Πριν παραδώσετε την εργασία μετάφρασης PDF, ελέγξτε πρώτα τη γραμματοσειρά αντί να βιαστείτε να αλλάξετε τη γραμματοσειρά.
Η προεπιλεγμένη λίστα γραμματοσειρών έχει διαφορετικό μήκος από την πλειάδα που επιστρέφεται από το full=True. Στη συνέχεια, διαβάστε τα πρώτα έξι στοιχεία και, στη συνέχεια, ελέγξτε εάν τα byte γραμματοσειράς που επιστράφηκαν από το extract_font είναι κενά. Μια αναφορά γραμματοσειράς Base14 δεν σημαίνει ότι η γραμματοσειρά είναι ενσωματωμένη στο πρόγραμμα. ούτε οι γραμματοσειρές υποσυνόλου πρέπει να θεωρούνται σφάλμα.
Όταν πολλοί άνθρωποι λαμβάνουν ένα PDF για μετάφραση, το πρώτο πράγμα που σκέφτονται είναι να το αλλάξουν απευθείας σε Siyuan Heibo ή Arial. Αυτό συχνά προκαλεί προβλήματα κατά την παράδοση: τα μαθηματικά σύμβολα γίνονται τετράγωνα, οι αριθμοί πινάκων δεν ευθυγραμμίζονται σωστά ή η μετάφραση δεν μπορεί να ανοίξει σε συγκεκριμένους αναγνώστες. Αυτό το άρθρο είναι γραμμένο για προγραμματιστές και κατόχους εγγράφων που πρέπει να αναλάβουν το έργο της μετάφρασης PDF. Μετά την ανάγνωση, θα γνωρίζετε πώς να χρησιμοποιείτε το PyMuPDF για την απογραφή γραμματοσειρών, πώς να ερμηνεύετε τα αποτελέσματα που επιστρέφονται και ποια συμπεράσματα δεν μπορούν να εξαχθούν με βάση μόνο την έξοδο κώδικα.
Ο σκοπός του αποθέματος γραμματοσειρών είναι η επιβεβαίωση της τεχνικής επεξεργασιμότητας και της σταθερότητας απόδοσης και όχι η διενέργεια ελέγχου νομικής συμμόρφωσης. Η προεπιλεγμένη λίστα γραμματοσειρών είναι διαφορετική από το μήκος πλειάδας που επιστρέφεται από το full=True. Κατά την ανάγνωση, πρέπει να ληφθούν τα πρώτα έξι στοιχεία και στη συνέχεια να ελέγξετε εάν τα byte γραμματοσειράς που επιστράφηκαν από το extract_font είναι κενά. Οι αναφορές γραμματοσειράς Base14 δεν σημαίνουν ότι η γραμματοσειρά είναι ενσωματωμένη στο πρόγραμμα και οι γραμματοσειρές υπορύθμισης δεν πρέπει πάντα να αντιμετωπίζονται ως σφάλμα.
Συμπέρασμα μίας φράσης
Καταγράψτε πρώτα τις γραμματοσειρές και μετά αποφασίστε τη διαδρομή μετάφρασης. Μην αλλάζετε τις γραμματοσειρές καθολικά πριν από την εξαγωγή του κειμένου.
| την κατάστασή σας | Συνιστώμενες πρακτικές | λόγος |
|---|---|---|
| Το πρόγραμμα γραμματοσειράς είναι κενό | Οι εγγραφές δεν εξάγονται στην ενσωμάτωση και επιβεβαιώνουν την κατάσταση της σελίδας | Η αναφορά Base14 δεν ισούται με την ενσωματωμένη γραμματοσειρά |
| συναντήσετε γραμματοσειρές υποσυνόλου | Διατηρήστε την ταυτότητα γραμματοσειράς | Οι γραμματοσειρές υποσυνόλου δεν ισοδυναμούν με διαφθορά |
| Η λίστα γραμματοσειρών είναι κενή | Επιβεβαιώστε το περιεχόμενο της σελίδας | Η σελίδα μπορεί να είναι μια εικόνα ή άλλη σχεδιασμένη διαδρομή |
| Ανάγκη επεξεργασίας πραγματικών αρχείων | Ελέγξτε πρώτα με απευαισθητοποιημένα δείγματα | Το δείγμα κώδικα δεν αντιπροσωπεύει εφέ σε όλα τα πραγματικά αρχεία |
Γιατί δεν μπορούμε να αντικαταστήσουμε απευθείας τις γραμματοσειρές παγκοσμίως;
Η απευθείας αντικατάσταση γραμματοσειρών θα αντιμετωπίσει αρκετά τυπικά προβλήματα:
- Τα μαθηματικά σύμβολα στο αρχικό κείμενο γίνονται τετράγωνα.
- Η στοίχιση ίσου πλάτους των αριθμών στον πίνακα δεν είναι έγκυρη.
- Έχουν ενσωματωθεί περιορισμένες γραμματοσειρές, με αποτέλεσμα να μην ανοίγει η μετάφραση σε ορισμένους αναγνώστες.
Επομένως, πριν ξεκινήσετε την εξαγωγή κειμένου ή την ανακατασκευή στοιχειοθεσίας, κάντε μια απογραφή γραμματοσειρών του εγγράφου. Το `get_page_fonts()` είναι ο υποκείμενος έλεγχος που παρέχεται από το PyMuPDF, ο οποίος μπορεί να σας πει ποιοι πόροι γραμματοσειράς αναφέρονται στην πραγματικότητα από κάθε σελίδα, εάν είναι πλήρως ενσωματωμένοι και τον τύπο κωδικοποίησης. Αυτές οι πληροφορίες καθορίζουν εάν το OCR, η άμεση αντικατάσταση ή η μη αυτόματη αναδιάταξη θα πρέπει να χρησιμοποιούνται στο μέλλον.
Βασικά σημεία στην ανάγνωση πληροφοριών γραμματοσειράς
- Η προεπιλεγμένη λίστα γραμματοσειρών έχει διαφορετικό μήκος από την πλειάδα που επιστρέφεται από το
full=True, η οποία διαβάζεται ως τα πρώτα έξι στοιχεία. - Όταν το πρόγραμμα γραμματοσειρών είναι κενό, σημαίνει ότι τα ενσωματωμένα byte γραμματοσειράς δεν εξάγονται.
- Οι γραμματοσειρές υποσυνόλου πρέπει μόνο να διατηρούν το αναγνωριστικό γραμματοσειράς και να μην το κρίνουν άμεσα ως σφάλμα.
Συνθετική δοκιμή: κατασκευή μνήμης και επαλήθευση ισχυρισμών
Για να επιτρέψουμε στο παράδειγμα να εκτελείται μεμονωμένα, δημιουργήσαμε μια πλήρως ανεξάρτητη δοκιμαστική περίπτωση. Αντί να βασίζεται σε εξωτερικά αρχεία, το σενάριο χρησιμοποιεί το PyMuPDF για να δημιουργήσει ένα PDF που περιέχει τυπικές γραμματοσειρές στη μνήμη και, στη συνέχεια, κάνει αμέσως απογραφή γραμματοσειρών σε αυτό. Αυτό όχι μόνο διασφαλίζει την αναπαραγωγιμότητα, αλλά επίσης αποφεύγει τους κινδύνους πνευματικών δικαιωμάτων και απορρήτου.
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
Αυτή η δοκιμή έχει σαφή όρια: ένα "καθαρισμένο" ή "μη ενσωματωμένο" αντικείμενο συνθετικής γραμματοσειράς δεν μπορεί να κατασκευαστεί στη μνήμη χωρίς να φέρει ένα εξωτερικό αρχείο γραμματοσειράς. Επομένως, αυτή η δοκιμή εστιάζει σε δύο πράγματα: την επαλήθευση της ακρίβειας ανάλυσης των κανονικών ενσωματωμένων γραμματοσειρών και τον αμυντικό χειρισμό μη έγκυρων αριθμών σελίδων από τη λειτουργία. Οι κλάδοι εξαίρεσης πρέπει να ελέγχονται μεμονωμένα. Ο κώδικας επίδειξης εκτελείται σε απομονωμένο περιβάλλον, αλλά αυτό δεν αποτελεί εγγύηση για όλα τα πραγματικά αρχεία ή την απόδοση του προϊόντος.
Κριτήρια αποδοχής και όρια χειροκίνητου ελέγχου
Η έξοδος "ασφαλούς" ή "προειδοποίησης" από έναν κωδικό είναι μόνο τεχνικά σήματα και δεν μπορούν να εξισωθούν άμεσα με τη δυνατότητα μετάφρασης. Το σενάριο μπορεί να αναφέρει με ακρίβεια την κατάσταση ενσωμάτωσης, αλλά δεν μπορεί να πει εάν η γραμματοσειρά έχει αντίστοιχο γλυφό στη γλώσσα-στόχο, ούτε μπορεί να αξιολογήσει εάν η άδεια επιτρέπει την τροποποίηση της ενσωμάτωσης. Αυτές οι αποφάσεις πρέπει να λαμβάνονται από άτομα στο πλαίσιο του έργου.
Συγκεκριμένες αποφάσεις χειρισμού εξαιρέσεων
| παρατηρώ | τι να κάνουμε | δεν πρέπει να συναχθεί |
|---|---|---|
| Το πρόγραμμα γραμματοσειράς είναι κενό | Οι εγγραφές δεν ανακτήθηκαν στην ενσωμάτωση | Η παράθεση Base14 δεν ισοδυναμεί με την ενσωμάτωση |
| γραμματοσειρά υποσυνόλου | Διατηρήστε την ταυτότητα γραμματοσειράς | Χωρίς άμεσο προσδιορισμό ζημιάς |
| Η λίστα είναι κενή | Επιβεβαιώστε το περιεχόμενο της σελίδας | Μπορεί να είναι μια εικόνα ή άλλη σχεδιασμένη διαδρομή |
Πριν επεξεργαστείτε σημαντικά έγγραφα, διατηρήστε τα πρωτότυπα και ελέγξτε τα σύμφωνα με τα παραπάνω όρια και στοιχεία αποδοχής.
🎯 Ποια μέθοδος είναι κατάλληλη για εσάς;
Εάν μόλις λάβατε ένα PDF προς μετάφραση
Καταγράψτε πρώτα τις γραμματοσειρές πριν αποφασίσετε ποια διαδρομή θα ακολουθήσετε. Μην βιαστείτε να αντικαταστήσετε τις γραμματοσειρές.
Εάν το αποτέλεσμα ανίχνευσης δείχνει ότι το πρόγραμμα γραμματοσειρών είναι κενό
Τεκμηριώστε το και επιβεβαιώστε το περιεχόμενο της σελίδας, μην το αντιμετωπίζετε σαν να έχει ολοκληρωθεί η ενσωμάτωση.
Εάν υπάρχουν γραμματοσειρές υποσυνόλου στο έγγραφο
Διατηρήστε το λογότυπο της γραμματοσειράς και αντιμετωπίστε το ως μια φυσιολογική κατάσταση αντί να το κρίνετε ευθέως ως σφάλμα.
Εάν χρειάζεται να κάνετε επαλήθευση με πραγματικά αρχεία
Χρησιμοποιήστε δείγματα απευαισθητοποίησης για τα οποία έχετε άδεια να ανεβάσετε και ελέγξτε ξανά τα αποτελέσματα χρησιμοποιώντας τις λίστες ελέγχου σε αυτό το άρθρο.
❓ Συχνές ερωτήσεις (FAQ)
1. Η αναφορά στη γραμματοσειρά Base14 σημαίνει ότι η γραμματοσειρά έχει ενσωματωθεί;
Όχι. Η αναφορά γραμματοσειράς Base14 δεν σημαίνει ότι το πρόγραμμα γραμματοσειράς έχει ενσωματωθεί. Πρέπει να ελέγξετε εάν τα byte γραμματοσειράς που επιστρέφονται από το extract_font είναι κενά.
2. Υπάρχει κάτι λάθος με τη γραμματοσειρά υποσυνόλου;
αβέβαιος. Οι γραμματοσειρές υποσυνόλων δεν πρέπει να κρίνονται ως σφάλματα συνολικά. Απλώς κρατήστε το λογότυπο της γραμματοσειράς και μην το κρίνετε άμεσα ως κατεστραμμένο.
3. Εάν η λίστα γραμματοσειρών είναι κενή, σημαίνει ότι υπάρχει πρόβλημα με τη σελίδα;
αβέβαιος. Όταν η λίστα είναι κενή, θα πρέπει πρώτα να επιβεβαιώσετε το περιεχόμενο της σελίδας. Η σελίδα μπορεί να είναι μια εικόνα ή άλλη διαδρομή σχεδίασης.
4. Μπορούν τα «ασφαλή» αποτελέσματα ενός σεναρίου να χρησιμοποιηθούν απευθείας στις μεταφραστικές αποφάσεις;
δεν μπορεί. Η έξοδος του κώδικα είναι μόνο ένα τεχνικό σήμα και δεν μπορεί να πει εάν τα γλυφά της γλώσσας στόχου είναι διαθέσιμα ή εάν η άδεια επιτρέπει την τροποποίηση της ενσωμάτωσης.
📝 Περίληψη
Το απόθεμα γραμματοσειρών είναι ένα βασικό βήμα πριν από τη μετάφραση PDF. Σας βοηθά να κρίνετε τη δυνατότητα επεξεργασίας και τη σταθερότητα απόδοσης του εγγράφου. Αφού λάβετε το αρχείο, ελέγξτε πρώτα τη γραμματοσειρά και μετά επιλέξτε τη διαδρομή. Μετά τη μετάφραση, πρέπει ακόμα να ελέγξετε την αντιστοιχία μεταξύ του τίτλου, του κειμένου και του υπομνήματος.
Δοκιμάστε το τώρα: Ανεβάστε το έγγραφο για να ξεκινήσει η μετάφραση, διατηρώντας την αρχική διάταξη


