From e9386aa667ba0737352429dfe054de18e69ebebb Mon Sep 17 00:00:00 2001 From: Byaidu <909756245@qq.com> Date: Sun, 8 Dec 2024 18:14:13 +0800 Subject: [PATCH 1/2] fix: code overlap --- pdf2zh/converter.py | 10 ++++++++-- 1 file changed, 8 insertions(+), 2 deletions(-) diff --git a/pdf2zh/converter.py b/pdf2zh/converter.py index 19079659..6538d08b 100644 --- a/pdf2zh/converter.py +++ b/pdf2zh/converter.py @@ -231,7 +231,11 @@ def vflag(font: str, char: str): # 匹配公式（和角标）字体 if ( # 判定当前公式是否结束 not cur_v # 1. 当前字符不属于公式 or cls != xt_cls # 2. 当前字符与前一个字符不属于同一段落 - or (abs(child.x0 - xt.x0) > vmax and cls != 0) # 3. 段落内换行，可能是一长串斜体的段落，也可能是段内分式换行，这里设个阈值进行区分 + # or (abs(child.x0 - xt.x0) > vmax and cls != 0) # 3. 段落内换行，可能是一长串斜体的段落，也可能是段内分式换行，这里设个阈值进行区分 + # 禁止纯公式（代码）段落换行，直到文字开始再重开文字段落，保证只存在两种情况 + # A. 纯公式（代码）段落（锚定绝对位置）sstk[-1]=="" -> sstk[-1]=="$v*$" + # B. 文字开头段落（排版相对位置）sstk[-1]!="" + or (sstk[-1] != "" and abs(child.x0 - xt.x0) > vmax) # 因为 cls==xt_cls==0 一定有 sstk[-1]==""，所以这里不需要再判定 cls!=0 ): if vstk: if ( # 根据公式右侧的文字修正公式的纵向偏移 @@ -240,6 +244,8 @@ def vflag(font: str, char: str): # 匹配公式（和角标）字体 and child.x0 > max([vch.x0 for vch in vstk]) # 3. 当前字符在公式右侧 ): vfix = vstk[0].y0 - child.y0 + if sstk[-1] == "": + xt_cls = -1 # 禁止纯公式段落（sstk[-1]=="$v*$"）的后续连接，但是要考虑新字符和后续字符的连接，所以这里修改的是上个字符的类别 sstk[-1] += f"$v{len(var)}$" var.append(vstk) varl.append(vlstk) @@ -263,7 +269,7 @@ def vflag(font: str, char: str): # 匹配公式（和角标）字体 child.size > pstk[-1].size / 0.79 # 1. 当前字符显著比段落字体大 or len(sstk[-1].strip()) == 1 # 2. 当前字符为段落第二个文字（考虑首字母放大的情况） ): - pstk[-1].y -= child.size - pstk[-1].size # hack 这个段落纵向位置的修正有问题，不过先凑合用吧 + pstk[-1].y -= child.size - pstk[-1].size # 修正段落初始纵坐标，假设两个不同大小字符的上边界对齐 pstk[-1].size = child.size sstk[-1] += child.get_text() else: # 公式入栈 From efe48bfa40e6837545fe85e73661d3b9b618fb97 Mon Sep 17 00:00:00 2001 From: Byaidu <909756245@qq.com> Date: Sun, 8 Dec 2024 22:40:18 +0800 Subject: [PATCH 2/2] fix: tqdm --- pdf2zh/high_level.py | 8 +++----- 1 file changed, 3 insertions(+), 5 deletions(-) diff --git a/pdf2zh/high_level.py b/pdf2zh/high_level.py index 47bc16ba..510798bf 100644 --- a/pdf2zh/high_level.py +++ b/pdf2zh/high_level.py @@ -48,13 +48,11 @@ def extract_text_to_fp( parser = PDFParser(inf) doc = PDFDocument(parser, password=password) - with tqdm.tqdm( - enumerate(PDFPage.create_pages(doc)), - total=total_pages, - ) as progress: - for pageno, page in progress: + with tqdm.tqdm(total=total_pages) as progress: + for pageno, page in enumerate(PDFPage.create_pages(doc)): if pages and (pageno not in pages): continue + progress.update() if callback: callback(progress) page.pageno = pageno