.append(layout_paras[i]) continue pre_x2_max = __find_layout_bbox_by_line(pre_last_line['bbox'], new_layout_bbox)[2] next_x0_min = __find_layout_bbox_by_line(next_first_line['bbox'], new_layout_bbox)[0] pre_last_line_text = pre_last_line_text.strip() next_first_line_text = next_first_line_text.strip() if pre_last_line['bbox'][2] == pre_x2_max and pre_last_line_text[-1] not in LINE_STOP_FLAG and next_first_line['bbox'][0]==next_x0_min: # 前面一行沾满了整个行，并且没有结尾符号.下一行没有空白开头。 """连接段落条件成立，将前一个layout的段落和后一个layout的段落连接。""" connected_layout_paras[-1][-1].extend(layout_paras[i][0]) layout_paras[i].pop(0) # 删除后一个layout的第一个段落， 因为他已经被合并到前一个layout的最后一个段落了。 if len(layout_paras[i])==0: layout_paras.pop(i) else: connected_layout_paras.append(layout_paras[i]) else: """连接段落条件不成立，将前一个layout的段落加入到结果中。""" connected_layout_paras.append(layout_paras[i]) return connected_layout_paras def __connect_para_inter_page(pre_page_paras, next_page_paras, pre_page_layout_bbox, next_page_layout_bbox, lang): """ 连接起来相邻两个页面的段落——前一个页面最后一个段落和后一个页面的第一个段落。 是否可以连接的条件： 1. 前一个页面的最后一个段落最后一行沾满整个行。并且没有结尾符号。 2. 后一个页面的第一个段落第一行没有空白开头。 """ # 有的页面可能压根没有文字 if len(pre_page_paras)==0 or len(next_page_paras)==0: return False pre_last_para = pre_page_paras[-1][-1] next_first_para = next_page_paras[0][0] pre_last_line = pre_last_para[-1] next_first_line = next_first_para[0] pre_last_line_text = ''.join([__get_span_text(span) for span in pre_last_line['spans']]) pre_last_line_type = pre_last_line['spans'][-1]['type'] next_first_line_text = ''.join([__get_span_text(span) for span in next_first_line['spans']]) next_first_line_type = next_first_line['spans'][0]['type'] if pre_last_line_type not in [TEXT, INLINE_EQUATION] or next_first_line_type not in [TEXT, INLINE_EQUATION]: # TODO，真的要做好，要考虑跨table, image, 行间的情况 # 不是文本，不连接 return False pre_x2_max = __find_layout_bbox_by_line(pre_last_line['bbox'], pre_page_layout_bbox)[2] next_x0_min = __find_layout_bbox_by_line(next_first_line['bbox'], next_page_layout_bbox)[0] pre_last_line_text = pre_last_line_text.strip() next_first_line_text = next_first_line_text.strip() if pre_last_line['bbox'][2] == pre_x2_max and pre_last_line_text[-1] not in LINE_STOP_FLAG and next_first_line['bbox'][0]==next_x0_min: # 前面一行沾满了整个行，并且没有结尾符号.下一行没有空白开头。 """连接段落条件成立，将前一个layout的段落和后一个layout的段落连接。""" pre_last_para.extend(next_first_para) next_page_paras[0].pop(0) # 删除后一个页面的第一个段落， 因为他已经被合并到前一个页面的最后一个段落了。 return True else: return False def __do_split(blocks, layout_bboxes, new_layout_bbox, lang="en"): """ 根据line和layout情况进行分段 先实现一个根据行末尾特征分段的简单方法。 """ """ 算法思路： 1. 扫描layout里每一行，找出来行尾距离layout有边界有一定距离的行。 2. 从上述行中找到末尾是句号等可作为断行标志的行。 3. 参照上述行尾特征进行分段。 4. 图、表，目前独占一行，不考虑分段。 """ lines_group = __group_line_by_layout(blocks, layout_bboxes, lang) # block内分段 layout_paras, layout_list_info = __split_para_in_layoutbox(lines_group, new_layout_bbox, lang) # layout内分段 layout_paras2 = __connect_list_inter_layout(layout_paras, new_layout_bbox, layout_list_info, lang) # layout之间连接列表段落 connected_layout_paras = __connect_para_inter_layoutbox(layout_paras2, new_layout_bbox, lang) # layout间链接段落 return connected_layout_paras def para_split(pdf_info_dict, lang="en"): """ 根据line和layout情况进行分段 """ new_layout_of_pages = [] # 数组的数组，每个元素是一个页面的layoutS for _, page in pdf_info_dict.items(): blocks = page['preproc_blocks'] layout_bboxes = page['layout_bboxes'] new_layout_bbox = __common_pre_proc(blocks, layout_bboxes) new_layout_of_pages.append(new_layout_bbox) splited_blocks = __do_split(blocks, layout_bboxes, new_layout_bbox, lang) page['para_blocks'] = splited_blocks """连接页面与页面之间的可能合并的段落""" pdf_infos = list(pdf_info_dict.values()) for i, page in enumerate(pdf_info_dict.values()): if i==0: continue pre_page_paras = pdf_infos[i-1]['para_blocks'] next_page_paras = pdf_infos[i]['para_blocks'] pre_page_layout_bbox = new_layout_of_pages[i-1] next_page_layout_bbox = new_layout_of_pages[i] is_conn= __connect_para_inter_page(pre_page_paras, next_page_paras, pre_page_layout_bbox, next_page_layout_bbox, lang) if is_conn: logger.info(f"连接了第{i-1}页和第{i}页的段落")