使用Google Cloud Document AI处理阿拉伯语PDF时的行序错乱问题

我开发的应用采用Google Cloud Document AI处理PDF并提取文本，即便使用稳定版本，提取出的文本仍存在行序错乱问题，与原文档顺序不符。该问题对我的应用至关重要，因为后续处理流程依赖准确的文本提取结果。

我尝试直接读取文件而非以Buffer形式发送，且严格遵循Google提供的快速入门指南编写代码，具体实现如下：

async processDocument(fileContent: Buffer | undefined, contentType: string) {
  try {
    const name = `projects/${projectId}/locations/${location}/processors/${processorId}`;

    const encodedFile = Buffer.from(fileContent!).toString("base64");

    const request = {
      name,
      rawDocument: {
        content: encodedFile,
        mimeType: contentType,
      },
    };

    const [result] = await this.client.processDocument(request);
    const { document } = result;

    return document;
  } catch (error) {
    throw error;
  }
}
catch(error) {
  throw error;
}
}

（注：原截图显示提取出的文本行序与原文档阅读顺序不一致）

我在Google Cloud控制台测试该处理器时，返回结果行序正确，无异常情况。请问是否有开发者遇到过类似问题，或能指出问题根源？

可能的问题根源及解决方案： #

• 未按视觉位置排序识别结果
  Document AI返回的文本元素（行、段落）是按识别顺序输出的，并非默认遵循视觉阅读顺序。需要通过每个元素boundingPoly中的坐标（优先y轴，再结合x轴）重新排序文本行。

  示例排序代码：

  function sortTextByVisualPosition(document) {
    const sortedContent = [];
    document.pages.forEach(page => {
      const pageLines = [];
      // 遍历所有层级的文本元素
      page.blocks.forEach(block => {
        block.paragraphs.forEach(para => {
          para.lines.forEach(line => {
            // 获取行的顶部y坐标和左侧x坐标
            const topY = line.boundingPoly.vertices[0].y;
            const leftX = line.boundingPoly.vertices[0].x;
            pageLines.push({
              text: line.words.map(word => word.text).join(' '),
              topY,
              leftX
            });
          });
        });
      });
      // 先按垂直位置排序，同一行内按水平位置排序
      pageLines.sort((a, b) => {
        if (a.topY !== b.topY) return a.topY - b.topY;
        return a.leftX - b.leftX;
      });
      sortedContent.push(...pageLines.map(item => item.text));
    });
    return sortedContent.join('\n');
  }
  

• API请求与控制台配置不一致
  控制台测试可能默认启用了某些你API请求中遗漏的配置项。比如添加语言配置或OCR增强选项：

  const request = {
    name,
    rawDocument: {
      content: encodedFile,
      mimeType: contentType,
    },
    processOptions: {
      ocrConfig: {
        languageCode: "zh-CN", // 替换为文档实际语言
        enableImageQualityScores: true
      }
    }
  };
  

• 文档布局复杂度导致的识别偏差
  如果PDF包含分栏、浮动元素或为扫描件，基础处理器可能无法准确识别阅读顺序。可以尝试切换为Document OCR或Form Parser处理器，这类处理器对复杂布局的适配性更强。

内容的提问来源于stack exchange，提问作者Khaled Saleh