Аналитика

Краткий обзор

NextPDF Enterprise Intelligence преобразует необработанные данные «ключ-значение» и таблицы в типизированные, при необходимости проверенные по схеме структуры и оркеструет генерацию PDF с возможностью поиска, управляя OCR-бэкендом над отсканированными страницами. Он описывает структуры, которые формирует; он не заявляет о точности OCR или полноте извлечения.

Доступность и лицензирование

Эта возможность поставляется в NextPDF Enterprise (nextpdf/enterprise) и активируется лицензионным конвертом уровня Enterprise. Развёртывание без этого права не загружает классы этой возможности. Развёртывание без активного права Enterprise не загружает эти классы. Сравните редакции и получите лицензию.

Установка

composer require nextpdf/enterprise:^3

Концептуальный обзор

Структурированный извлекатель принимает необработанные пары «ключ-значение» — сформированные на предыдущем шаге акселератором или эвристическим парсером — и выдаёт типизированные объекты пар. Когда задана схема, он оставляет только те пары, ключ которых соответствует полю схемы, и сообщает, каких обязательных полей не хватает. Пара без явной достоверности получает фиксированное значение по умолчанию. Это шаг типизации и проверки над уже извлечёнными данными; сам по себе он не является движком извлечения или распознавания и не вычисляет точность.

Извлекатель таблиц принимает необработанные сетки строк и строит структурированные результаты таблиц с объектами для каждой ячейки и синтезированными однородными ограничивающими прямоугольниками, полученными делением нормализованной области страницы. Короткие строки дополняются так, чтобы у каждой строки было максимальное число столбцов. Таблица без строк или без столбцов пропускается. Ограничивающие прямоугольники — это синтез однородной сетки, а не измеренный макет.

Оркестратор слоя с возможностью поиска принимает отсканированный или смешанный PDF, определяет, на каких страницах нет пригодного текстового слоя, управляет настроенным OCR-бэкендом и формирует результат, описывающий число слов на каждой странице и среднюю достоверность. Невидимый текст — это механизм страницы с возможностью поиска в отсканированном PDF: оператор вывода текста может разместить глифы, когда режим отрисовки текста задан так, что текст не заливается и не обводится — ISO 32000-2:2020 §9.3.3, — а операторы вывода текста размещают глифы в потоке содержимого — ISO 32000-2:2020 §9.4. Когда источник тегирован, иерархия логической структуры сопоставляет содержимое с порядком чтения — ISO 32000-2:2020 §14.7, тегированная структура поддерживает повторное использование содержимого — ISO 32000-2:2020 §14.8, а элементы структуры таблицы описывают строки и ячейки — ISO 32000-2:2020 §14.8.

Сама растеризация и внедрение невидимого текста выполняются отдельным sidecar-процессом; поверхность на PHP оркеструет рабочий процесс и формирует метаданные результата. Результат прогона наложения — это производный документ: любая существующая подпись становится недействительной, а статус соответствия требует повторной проверки. Значения достоверности — это пробрасываемые или фиксированные значения по умолчанию, а не гарантированный показатель точности.

Почему это работает именно так

Эта поверхность проводит чёткую границу между структурированием и распознаванием. Типизация и проверка по схеме выполняются внутри процесса, потому что они детерминированны и дёшевы. Распознавание — растеризация и внедрение невидимого текста — делегируется внедрённому OCR-бэкенду и отдельному sidecar, потому что оно тяжёлое, зависит от бэкенда и его лучше держать за пределами границы доверия PHP. Такое разделение позволяет развёртыванию выбирать, где вычисляются и хранятся изображения документов и распознанный текст, не меняя вызывающий код. Модуль также отказывается выдумывать показатель точности: непомеченная пара получает фиксированное значение по умолчанию, а сообщаемая достоверность пробрасывается, а не вычисляется. Вызывающему коду никогда не передаётся сфабрикованное число точности.

Предыстория проектирования: API, который отказывается угадывать.

Поверхность API

Тип	Вид	Роль	Стабильность	Начиная с
StructuredExtractor	класс	Типизирует необработанные пары «ключ-значение»; фильтр по схеме и проверка обязательных полей	стабильный	2.2.0
ExtractionSchema / SchemaField	классы	Определения полей и набор обязательных полей	стабильный	2.2.0
KeyValuePair	класс	Одна типизированная пара «ключ-значение» с достоверностью	стабильный	2.2.0
TableExtractor	класс	Строит структурированные таблицы из необработанных сеток строк	стабильный	2.2.0
TableResult / TableCell	классы	Форма таблицы с текстом, достоверностью и ограничивающим прямоугольником для каждой ячейки	стабильный	2.2.0
SearchableOverlay	класс	Оркеструет генерацию PDF с возможностью поиска через OCR	стабильный	2.2.0
OverlayConfig / OverlayQuality	классы	Подсказка языка, DPI, предустановка качества, пропуск собственных страниц	стабильный	2.2.0
SearchableOverlayResult / PageOverlayInfo	классы	Число слов на каждой странице и средняя достоверность	стабильный	2.2.0
ExtractionConfig / ExtractionStrategy	классы	Эвристическая стратегия против стратегии с поддержкой OCR и подсказки OCR	стабильный	2.2.0

OCR-бэкенд — это внедряемый контракт. Оркестратор не встраивает модель OCR; развёртывание предоставляет бэкенд и отвечает за то, где выполняется OCR.

Пример кода — быстрый старт

Type and schema-validate raw key-value pairs

<?php

declare(strict_types=1);

require_once __DIR__ . '/vendor/autoload.php';

use NextPDF\Enterprise\Intelligence\StructuredExtractor;
use NextPDF\Enterprise\Intelligence\ExtractionSchema;

/**
 * Type raw pairs against a schema and list any missing required fields.
 *
 * @param list<array{key: string, value: string, confidence?: float}> $rawPairs Upstream key-value data.
 *
 * @return list<string> Missing required field names (empty when compliant).
 */
function validate(array $rawPairs, ExtractionSchema $schema): array
{
    $extractor = new StructuredExtractor();
    $pairs = $extractor->extract($rawPairs, $schema);

    return $extractor->validateSchema($schema, $pairs);
}

Извлекатель типизирует и фильтрует данные, которые уже сформировал предыдущий шаг. Сам он не выполняет распознавания.

Пример кода — рабочая среда

Searchable-overlay orchestration with safe logging

<?php

declare(strict_types=1);

require_once __DIR__ . '/vendor/autoload.php';

use NextPDF\Enterprise\Accelerator\OcrStrategyInterface;
use NextPDF\Enterprise\Intelligence\OverlayConfig;
use NextPDF\Enterprise\Intelligence\SearchableOverlay;
use Psr\Log\LoggerInterface;

final readonly class OverlayJob
{
    public function __construct(
        private OcrStrategyInterface $ocr,
        private LoggerInterface $logger,
    ) {}

    /**
     * Generate a searchable PDF from a scanned input.
     *
     * @param string $pdfData Scanned or mixed PDF bytes.
     *
     * @return string The derived searchable PDF bytes.
     */
    public function run(string $pdfData): string
    {
        try {
            $result = (new SearchableOverlay($this->ocr))
                ->generate($pdfData, new OverlayConfig(language: 'eng'));

            $this->logger->info('Overlay complete', [
                'pages' => $result->pageCount,
                'words' => $result->wordCount,
            ]);

            return $result->pdfData;
        } catch (\Throwable $e) {
            $this->logger->error('Overlay failed', ['error' => $e->getMessage()]);

            throw $e;
        }
    }
}

Журнал несёт только число страниц и слов. Он не содержит распознанного текста или байтов документа. Блок catch повторно выбрасывает исключение; он не проглатывает ошибку.

Граничные случаи и подводные камни

• Структурированный извлекатель и извлекатель таблиц потребляют уже извлечённые данные. Они не разбирают PDF, не запускают модель и не измеряют точность. Достоверность пробрасывается или является фиксированным значением по умолчанию.
• Синтезированные ограничивающие прямоугольники таблицы — это деление на однородную сетку, а не измеренный макет. Вызывающему коду, которому нужна реальная геометрия, придётся получить её в другом месте.
• Слой с возможностью поиска — это производный документ. Любая существующая цифровая подпись становится недействительной; статус соответствия необходимо повторно проверить после наложения.
• Когда OCR-бэкенд недоступен, затронутые страницы дают ноль слов, а не приводят к молчаливому сбою всего прогона — проверяйте результат по каждой странице.
• Страница, у которой уже есть пригодный собственный текстовый слой, по умолчанию пропускается. Отключите пропуск в конфигурации, если требуется повторный OCR.
• Точность OCR полностью зависит от предоставленного бэкенда, качества входных данных и подсказки языка. NextPDF не заявляет о точности распознавания или полноте извлечения.

Производительность

Структурированное извлечение и извлечение таблиц линейны по размеру входных данных. Стоимость слоя с возможностью поиска определяется в основном OCR-бэкендом и растеризацией в sidecar при настроенном DPI; накладные расходы оркестрации невелики. Входные данные по числу страниц и размеру ограничены и срабатывают защищённым отказом при переполнении. Профиль воспроизводимости — structural: извлечение детерминированно для фиксированного входа, тогда как результат наложения зависит от OCR-бэкенда и может различаться между бэкендами или версиями.

Замечания по безопасности

Извлекатели — это шаги структурирования только для чтения. Поверхность наложения формирует производный документ, ограничивает размер входных данных и число страниц и срабатывает защищённым отказом при переполнении. OCR-бэкенд — это точка интеграции, а не часть границы доверия; развёртывание выбирает и эксплуатирует его. В этом модуле не выполняется криптографических операций, поэтому он не делает заявлений о FIPS.

Размещение данных и меры по защите ПДн

Структурированное извлечение и извлечение таблиц выполняются внутри процесса на хосте. Оркестрация слоя с возможностью поиска управляет внедрённым OCR-бэкендом: где работает этот бэкенд — внутри процесса, в локальном sidecar или в удалённой службе — и, следовательно, где вычисляются и хранятся изображения документов и распознанный текст, является обязанностью развёртывания за пределами границы библиотеки. Если вход содержит персональные данные, их будет содержать и распознанный текстовый слой; относитесь к производному документу соответствующим образом.

Безопасная телеметрия и очистка журналов

Библиотека выбрасывает типизированные исключения со структурными сообщениями и не помещает в текст исключений байты документа или распознанный текст. Развёртывание, которое ведёт журналы вокруг этой поверхности, должно записывать счётчики и конфигурацию — как показано в примере для рабочей среды — и не должно записывать необработанные данные PDF или распознанный текст в журналы или в APM-бэкенд.

Поведение в режиме FIPS

В этом модуле не выполняется криптографических операций, поэтому специфичного для режима FIPS поведения нет.

Соответствие

Утверждение	Стандарт	Пункт
Режим отрисовки текста определяет, заливаются ли глифы, обводятся или нет (основа для невидимого OCR-текста).	ISO 32000-2:2020	§9.3.3
Операторы вывода текста размещают глифы в потоке содержимого.	ISO 32000-2:2020	§9.4
Иерархия логической структуры сопоставляет содержимое с порядком чтения.	ISO 32000-2:2020	§14.7
Тегированная структура поддерживает повторное использование содержимого.	ISO 32000-2:2020	§14.8
Элементы структуры таблицы описывают строки и ячейки.	ISO 32000-2:2020	§14.8
Дерево структуры сопоставляет содержимое с порядком чтения.	ISO 32000-2:2020	§14.7

Все пункты приведены в пересказе. NextPDF не воспроизводит нормативный текст. За авторитетной формулировкой обращайтесь к опубликованному стандарту. NextPDF не делает заявлений о точности OCR или полноте извлечения; на этой странице описаны формируемые структуры и граница оркестрации, а не гарантия качества.

Контракт поведения

• Структурированный извлекатель и извлекатель таблиц потребляют уже извлечённые данные; они не разбирают PDF, не запускают модель и не измеряют точность. Достоверность пробрасывается или является фиксированным значением по умолчанию.
• Фильтр по схеме оставляет только пары, ключ которых соответствует полю схемы, и сообщает об отсутствующих обязательных полях; синтезированные ограничивающие прямоугольники таблицы — это деление на однородную сетку, а не измеренный макет.
• Слой с возможностью поиска — это производный документ: любая существующая цифровая подпись становится недействительной, а статус соответствия необходимо повторно проверить.
• Когда OCR-бэкенд недоступен, затронутые страницы дают ноль слов, а не приводят к молчаливому сбою всего прогона; страница с пригодным собственным текстовым слоем по умолчанию пропускается.
• Входные данные по числу страниц и размеру ограничены и срабатывают защищённым отказом при переполнении. Извлечение детерминированно для фиксированного входа; результат наложения зависит от предоставленного OCR-бэкенда.

Граница публикации

Эта страница документирует только внешне наблюдаемое поведение и поддерживаемую публичную поверхность API. Внутренние пути пространств имён, вспомогательные классы, таблицы механизмов, имена файлов runbook и префиксы заявок находятся вне области рассмотрения.

Резервный режим Core

У NextPDF Core (Apache-2.0) нет ни оркестрации слоя с возможностью поиска, ни поверхности структурирования с проверкой по схеме — никакой; у этой возможности нет эквивалента в уровне Core. Модель AST в Core — это база разобранного документа, а не поверхность извлечения или OCR.

Резервный режим Pro

NextPDF Pro поставляет структурное извлечение на основе AST над уже разобранным документом; он не предоставляет структурирования «ключ-значение» с проверкой по схеме, восстановления таблиц из необработанных сеток или оркестрации OCR-слоя с возможностью поиска. Они поставляются только в пакете nextpdf/enterprise.

Замечание о границе Enterprise

Структурированный извлекатель и извлекатель таблиц, а также оркестратор наложения описаны на уровне поведения. Сама растеризация и внедрение невидимого текста выполняются в отдельном sidecar-процессе; внутренние детали sidecar, модель OCR и любые внутренние детали оркестрации находятся вне публичной поверхности. OCR-бэкенд — это внедряемый контракт, предоставляемый развёртыванием.

Граница развёртывания

Развёртывание предоставляет и эксплуатирует OCR-бэкенд и выбирает, где выполняется OCR (внутри процесса, в локальном sidecar или в удалённой службе) — и, следовательно, где вычисляются и хранятся изображения документов и распознанный текст. NextPDF Enterprise оркеструет рабочий процесс и формирует метаданные результата; он не встраивает модель OCR и не гарантирует точности распознавания или полноты извлечения.

Граница правового соответствия

К поверхности Intelligence не применяется ограничение экспортного контроля. Библиотека не даёт гарантий точности OCR или полноты извлечения и не утверждает статуса нормативного соответствия. Эта документация не является юридическим заключением; обращайтесь к собственным консультантам по комплаенсу и праву.

См. также

• Intelligence reference — глубокий справочник API для этой возможности.
• Pro extraction — структурные блоки цитирования на основе AST.
• Privacy — обнаружение ПДн в извлечённом тексте.
• NextPDF Enterprise — полная поверхность возможностей Enterprise.
• Core AST — модель разобранного документа.
• Tagged PDF · OCR · Searchable PDF — термины глоссария.