如何用Python实现符合人类阅读顺序的文档Bounding Box排序？

1. 行聚类+列划分的分层排序 #

• 行聚类：计算每个Box的垂直中心坐标(y1+y2)/2，把中心距离小于Box平均高度1/3的Box归为同一行——这个阈值可根据文档字号灵活调整，目的是把同一视觉行的Box聚在一起。
• 列划分：统计所有Box的x1坐标分布，找峰值之间的谷值作为列分隔线；或者用K-means聚类x坐标，用肘部法确定最优列数，把x坐标相近的Box划到同一列。
• 排序逻辑：先按行的顶部y1从上到下排，同一行内按x1从左到右排；多栏场景下，先排完第一栏的所有行，再依次排后面的列。

2. 模拟人类阅读路径的动态排序 #

• 核心是模拟人读文档的跳转逻辑：从最左上角的Box开始，优先找当前Box下方同列的Box，没有的话再找右侧列的最上方Box。
• 具体步骤：
  • 从所有未排序Box里挑初始节点：选y1最小的，若y1相同则选x1最小的。
  • 对每个已选的Box，计算所有未排序Box的「阅读优先级」：优先级=当前Box底部y2与候选Box顶部y1的距离绝对值 + 候选Box左侧x1与当前Box右侧x2的距离绝对值——值越小，越符合阅读顺序。
  • 挑优先级最高的Box加入排序结果，标记为已处理，重复直到所有Box排完。
• 多栏优化：先按x坐标聚类分好列，每列内部按y轴从上到下排，再按列的从左到右顺序拼接结果。

3. 结合布局识别的自适应排序 #

• 先判断页面布局类型：
  • 统计所有Box的x1方差，方差小就是单栏；x1有2个明显峰值就是双栏，以此类推。
  • 混合布局（比如上半双栏下半单栏）：按y轴切分区域，每个区域单独判断布局类型。
• 对应排序规则：
  • 单栏：直接按y1从上到下，同一行x1从左到右排。
  • 多栏：先聚类分列，每列内部按y轴排序，再按列顺序拼接。
  • 混合区域：每个区域单独排序后，按区域的垂直顺序拼接。

4. 优化DBSCAN列排序的方法 #

• 调整参数解决准确率低的问题：把eps设为页面宽度的1/(预估列数+1)，或者用Box的平均宽度做参考；min_samples设为1，避免漏掉只有少量Box的列。
• 聚类后，计算每个簇（列）的x1均值，按均值从左到右排序列，再每个列内按y1从上到下排Box。
• 跨列簇处理：如果聚类出现跨列的簇，先对簇内Box做行聚类，同一行的Box按x坐标拆分到对应列。

内容的提问来源于stack exchange，提问作者Sebas Fernández