| 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364 |
- from magic_pdf.libs.commons import fitz # pyMuPDF库
- from magic_pdf.libs.coordinate_transform import get_scale_ratio
- def parse_footers(page_ID: int, page: fitz.Page, json_from_DocXchain_obj: dict):
- """
- :param page_ID: int类型，当前page在当前pdf文档中是第page_D页。
- :param page :fitz读取的当前页的内容
- :param res_dir_path: str类型，是每一个pdf文档，在当前.py文件的目录下生成一个与pdf文档同名的文件夹，res_dir_path就是文件夹的dir
- :param json_from_DocXchain_obj: dict类型，把pdf文档送入DocXChain模型中后，提取bbox，结果保存到pdf文档同名文件夹下的 page_ID.json文件中了。json_from_DocXchain_obj就是打开后的dict
- """
- #--------- 通过json_from_DocXchain来获取 footer ---------#
- footer_bbox_from_DocXChain = []
- xf_json = json_from_DocXchain_obj
- horizontal_scale_ratio, vertical_scale_ratio = get_scale_ratio(xf_json, page)
- # {0: 'title', # 标题
- # 1: 'figure', # 图片
- # 2: 'plain text', # 文本
- # 3: 'header', # 页眉
- # 4: 'page number', # 页码
- # 5: 'footnote', # 脚注
- # 6: 'footer', # 页脚
- # 7: 'table', # 表格
- # 8: 'table caption', # 表格描述
- # 9: 'figure caption', # 图片描述
- # 10: 'equation', # 公式
- # 11: 'full column', # 单栏
- # 12: 'sub column', # 多栏
- # 13: 'embedding', # 嵌入公式
- # 14: 'isolated'} # 单行公式
- for xf in xf_json['layout_dets']:
- L = xf['poly'][0] / horizontal_scale_ratio
- U = xf['poly'][1] / vertical_scale_ratio
- R = xf['poly'][2] / horizontal_scale_ratio
- D = xf['poly'][5] / vertical_scale_ratio
- # L += pageL # 有的页面，artBox偏移了。不在（0,0）
- # R += pageL
- # U += pageU
- # D += pageU
- L, R = min(L, R), max(L, R)
- U, D = min(U, D), max(U, D)
- if xf['category_id'] == 6 and xf['score'] >= 0.3:
- footer_bbox_from_DocXChain.append((L, U, R, D))
-
-
- footer_final_names = []
- footer_final_bboxs = []
- footer_ID = 0
- for L, U, R, D in footer_bbox_from_DocXChain:
- # cur_footer = page.get_pixmap(clip=(L,U,R,D))
- new_footer_name = "footer_{}_{}.png".format(page_ID, footer_ID) # 脚注name
- # cur_footer.save(res_dir_path + '/' + new_footer_name) # 把页脚存储在新建的文件夹，并命名
- footer_final_names.append(new_footer_name) # 把脚注的名字存在list中
- footer_final_bboxs.append((L, U, R, D))
- footer_ID += 1
-
- footer_final_bboxs.sort(key = lambda LURD: (LURD[1], LURD[0]))
- curPage_all_footer_bboxs = footer_final_bboxs
- return curPage_all_footer_bboxs
|
