Class: Rpdfium::Util::WordMerger

Inherits:
Object
  • Object
show all
Defined in:
lib/rpdfium/util/word_merger.rb

Overview

Fonde word adiacenti sulla stessa riga in un’unica word con bbox aggregata e text concatenato.

Tre strategie disponibili come metodi separati:

  • ‘merge_by_proximity` — fonde tutte le word adiacenti che soddisfano il criterio di vicinanza. Strategia base.

  • ‘merge_by_label` — fonde solo word che condividono la stessa “label” (chiave esterna calcolata dal chiamante). Utile per preservare la semantica quando label diverse cadono sulla stessa riga (es. flag in colonne adiacenti).

  • ‘merge_unlabeled` — fonde solo word “orfane” (label nil) lasciando intatte quelle con label. Inverso di merge_by_label.

Tutte ritornano una nuova lista di word, con quelle fuse rappresentate come hash ‘{ text:, x0:, x1:, top:, bottom: }`.

Examples:

merge per proximity

merger = Rpdfium::Util::WordMerger.new(x_gap: 20.0, y_tol: 3.0)
merged = merger.merge_by_proximity(words)

merge per label, con label fornita dal chiamante

labels_by_word = words.each_with_object({}) { |w, h| h[w] = compute_label(w) }
merged = merger.merge_by_label(words, labels_by_word)

Constant Summary collapse

DEFAULT_X_GAP = 
20.0
DEFAULT_Y_TOL = 
3.0

Instance Method Summary collapse

Constructor Details

#initialize(x_gap: DEFAULT_X_GAP, y_tol: DEFAULT_Y_TOL) ⇒ WordMerger

Returns a new instance of WordMerger.



35
36
37
38
 
# File 'lib/rpdfium/util/word_merger.rb', line 35

def initialize(x_gap: DEFAULT_X_GAP, y_tol: DEFAULT_Y_TOL)
  @x_gap = x_gap
  @y_tol = y_tol
end

Instance Method Details

#merge_by_label(words, labels_by_word) ⇒ Object

Fonde solo word con la stessa label.

Parameters:

  • labels_by_word (Hash) —

    mapping word → label (qualunque tipo). Word con stessa label vengono fuse, word con label diverse no.



48
49
50
51
52
 
# File 'lib/rpdfium/util/word_merger.rb', line 48

def merge_by_label(words, labels_by_word)
  merge_groups(words) do |a, b|
    labels_by_word[a] == labels_by_word[b]
  end
end

#merge_by_proximity(words) ⇒ Object

Fonde tutte le word adiacenti (stessa riga + gap orizzontale ≤ x_gap).



41
42
43
 
# File 'lib/rpdfium/util/word_merger.rb', line 41

def merge_by_proximity(words)
  merge_groups(words) { |a, b| true }
end

#merge_unlabeled(words, labels_by_word) ⇒ Object

Fonde solo word con label nil (orfane).



55
56
57
58
59
 
# File 'lib/rpdfium/util/word_merger.rb', line 55

def merge_unlabeled(words, labels_by_word)
  merge_groups(words) do |a, b|
    labels_by_word[a].nil? && labels_by_word[b].nil?
  end
end