Google Document AI OCR处理希伯来语PDF段落序号位置异常求助

针对你遇到的Google Document AI/Vision AI处理希伯来语PDF时段落编号跑到正文前的问题，核心原因是AI对从右到左（RTL）语言与LTR元素（如阿拉伯数字编号）的混合布局识别偏差，可以通过以下几个方案解决：

1. 明确指定文档语言为希伯来语 #

默认自动检测语言可能导致RTL处理精度不足，调用API时显式设置language_code为"he"，让模型优先按照希伯来语的RTL规则解析布局。

Document AI 请求示例（Python）： #

from google.cloud import documentai_v1 as documentai

client = documentai.DocumentProcessorServiceClient()
request = documentai.ProcessRequest(
    name="你的处理器名称",
    raw_document=documentai.RawDocument(content=pdf_content, mime_type="application/pdf"),
    # 显式指定希伯来语
    process_options=documentai.ProcessOptions(language_codes=["he"])
)
response = client.process_document(request)

2. 基于Bounding Box手动修正行内文本顺序 #

AI返回的token布局虽显示位置"不正确"，但可通过每个token的bounding box坐标重新排序：希伯来语RTL文本的视觉顺序是从右到左，对应页面x坐标（从左到右递增）的从大到小排列。遍历每行的token，按x_max降序排序后拼接文本，即可修正编号与正文的顺序。

修改你的代码实现： #

# documents - output of the Documents API
for document in documents:
    for page in document.pages:
        if page.page_number <= 10:
            for line in page.lines:
                # 按token在页面的x坐标降序排序，匹配RTL阅读顺序
                sorted_tokens = sorted(line.tokens, key=lambda t: t.layout.bounding_poly.vertices[0].x, reverse=True)
                # 拼接排序后的token文本
                line_text = "".join([
                    document.text[t.layout.text_anchor.text_segments[0].start_index:t.layout.text_anchor.text_segments[0].end_index] 
                    for t in sorted_tokens
                ])
                print(line_text)

注：顶点坐标的x值越大，代表该token在页面上越靠右，符合希伯来语从右到左的阅读逻辑。

3. 使用Document AI的布局专用模型 #

基础OCR模型对复杂RTL布局支持有限，切换到LAYOUT_PARSER或FORM_PARSER模型，这类模型专门优化了多语言布局识别，能更准确区分RTL文本与LTR编号的位置关系。

4. 后处理规则修正 #

如果以上方法仍有偏差，可添加后处理逻辑：识别段落开头的数字编号，将其移动到段落末尾（符合希伯来语段落编号的常规排版位置）。示例逻辑：

import re

def fix_paragraph_order(text):
    # 匹配开头的阿拉伯数字编号（如"1. " "2 "等格式）
    match = re.match(r"^(\d+[\. ]+)(.*)", text.strip())
    if match:
        number, content = match.groups()
        # 将编号移到段落末尾
        return f"{content}{number}"
    return text

# 在输出前调用修正函数
print(fix_paragraph_order(line_text))

内容的提问来源于stack exchange，提问作者Julia Grobman