Prima di affidare l'attività di traduzione del PDF, controlla prima il carattere invece di affrettarti a cambiarlo.

Quando molte persone ricevono un PDF da tradurre, la prima cosa a cui pensano è cambiarlo direttamente in Siyuan Heibo o Arial. Ciò causa spesso problemi durante la consegna: i simboli matematici diventano quadrati, i numeri delle tabelle sono disallineati o la traduzione non può essere aperta in alcuni lettori. Questo articolo è scritto per sviluppatori e proprietari di documenti che devono assumersi il compito di tradurre PDF. Dopo la lettura, saprai come utilizzare PyMuPDF per inventariare i caratteri, come interpretare i risultati restituiti e quali conclusioni non possono essere tratte basandosi solo sull'output del codice.

Lo scopo dell'inventario dei caratteri è confermare la modificabilità tecnica e la stabilità del rendering, non condurre un controllo di conformità legale. L'elenco dei caratteri predefinito è diverso dalla lunghezza della tupla restituita da full=True. Durante la lettura è necessario prendere i primi sei elementi, quindi verificare se i byte dei caratteri restituiti da extract_font sono vuoti. I riferimenti ai caratteri Base14 non significano che il carattere sia incorporato nel programma e i caratteri sottoinsiemi non dovrebbero sempre essere considerati un errore.

Conclusione in una frase

Prima fai l'inventario dei caratteri e poi decidi il percorso di traduzione. Non modificare i caratteri globalmente prima di estrarre il testo.

Perché non possiamo sostituire direttamente i caratteri a livello globale?

La sostituzione diretta dei caratteri incontrerà diversi problemi tipici:

• I simboli matematici nel testo originale diventano quadrati.
• L'allineamento dei numeri nella tabella alla stessa larghezza non è valido.
• Sono incorporati caratteri limitati, pertanto la traduzione non si apre in alcuni lettori.

Pertanto, prima di iniziare l'estrazione del testo o la ricostruzione dell'impaginazione, eseguire un inventario dei caratteri del documento. `get_page_fonts()` è la sonda sottostante fornita da PyMuPDF, che può dirti a quali risorse di carattere fa effettivamente riferimento ciascuna pagina, se sono completamente incorporate e il tipo di codifica. Queste informazioni determinano se in futuro sarà necessario utilizzare l'OCR, la sostituzione diretta o la riorganizzazione manuale.

Punti chiave nella lettura delle informazioni sui caratteri

• L'elenco dei caratteri predefinito ha una lunghezza diversa rispetto alla tupla restituita da full=True, che viene letta come i primi sei elementi.
• Quando il programma dei font è vuoto, significa che i byte dei font incorporati non vengono estratti.
• I caratteri del sottoinsieme devono solo conservare l'identificatore del carattere e non giudicarlo direttamente come un errore.

Test sintetici: costruzione della memoria e verifica delle asserzioni

Per consentire l'esecuzione dell'esempio in modo isolato, abbiamo creato un caso di test completamente autonomo. Invece di fare affidamento su file esterni, lo script utilizza PyMuPDF per creare un PDF contenente caratteri standard in memoria e quindi esegue immediatamente l'inventario dei caratteri su di esso. Ciò non solo garantisce la riproducibilità, ma evita anche rischi legati al copyright e alla privacy.

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

Questo test ha limiti chiari: un oggetto di carattere sintetico "corrotto" o "non incorporato" non può essere costruito in memoria senza importare un file di carattere esterno. Pertanto, questo test si concentra su due cose: la verifica dell'accuratezza dell'analisi dei normali caratteri incorporati e la gestione difensiva della funzione dei numeri di pagina non validi. I rami di eccezione devono essere testati individualmente. Il codice demo viene eseguito in un ambiente isolato, ma ciò non rappresenta una garanzia di tutti i file reali o delle prestazioni del prodotto.

Criteri di accettazione e limiti della revisione manuale

L'output "sicuro" o "di avvertimento" da un codice sono solo segnali tecnici e non possono essere direttamente equiparati alla fattibilità della traduzione. Lo script può segnalare con precisione lo stato dell'incorporamento, ma non può dire se il carattere ha un glifo corrispondente nella lingua di destinazione, né può valutare se la licenza consente la modifica dell'incorporamento. Queste decisioni devono essere prese dalle persone nel contesto del progetto.

Decisioni specifiche sulla gestione delle eccezioni

Prima di maneggiare documenti importanti, conserva gli originali e li esamina secondo i limiti e gli elementi di accettazione sopra indicati.

🎯 Quale metodo ti si addice?

Se ricevi solo un PDF da tradurre

Fai prima un inventario dei font, poi decidi quale strada prendere; non correre a sostituirli.

Se il risultato di rilevamento mostra che il programma font è vuoto

Registra questo e conferma il contenuto della pagina; non presumere che l'incorporamento sia completo.

Se il documento contiene font di sottoinsieme

Mantieni le marcature del font e trattale come normali invece di valutarle direttamente come errori.

Se è richiesta la verifica con documenti reali

Usa il campione di desensibilizzazione che hai caricato con il tuo permesso e verifica i risultati con gli elementi della checklist in questo articolo.

❓ Domande Frequenti (FAQ)

1. Il riferimento al font Base14 significa che il font è già incorporato?

No. I riferimenti di font base14 non significano che il programma di font sia incorporato; devi verificare se i byte del font restituiti da extract_font sono vuoti.

2. C'è sicuramente un problema con il font del sottoinsieme?

Non necessariamente. I font sottoinsiemi non dovrebbero essere contrasposti uniformemente come errori; basta mantenere gli identificatori del font e non giudicarli direttamente come danneggiati.

3. Se la lista dei font è vuota, significa che c'è un problema con la pagina?

Non necessariamente. Quando la lista è vuota, controlla prima il contenuto della pagina; la pagina può essere un'immagine o un altro percorso di disegno.

4. L'esito "sicuro" di uno script può essere utilizzato direttamente per le decisioni di traduzione?

No. L'output del codice è solo un segnale tecnico e non può determinare se i glifi della lingua di destinazione siano utilizzabili, né può valutare se la licenza consenta la modifica degli embedding.

📝 Riassunto

L'inventario dei font è un passaggio fondamentale prima della traduzione PDF; ti aiuta a valutare la modificabilità e la stabilità del rendering del documento. Dopo aver ricevuto il file, prima controlla il font, poi seleziona il percorso e, dopo la traduzione, verifica comunque la corrispondenza tra titoli, testo del corpo e didascalie.

Esperienza ora: carica il tuo documento per iniziare a tradurre, mantenendo la formattazione originale