Label Studio Pdf 标签完全指南文档级标注与 OCR 校验的配置实战【免费下载链接】label-studioLabel Studio is a multi-type data labeling and annotation tool with standardized output format项目地址: https://gitcode.com/GitHub_Trending/la/label-studioPdf 标签用于在 Label Studio 标注界面中直接渲染并浏览 PDF 文档是处理合同、票据、论文等 PDF 数据类型的核心对象标签。本文以 Pdf 标签文档 为主体结合 Pdf 标签源码实现 与仓库标注模板完整讲解其参数、文档级分类标注、Enterprise OCR 校验配置、样式控制与输出结果格式帮助你快速搭建可复用的 PDF 标注方案。Pdf 标签能做什么Pdf 标签在标注界面中显示一个 PDF 文档配合其他控制标签如 Choices、OcrLabels 等可以完成以下工作文档级标注对整份 PDF 做分类如法律 / 财务 / 技术文档、转录、摘要等标注OCR 校验Enterprise在包含文本层的 PDF 上绘制边界框读取并校验底层文本交互浏览内置缩放Zoom与旋转Rotation能力支持最多100 页的 PDF 文档。该标签适用于数据字段类型为PDFURL的任务即在导入数据时以 URL 形式引用 PDF 文件。能力提示Enterprise 版本还可以将 Pdf 标签与 Prompts 提示词工作流结合用于 PDF 自动摘要、分类、信息抽取与文档智能Document Intelligence等自动标注场景。Pdf 标签参数Pdf 标签的核心参数定义如下对应 includes/tags/pdf.md 中的参数表ParamTypeDescriptionvaluestring数据字段值包含 PDF 的 URLData field value containing the URL to the PDFname标签名称用于其他标签如 Choices通过toName关联value指向任务数据中存放 PDF 地址的字段例如value$pdf表示从任务 JSON 的pdf字段读取 URL。从源码实现看Pdf.jsxPdf 标签的类型为pdf其value属性在渲染前会通过parseValue(self.value, store.task.dataObj)从当前任务的dataObj中解析出真实地址_url。换句话说value字段名必须与任务数据 JSON 中的键保持一致。示例一PDF 文档级分类最常见的用法是看 PDF 做分类。下面这段标注配置对 PDF 文档应用文档级分类View Pdf namepdf value$pdf / Choices namechoices toNamepdf Choice valueLegal / Choice valueFinancial / Choice valueTechnical / /Choices /View对应示例输入数据{ pdf: https://app.humansignal.com/static/samples/opossum-cuteness.pdf }说明Pdf namepdf value$pdf /声明 PDF 对象value$pdf读取任务 JSON 中pdf字段的 URL示例 URL 为文档作者提供的演示地址实际项目中请替换为你自己的 PDF 存储地址Choices toNamepdf将单选分类控件绑定到该 PDF 对象上实现文档级分类标注分类、转录、摘要等文档级任务均可沿用这一模式只需替换控制标签类型。示例二PDF OCR 校验Label Studio EnterpriseEnterprise 专属OCR 校验功能仅在 Label Studio Enterprise 中提供。社区版与 Starter Cloud 用户如需对 PDF 做 OCR 标注需先将 PDF 转换为图片再使用类似多页文档标注模板的配置将每页作为图片对象进行标注。OCR 校验的标注配置如下View OcrLabels nameocr toNamepdf Label valueTypo/ Label valueIncorrect amount/ Label valueIncorrect name/ /OcrLabels Pdf namepdf value$pdf/ /View对应示例输入数据{ pdf: https://app.humansignal.com/static/samples/opossum-cuteness.pdf }OcrLabels 标签说明OcrLabels标签会在 PDF 上添加边界框bounding box并允许为每个边界框分配标签。其要点如下必须包含一个或多个Label子标签如上例中的 Typo、Incorrect amount、Incorrect name支持标准参数例如maxUsages限制某个标签的最大使用次数用法可参考 RectangleLabels 等标签绘制边界框后工具会尝试读取该区域下方文本层中的文字并高亮显示。支持的 PDF文本层是关键OCR 校验对 PDF 的类型有明确要求最适合的 PDF已包含可选中的文本层text overlay / text layer的 PDF。这类 PDF 中绘制边界框时工具可以直接读取并高亮底层文本不适合的 PDF仅含图片的 PDF如扫描件、手机拍照件没有文本层不会返回文本需要先用外部 OCR 工具为 PDF 添加文本层质量风险提示如果 PDF 的文本层错位或质量较差捕获到的文本可能不完整或不准确——该功能恰好可用于审计和改进这些文本层覆盖质量。控制 PDF 显示高度默认情况下PDF 会渲染为当前页面的完整高度。若需限制高度可对.htx-pdf类应用样式设置高度。一个良好的默认值是calc(100vh - 250px)具体像素值可根据你标注配置中额外元素的高度微调Style .htx-pdf { height: calc(100vh - 250px); } /Style补充源码细节从 Pdf.jsx 的渲染组件看Pdf 标签最终通过embed src{item._url} style{{ width: 100%, height: 600px, border: none }} typeapplication/pdf /内嵌方式加载 PDF即浏览器原生 PDF 查看器默认高度为 600px、宽度占满容器。因此在实际使用中建议结合.htx-pdf样式类或容器布局调整高度以匹配你的标注界面整体设计。OCR 校验结果输出格式使用 OcrLabels 进行 OCR 校验后每个标注区域会输出如下结果字段ResultTypeDescriptionx、y、width、heightNumber0 到 1 之间的数值相对于页面尺寸归一化rotationNumber顺时针旋转角度范围 0–360原点为区域左上角(x, y)pageIndexNumber页码从 1 开始1-basedocrtextString捕获到的文本选中区域后可在Info面板中编辑该文本注意旋转原点的细节在界面上旋转时视觉上看起来是围绕区域的中心旋转但数据存储时原点记录为区域的左上角(x, y)。理解这一差异有助于你在后处理坐标或解析导出结果时正确还原标注区域。从源码理解 Pdf 标签的注册与渲染在开源仓库的前端编辑器中Pdf 标签的实现位于 web/libs/editor/src/tags/object/Pdf.jsx模型定义L21-L32通过 MobX State Tree 定义type: pdf与可空的value/_url字段updateValue动作在渲染前从任务数据中解析 URL组合与注册L34-L46PdfModel组合了 Base、ProcessAttrsMixin、AnnotationMixin 等基础能力并通过Registry.addTag(pdf, PdfModel, HtxPdf)与Registry.addObjectType(PdfModel)注册为对象类型标签从而可以成为 Choices 等控制标签的toName关联目标渲染组件L36-L41若_url未解析成功则返回空否则渲染浏览器原生 PDF embed 视图。这意味着只要任务数据字段能正确提供可访问的 PDF URLPdf 标签即可直接工作value字段解析失败如字段名拼写错误或 URL 不可达时界面不会渲染 PDF 内容因此请务必核对导入数据中的字段名与value$xxx一致。使用建议与限制汇总数据类型仅适用于字段类型为 PDF URL 的任务数据页数上限最多支持 100 页的 PDF交互能力缩放与旋转已内置无需额外配置OCR 前置条件Enterprise 的 OCR 校验依赖 PDF 文本层扫描件需先经外部 OCR 工具补层样式控制通过.htx-pdf样式类调整显示高度默认渲染高度为 600px源码内联样式社区版替代方案文档级分类/转录/摘要可直接使用 Pdf 标签OCR 类标注需将 PDF 转图片后按多页图片标注模板处理。掌握 Pdf 标签的参数与三种典型用法文档级分类、Enterprise OCR 校验、高度样式控制即可在 Label Studio 中快速搭建适用于合同审阅、票据校验、论文批注等场景的 PDF 标注流程。【免费下载链接】label-studioLabel Studio is a multi-type data labeling and annotation tool with standardized output format项目地址: https://gitcode.com/GitHub_Trending/la/label-studio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Label Studio Pdf 标签完全指南：文档级标注与 OCR 校验的配置实战
Label Studio Pdf 标签完全指南文档级标注与 OCR 校验的配置实战【免费下载链接】label-studioLabel Studio is a multi-type data labeling and annotation tool with standardized output format项目地址: https://gitcode.com/GitHub_Trending/la/label-studioPdf 标签用于在 Label Studio 标注界面中直接渲染并浏览 PDF 文档是处理合同、票据、论文等 PDF 数据类型的核心对象标签。本文以 Pdf 标签文档 为主体结合 Pdf 标签源码实现 与仓库标注模板完整讲解其参数、文档级分类标注、Enterprise OCR 校验配置、样式控制与输出结果格式帮助你快速搭建可复用的 PDF 标注方案。Pdf 标签能做什么Pdf 标签在标注界面中显示一个 PDF 文档配合其他控制标签如 Choices、OcrLabels 等可以完成以下工作文档级标注对整份 PDF 做分类如法律 / 财务 / 技术文档、转录、摘要等标注OCR 校验Enterprise在包含文本层的 PDF 上绘制边界框读取并校验底层文本交互浏览内置缩放Zoom与旋转Rotation能力支持最多100 页的 PDF 文档。该标签适用于数据字段类型为PDFURL的任务即在导入数据时以 URL 形式引用 PDF 文件。能力提示Enterprise 版本还可以将 Pdf 标签与 Prompts 提示词工作流结合用于 PDF 自动摘要、分类、信息抽取与文档智能Document Intelligence等自动标注场景。Pdf 标签参数Pdf 标签的核心参数定义如下对应 includes/tags/pdf.md 中的参数表ParamTypeDescriptionvaluestring数据字段值包含 PDF 的 URLData field value containing the URL to the PDFname标签名称用于其他标签如 Choices通过toName关联value指向任务数据中存放 PDF 地址的字段例如value$pdf表示从任务 JSON 的pdf字段读取 URL。从源码实现看Pdf.jsxPdf 标签的类型为pdf其value属性在渲染前会通过parseValue(self.value, store.task.dataObj)从当前任务的dataObj中解析出真实地址_url。换句话说value字段名必须与任务数据 JSON 中的键保持一致。示例一PDF 文档级分类最常见的用法是看 PDF 做分类。下面这段标注配置对 PDF 文档应用文档级分类View Pdf namepdf value$pdf / Choices namechoices toNamepdf Choice valueLegal / Choice valueFinancial / Choice valueTechnical / /Choices /View对应示例输入数据{ pdf: https://app.humansignal.com/static/samples/opossum-cuteness.pdf }说明Pdf namepdf value$pdf /声明 PDF 对象value$pdf读取任务 JSON 中pdf字段的 URL示例 URL 为文档作者提供的演示地址实际项目中请替换为你自己的 PDF 存储地址Choices toNamepdf将单选分类控件绑定到该 PDF 对象上实现文档级分类标注分类、转录、摘要等文档级任务均可沿用这一模式只需替换控制标签类型。示例二PDF OCR 校验Label Studio EnterpriseEnterprise 专属OCR 校验功能仅在 Label Studio Enterprise 中提供。社区版与 Starter Cloud 用户如需对 PDF 做 OCR 标注需先将 PDF 转换为图片再使用类似多页文档标注模板的配置将每页作为图片对象进行标注。OCR 校验的标注配置如下View OcrLabels nameocr toNamepdf Label valueTypo/ Label valueIncorrect amount/ Label valueIncorrect name/ /OcrLabels Pdf namepdf value$pdf/ /View对应示例输入数据{ pdf: https://app.humansignal.com/static/samples/opossum-cuteness.pdf }OcrLabels 标签说明OcrLabels标签会在 PDF 上添加边界框bounding box并允许为每个边界框分配标签。其要点如下必须包含一个或多个Label子标签如上例中的 Typo、Incorrect amount、Incorrect name支持标准参数例如maxUsages限制某个标签的最大使用次数用法可参考 RectangleLabels 等标签绘制边界框后工具会尝试读取该区域下方文本层中的文字并高亮显示。支持的 PDF文本层是关键OCR 校验对 PDF 的类型有明确要求最适合的 PDF已包含可选中的文本层text overlay / text layer的 PDF。这类 PDF 中绘制边界框时工具可以直接读取并高亮底层文本不适合的 PDF仅含图片的 PDF如扫描件、手机拍照件没有文本层不会返回文本需要先用外部 OCR 工具为 PDF 添加文本层质量风险提示如果 PDF 的文本层错位或质量较差捕获到的文本可能不完整或不准确——该功能恰好可用于审计和改进这些文本层覆盖质量。控制 PDF 显示高度默认情况下PDF 会渲染为当前页面的完整高度。若需限制高度可对.htx-pdf类应用样式设置高度。一个良好的默认值是calc(100vh - 250px)具体像素值可根据你标注配置中额外元素的高度微调Style .htx-pdf { height: calc(100vh - 250px); } /Style补充源码细节从 Pdf.jsx 的渲染组件看Pdf 标签最终通过embed src{item._url} style{{ width: 100%, height: 600px, border: none }} typeapplication/pdf /内嵌方式加载 PDF即浏览器原生 PDF 查看器默认高度为 600px、宽度占满容器。因此在实际使用中建议结合.htx-pdf样式类或容器布局调整高度以匹配你的标注界面整体设计。OCR 校验结果输出格式使用 OcrLabels 进行 OCR 校验后每个标注区域会输出如下结果字段ResultTypeDescriptionx、y、width、heightNumber0 到 1 之间的数值相对于页面尺寸归一化rotationNumber顺时针旋转角度范围 0–360原点为区域左上角(x, y)pageIndexNumber页码从 1 开始1-basedocrtextString捕获到的文本选中区域后可在Info面板中编辑该文本注意旋转原点的细节在界面上旋转时视觉上看起来是围绕区域的中心旋转但数据存储时原点记录为区域的左上角(x, y)。理解这一差异有助于你在后处理坐标或解析导出结果时正确还原标注区域。从源码理解 Pdf 标签的注册与渲染在开源仓库的前端编辑器中Pdf 标签的实现位于 web/libs/editor/src/tags/object/Pdf.jsx模型定义L21-L32通过 MobX State Tree 定义type: pdf与可空的value/_url字段updateValue动作在渲染前从任务数据中解析 URL组合与注册L34-L46PdfModel组合了 Base、ProcessAttrsMixin、AnnotationMixin 等基础能力并通过Registry.addTag(pdf, PdfModel, HtxPdf)与Registry.addObjectType(PdfModel)注册为对象类型标签从而可以成为 Choices 等控制标签的toName关联目标渲染组件L36-L41若_url未解析成功则返回空否则渲染浏览器原生 PDF embed 视图。这意味着只要任务数据字段能正确提供可访问的 PDF URLPdf 标签即可直接工作value字段解析失败如字段名拼写错误或 URL 不可达时界面不会渲染 PDF 内容因此请务必核对导入数据中的字段名与value$xxx一致。使用建议与限制汇总数据类型仅适用于字段类型为 PDF URL 的任务数据页数上限最多支持 100 页的 PDF交互能力缩放与旋转已内置无需额外配置OCR 前置条件Enterprise 的 OCR 校验依赖 PDF 文本层扫描件需先经外部 OCR 工具补层样式控制通过.htx-pdf样式类调整显示高度默认渲染高度为 600px源码内联样式社区版替代方案文档级分类/转录/摘要可直接使用 Pdf 标签OCR 类标注需将 PDF 转图片后按多页图片标注模板处理。掌握 Pdf 标签的参数与三种典型用法文档级分类、Enterprise OCR 校验、高度样式控制即可在 Label Studio 中快速搭建适用于合同审阅、票据校验、论文批注等场景的 PDF 标注流程。【免费下载链接】label-studioLabel Studio is a multi-type data labeling and annotation tool with standardized output format项目地址: https://gitcode.com/GitHub_Trending/la/label-studio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考