Před předáním úkolu překladu PDF nejprve zkontrolujte písmo, místo abyste spěchali se změnou písma.

Když mnoho lidí dostane PDF k překladu, první věc, kterou napadne, je přímo změnit na Siyuan Hengti nebo Arial. To často způsobuje problémy při doručování: matematické symboly se stávají čtverečky, čísla tabulek jsou špatně zarovnaná nebo nelze v některých čtečkách otevřít překlad. Tento článek je napsán pro vývojáře a správce dokumentů, kteří potřebují převzít úlohu překladu PDF. Po přečtení budete vědět, jak používat PyMuPDF k inventarizaci písem, jak interpretovat vrácené výsledky a jaké závěry nelze vyvodit pouze na základě výstupu kódu.

Účelem inventáře písem je potvrdit technickou upravitelnost a stabilitu vykreslování, nikoli provádět audit souladu s právními předpisy. Výchozí seznam písem se liší od délky n-tice vrácené full=True. Při čtení je třeba vzít prvních šest položek a poté zkontrolovat, zda jsou bajty písma vrácené extract_font prázdné. Odkazy na písma Base14 neznamenají, že písmo je vložené programem a písma podmnožiny by neměla být vždy považována za chybu.

Závěr jednou větou

Nejprve proveďte inventarizaci písem a poté určete cestu překladu. Před extrahováním textu globálně neměňte písma.

Proč nemůžeme globálně přímo nahradit písma?

Přímá výměna písem narazí na několik typických problémů:

• Matematické symboly v původním textu se stanou čtverci.
• Zarovnání čísel v tabulce na stejnou šířku je neplatné.
• Jsou vložena omezená písma, což způsobuje, že se překlad v některých čtečkách neotevře.

Proto před zahájením extrakce textu nebo rekonstrukce sazby proveďte inventarizaci písem dokumentu. `get_page_fonts()` je základní sonda poskytovaná PyMuPDF, která vám může říct, na které zdroje písem skutečně odkazuje každá stránka, zda jsou plně vložené a typ kódování. Tyto informace určují, zda se má v budoucnu použít OCR, přímá výměna nebo ruční přeuspořádání.

Klíčové body při čtení informací o písmech

• Výchozí seznam písem má jinou délku než n-tice vrácená full=True, která se čte jako prvních šest položek.
• Když je program písem prázdný, znamená to, že vložené bajty písem nejsou extrahovány.
• Podmnožina písem si musí ponechat pouze identifikátor písma a neposuzuje to přímo jako chybu.

Syntetické testování: konstrukce paměti a ověřování tvrzení

Aby mohl příklad běžet izolovaně, vytvořili jsme plně samostatný testovací případ. Namísto spoléhání se na externí soubory používá skript PyMuPDF k vytvoření PDF obsahujícího standardní písma v paměti a poté v něm okamžitě provádí inventarizaci písem. Tím je zajištěna nejen reprodukovatelnost, ale také zabránění rizikům souvisejícím s autorským právem a soukromím.

import pymupdf
with pymupdf.open() as doc:
    page = doc.new_page()
    page.insert_text((72, 72), "Font sample", fontname="helv")
    fonts = doc.get_page_fonts(0, full=True)
    assert fonts
    report = []
    for item in fonts:
        xref, ext, kind, basefont, name, encoding = item[:6]
        extracted_name, extracted_ext, extracted_type, data = doc.extract_font(xref)
        report.append({"name": basefont, "font_program_present": bool(data),
                       "xref": xref, "encoding": encoding})
    assert report[0]["name"] == "Helvetica"
    assert report[0]["font_program_present"] is False
    assert report[0]["xref"] > 0

Tento test má jasné hranice: „poškozený"nebo „nevložený"objekt syntetického písma nelze zkonstruovat v paměti, aniž by byl vložen externí soubor písma. Proto se tento test zaměřuje na dvě věci: ověření přesnosti analýzy normálních vložených písem a obrannou manipulaci s neplatnými čísly stránek funkcí. Výjimečné větve je třeba testovat individuálně. Demo kód běží v izolovaném prostředí, ale to nepředstavuje záruku všech skutečných souborů nebo výkonu produktu.

Kritéria přijetí a hranice manuální kontroly

„Bezpečný"nebo „varovný"výstup z kódu jsou pouze technické signály a nelze je přímo přirovnávat k proveditelnosti překladu. Skript dokáže přesně hlásit stav vložení, ale nedokáže zjistit, zda má písmo odpovídající glyf v cílovém jazyce, ani nedokáže vyhodnotit, zda licence umožňuje úpravu vložení. Tato rozhodnutí musí učinit lidé v kontextu projektu.

Konkrétní rozhodnutí týkající se zpracování výjimek

Před manipulací s důležitými dokumenty si prosím ponechte originály a zkontrolujte je podle výše uvedených hranic a položek přijetí.

🎯 Která metoda ti vyhovuje?

Pokud právě obdržíte PDF k překladu

Nejprve si zkontroluj písma a pak se rozhodni, kterou cestou se vydat; nespěchej s jejich nahrazením.

Pokud výsledek detekce ukáže, že program písma je prázdný

Nahrajte to a ověřte obsah stránky; nepředpokládejte, že vkládání je dokončeno.

Pokud dokument obsahuje podmnožiny fontů

Uchovejte značky písma a choďte k nim normálně, místo abyste je přímo soudili jako chyby.

Pokud je vyžadováno ověření u skutečných dokumentů

Použijte vzorek desenzibilizace, který jste nahráli s vaším svolením, a ověřte výsledky pomocí položek kontrolního seznamu v tomto článku.

❓ Často kladené otázky (FAQ)

1. Znamená Base14 font reference, že písmo je už vložené?

Ne. References písma Base14 neznamenají, že program písma je vložený; musíte zkontrolovat, zda jsou bajty fontů vrácenéextract_font prázdné.

2. Je určitě problém s fontem podmnožiny?

Nemusí to tak být. Podmnožina písem by neměla být jednotně označována jako chyba; stačí si zachovat identifikátory písem a přímo je nehodnocovat jako poškozené.

3. Pokud je seznam fontů prázdný, znamená to, že je problém s stránkou?

Nemusí to tak být. Když je seznam prázdný, nejprve zkontrolujte obsah stránky; stránka může být obrázek nebo jiná kreslící cesta.

4. Může být "bezpečný" výsledek scénáře přímo použit pro překladová rozhodnutí?

Ne. Výstup kódu je pouze technický signál a nemůže určit, zda jsou glyfy cílového jazyka použitelné, ani nemůže posoudit, zda licence umožňuje úpravy embeddingů.

📝 Shrnutí

Inventář písem je zásadní krok před překladem do PDF; pomáhá vám posoudit editovatelnost dokumentu a stabilitu vykreslování. Po obdržení souboru nejprve zkontrolujte písmo, poté vyberte cestu a po překladu stále ověřte shodu mezi názvy, hlavním textem a popisky.

Zkušenost nyní: Nahrajte svůj dokument a začněte s překladem, přičemž zachováte původní formátování