生成双层pdf后文字层错位

[Desmond9527]

Umi-OCR version 程序版本

2.1.1

Windows version 系统版本

win11

OCR plugins Used 使用的OCR插件

PaddleOCR

Reproduction steps 复现步骤

https://www.book123.info/detail/9787301317914

这个pdf文件识别时内容提取模式若为混合ocr/原文本，则只能识别出乱码，选择整页强制ocr，可以正常识别文字，但生成双层pdf后，文字层与图片层错位 其他pdf文档识别正常，文档本身为纯图片pdf，推测有其他元素干扰识别，将文档用abbyy另存为纯图片pdf后，使用混合ocr/原文本可以正常识别，但是识别后文字层与图片层还是错位

使用

https://www.52pojie.cn/forum.php?mod=viewthread&tid=1801849&highlight=%CB%AB%B2%E3pdf 该软件ocr文字层与图片层不会错位

但文字识别错误较多，作者称版面分析借鉴了hiroi-sora大佬的 【间隙·树·排序算法】，应该与Umi-OCR是同一算法，不知道为什么Umi-OCR版面错位

Problem screenshots or related files (optional) 问题截图或相关文件（可选）

社会学教程（第五版）_9787301317914.pdf

[hiroi-sora]

此Bug已修复。

• [x] 问题1：混合OCR/原文本 模式下，未考虑页面rotation参数的影响（整页旋转）。
  • [x] 提取过程中：反向旋转图片，抵消页面旋转。
  • [x] 写入过程中：正向旋转文本块。
• [x] 问题2：整页强制OCR 模式下，文本块坐标与实际位置不匹配。

[yang-521]

我是那款软件的作者，感谢大佬开发的插件和算法。文字错位是因为页面旋转，插入内容时会先旋转到0，然后再恢复，增加页面放大系数后返回的坐标如果不做处理，在插入时也会产生偏差，包括文字大小。 可以用fitz自带的page.derotation_matrix 计算旋转坐标，再置入文本，就可以解决这个问题了

protation = page.rotation  #获取旋转角度
point = fitz.Point(x, y) * page.derotation_matrix   #计算插入点的旋转后的坐标
page.insert_text(
                 point,
                text,
                fontsize,
                fontname="cjk",
                rotate=protation,  # 文本角度设定
                stroke_opacity=0,  # 描边透明度
                fill_opacity=0,  # 填充（字体）透明度
            )

[hiroi-sora]

@yangyunlv 感谢建议！用fitz的逆旋转矩阵来求坐标确实简单快速。此 Issue 的问题已解决。

另外，我之前遇到了一份异常PDF，第1页除了旋转，还存在缩放和偏移。我测试了你的软件（v2.4.2），也无法处理第1页。可否一起研究下？

异常样本：首页缩放.pdf

[yang-521]

他原先测试用的应该是2.4以下的版本，当时我用的还是pypdf库，有个应用旋转页面的函数[transfer_rotation_to_content]。2.4后的版本引入你的算法后改用了fitz，但旋转问题还没解决。 先研究看看

[yang-521]

可能是因为有多个页面对象导致的坐标问题，在页面插入内容之前清理掉就正常了[Page.clean_contents()]

page.clean_contents()
for tb in res["data"]:
................

[hiroi-sora]

在页面插入内容之前清理掉就正常了

感谢！有效。整页强制OCR模式下，写入文本位置都是正确的了。但提取原始图片的模式，依然存在 坐标偏移问题 。应该是前期提取时，图片基准坐标不准确。