PDF വിവർത്തന ടാസ്ക് കൈമാറുന്നതിന് മുമ്പ്, ഫോണ്ട് മാറ്റാൻ തിരക്കുകൂട്ടുന്നതിന് പകരം ആദ്യം ഫോണ്ട് പരിശോധിക്കുക.
സ്വതവേയുള്ള ഫോണ്ട് ലിസ്റ്റിന് ഫുൾ=ട്രൂ എന്ന് നൽകുന്ന ട്യൂപ്പിളിൽ നിന്ന് വ്യത്യസ്തമായ നീളമുണ്ട്. അടുത്തതായി, ആദ്യത്തെ ആറ് ഇനങ്ങൾ വായിക്കുക, തുടർന്ന് extract_font നൽകിയ ഫോണ്ട് ബൈറ്റുകൾ ശൂന്യമാണോ എന്ന് പരിശോധിക്കുക. ഒരു Base14 ഫോണ്ട് റഫറൻസ് എന്നതിനർത്ഥം ഫോണ്ട് പ്രോഗ്രാമിൽ ഉൾച്ചേർത്തതാണെന്ന് അർത്ഥമാക്കുന്നില്ല; ഉപസെറ്റ് ഫോണ്ടുകൾ ഒരു പിശകായി കണക്കാക്കരുത്.
പലർക്കും വിവർത്തനം ചെയ്യാൻ ഒരു PDF ലഭിക്കുമ്പോൾ, അവർ ആദ്യം ചിന്തിക്കുന്നത് അത് നേരിട്ട് സിയുവാൻ ഹെയ്ബോ അല്ലെങ്കിൽ ഏരിയൽ എന്നതിലേക്ക് മാറ്റുക എന്നതാണ്. ഇത് ഡെലിവറി സമയത്ത് പലപ്പോഴും പ്രശ്നങ്ങൾ ഉണ്ടാക്കുന്നു: ഗണിത ചിഹ്നങ്ങൾ ചതുരങ്ങളായി മാറുന്നു, പട്ടിക നമ്പറുകൾ തെറ്റായി ക്രമീകരിച്ചിരിക്കുന്നു, അല്ലെങ്കിൽ ചില വായനക്കാരിൽ വിവർത്തനം തുറക്കാൻ കഴിയില്ല. ഈ ലേഖനം PDF വിവർത്തനത്തിൻ്റെ ചുമതല ഏറ്റെടുക്കേണ്ട ഡെവലപ്പർമാർക്കും പ്രമാണ ഉടമകൾക്കും വേണ്ടി എഴുതിയതാണ്. വായിച്ചതിന് ശേഷം, ഇൻവെൻ്ററി ഫോണ്ടുകളിലേക്ക് PyMuPDF എങ്ങനെ ഉപയോഗിക്കാമെന്നും മടങ്ങിയ ഫലങ്ങൾ എങ്ങനെ വ്യാഖ്യാനിക്കാമെന്നും കോഡ് ഔട്ട്പുട്ടിനെ മാത്രം അടിസ്ഥാനമാക്കി ഏത് നിഗമനങ്ങളിൽ എത്തിച്ചേരാമെന്നും നിങ്ങൾക്ക് അറിയാം.
ഫോണ്ട് ഇൻവെൻ്ററിയുടെ ലക്ഷ്യം സാങ്കേതികമായ എഡിറ്റബിലിറ്റിയും റെൻഡറിംഗ് സ്ഥിരതയും സ്ഥിരീകരിക്കുകയാണ്, നിയമപരമായ കംപ്ലയിൻസ് ഓഡിറ്റ് നടത്തുകയല്ല. സ്ഥിരസ്ഥിതി ഫോണ്ട് ലിസ്റ്റ് full=True നൽകുന്ന ട്യൂപ്പിൾ നീളത്തിൽ നിന്ന് വ്യത്യസ്തമാണ്. വായിക്കുമ്പോൾ, ആദ്യത്തെ ആറ് ഇനങ്ങൾ എടുക്കണം, തുടർന്ന് extract_font നൽകിയ ഫോണ്ട് ബൈറ്റുകൾ ശൂന്യമാണോ എന്ന് പരിശോധിക്കുക. Base14 ഫോണ്ട് റഫറൻസുകൾ അർത്ഥമാക്കുന്നത് ഫോണ്ട് പ്രോഗ്രാമിൽ ഉൾച്ചേർത്തതാണെന്ന് അർത്ഥമാക്കുന്നില്ല, കൂടാതെ ഉപസെറ്റിംഗ് ഫോണ്ടുകൾ എല്ലായ്പ്പോഴും ഒരു പിശകായി കണക്കാക്കരുത്.
ഒരു വാചക സമാപനം
ആദ്യം ഫോണ്ടുകൾ ഇൻവെൻ്ററി ചെയ്യുക, തുടർന്ന് വിവർത്തന പാത തീരുമാനിക്കുക. ടെക്സ്റ്റ് എക്സ്ട്രാക്റ്റുചെയ്യുന്നതിന് മുമ്പ് ആഗോളതലത്തിൽ ഫോണ്ടുകൾ മാറ്റരുത്.
| നിങ്ങളുടെ അവസ്ഥ | ശുപാർശ ചെയ്യുന്ന സമ്പ്രദായങ്ങൾ | കാരണം |
|---|---|---|
| ഫോണ്ട് പ്രോഗ്രാം ശൂന്യമാണ് | എംബെഡറിലേക്ക് രേഖകൾ എക്സ്ട്രാക്റ്റ് ചെയ്ത് പേജ് സാഹചര്യം സ്ഥിരീകരിക്കുന്നില്ല | Base14 റഫറൻസ് ഉൾച്ചേർത്ത ഫോണ്ട് തുല്യമല്ല |
| ഉപസെറ്റ് ഫോണ്ടുകൾ നേരിടുക | ഫോണ്ട് ഐഡൻ്റിറ്റി സൂക്ഷിക്കുക | സബ്സെറ്റ് ഫോണ്ടുകൾ അഴിമതിക്ക് തുല്യമല്ല |
| ഫോണ്ട് ലിസ്റ്റ് ശൂന്യമാണ് | പേജ് ഉള്ളടക്കം സ്ഥിരീകരിക്കുക | പേജ് ഒരു ചിത്രമോ മറ്റ് വരച്ച പാതയോ ആകാം |
| യഥാർത്ഥ ഫയലുകൾ പ്രോസസ്സ് ചെയ്യേണ്ടതുണ്ട് | ആദ്യം ഡിസെൻസിറ്റൈസ്ഡ് സാമ്പിളുകൾ ഉപയോഗിച്ച് പരിശോധിക്കുക | സാമ്പിൾ കോഡ് എല്ലാ യഥാർത്ഥ ഫയലുകളിലെയും ഇഫക്റ്റുകളെ പ്രതിനിധീകരിക്കുന്നില്ല |
എന്തുകൊണ്ടാണ് നമുക്ക് ആഗോളതലത്തിൽ ഫോണ്ടുകൾ നേരിട്ട് മാറ്റിസ്ഥാപിക്കാൻ കഴിയാത്തത്?
ഫോണ്ടുകൾ നേരിട്ട് മാറ്റിസ്ഥാപിക്കുന്നത് നിരവധി സാധാരണ പ്രശ്നങ്ങൾ നേരിടേണ്ടിവരും:
- യഥാർത്ഥ വാചകത്തിലെ ഗണിത ചിഹ്നങ്ങൾ ചതുരങ്ങളായി മാറുന്നു.
- പട്ടികയിലെ സംഖ്യകളുടെ തുല്യ-വീതി വിന്യാസം അസാധുവാണ്.
- നിയന്ത്രിത ഫോണ്ടുകൾ ഉൾച്ചേർത്തതിനാൽ ചില വായനക്കാരിൽ വിവർത്തനം തുറക്കുന്നില്ല.
അതിനാൽ, ടെക്സ്റ്റ് എക്സ്ട്രാക്ഷൻ അല്ലെങ്കിൽ ടൈപ്പ് സെറ്റിംഗ് പുനർനിർമ്മാണം ആരംഭിക്കുന്നതിന് മുമ്പ്, ഡോക്യുമെൻ്റിൻ്റെ ഒരു ഫോണ്ട് ഇൻവെൻ്ററി ചെയ്യുക. PyMuPDF നൽകുന്ന അടിസ്ഥാന അന്വേഷണമാണ് `get_page_fonts()`, ഓരോ പേജും യഥാർത്ഥത്തിൽ ഏത് ഫോണ്ട് ഉറവിടങ്ങളാണ് റഫറൻസ് ചെയ്തിരിക്കുന്നത്, അവ പൂർണ്ണമായി ഉൾച്ചേർത്തിട്ടുണ്ടോ, എൻകോഡിംഗ് തരം എന്നിവ നിങ്ങൾക്ക് പറയാൻ കഴിയും. ഭാവിയിൽ OCR, നേരിട്ടുള്ള മാറ്റിസ്ഥാപിക്കൽ അല്ലെങ്കിൽ സ്വമേധയാലുള്ള പുനഃക്രമീകരണം എന്നിവ ഉപയോഗിക്കണമോ എന്ന് ഈ വിവരങ്ങൾ നിർണ്ണയിക്കുന്നു.
ഫോണ്ട് വിവരങ്ങൾ വായിക്കുന്നതിനുള്ള പ്രധാന പോയിൻ്റുകൾ
- ഡിഫോൾട്ട് ഫോണ്ട് ലിസ്റ്റിന്
full=Trueനൽകുന്ന ട്യൂപ്പിളിൽ നിന്ന് വ്യത്യസ്തമായ നീളമുണ്ട്, അത് ആദ്യത്തെ ആറ് ഇനങ്ങളായി വായിക്കുന്നു. - ഫോണ്ട് പ്രോഗ്രാം ശൂന്യമായിരിക്കുമ്പോൾ, എംബഡഡ് ഫോണ്ട് ബൈറ്റുകൾ എക്സ്ട്രാക്റ്റ് ചെയ്തിട്ടില്ല എന്നാണ് ഇതിനർത്ഥം.
- ഉപസെറ്റ് ഫോണ്ടുകൾക്ക് ഫോണ്ട് ഐഡൻ്റിഫയർ മാത്രം നിലനിർത്തേണ്ടതുണ്ട്, അത് ഒരു പിശകായി നേരിട്ട് വിലയിരുത്തരുത്.
സിന്തറ്റിക് ടെസ്റ്റിംഗ്: മെമ്മറി നിർമ്മാണവും സ്ഥിരീകരണ പരിശോധനയും
ഉദാഹരണം ഐസൊലേഷനിൽ പ്രവർത്തിക്കാൻ അനുവദിക്കുന്നതിന്, ഞങ്ങൾ പൂർണ്ണമായും സ്വയം ഉൾക്കൊള്ളുന്ന ഒരു ടെസ്റ്റ് കേസ് നിർമ്മിച്ചു. ബാഹ്യ ഫയലുകളെ ആശ്രയിക്കുന്നതിനുപകരം, മെമ്മറിയിൽ സ്റ്റാൻഡേർഡ് ഫോണ്ടുകൾ അടങ്ങിയ ഒരു PDF സൃഷ്ടിക്കാൻ സ്ക്രിപ്റ്റ് PyMuPDF ഉപയോഗിക്കുന്നു, തുടർന്ന് ഉടൻ തന്നെ ഫോണ്ട് ഇൻവെൻ്ററി ചെയ്യുന്നു. ഇത് പുനരുൽപാദനക്ഷമത ഉറപ്പാക്കുക മാത്രമല്ല, പകർപ്പവകാശവും സ്വകാര്യത അപകടസാധ്യതകളും ഒഴിവാക്കുകയും ചെയ്യുന്നു.
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
ഈ ടെസ്റ്റിന് വ്യക്തമായ അതിരുകൾ ഉണ്ട്: ഒരു "കേടായ" അല്ലെങ്കിൽ "നോൺ-എംബെഡഡ്" സിന്തറ്റിക് ഫോണ്ട് ഒബ്ജക്റ്റ് ഒരു ബാഹ്യ ഫോണ്ട് ഫയൽ കൊണ്ടുവരാതെ മെമ്മറിയിൽ നിർമ്മിക്കാൻ കഴിയില്ല. അതിനാൽ, ഈ ടെസ്റ്റ് രണ്ട് കാര്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു: സാധാരണ എംബഡഡ് ഫോണ്ടുകളുടെ പാഴ്സിംഗ് കൃത്യത പരിശോധിക്കൽ, അസാധുവായ പേജ് നമ്പറുകൾ ഫംഗ്ഷൻ്റെ പ്രതിരോധാത്മക കൈകാര്യം ചെയ്യൽ. ഒഴിവാക്കൽ ശാഖകൾ വ്യക്തിഗതമായി പരിശോധിക്കേണ്ടതുണ്ട്. ഡെമോ കോഡ് ഒരു ഒറ്റപ്പെട്ട പരിതസ്ഥിതിയിൽ പ്രവർത്തിക്കുന്നു, എന്നാൽ ഇത് എല്ലാ യഥാർത്ഥ ഫയലുകളുടെയും ഉൽപ്പന്ന പ്രകടനത്തിൻ്റെയും ഗ്യാരണ്ടിയെ പ്രതിനിധീകരിക്കുന്നില്ല.
സ്വീകാര്യത മാനദണ്ഡങ്ങളും മാനുവൽ അവലോകന അതിരുകളും
ഒരു കോഡിൽ നിന്നുള്ള "സുരക്ഷിതം" അല്ലെങ്കിൽ "മുന്നറിയിപ്പ്" ഔട്ട്പുട്ട് സാങ്കേതിക സിഗ്നലുകൾ മാത്രമാണ്, അത് വിവർത്തന സാധ്യതയുമായി നേരിട്ട് തുല്യമാക്കാൻ കഴിയില്ല. സ്ക്രിപ്റ്റിന് എംബെഡിംഗ് സ്റ്റാറ്റസ് കൃത്യമായി റിപ്പോർട്ട് ചെയ്യാൻ കഴിയും, എന്നാൽ ഫോണ്ടിന് ടാർഗെറ്റ് ഭാഷയിൽ അനുബന്ധ ഗ്ലിഫ് ഉണ്ടോ എന്ന് പറയാൻ കഴിയില്ല, അല്ലെങ്കിൽ എംബെഡിംഗ് പരിഷ്ക്കരിക്കാൻ ലൈസൻസ് അനുവദിക്കുന്നുണ്ടോ എന്ന് വിലയിരുത്താൻ കഴിയില്ല. ഈ തീരുമാനങ്ങൾ പദ്ധതിയുടെ പശ്ചാത്തലത്തിൽ ആളുകൾ എടുക്കേണ്ടതുണ്ട്.
പ്രത്യേക ഒഴിവാക്കൽ കൈകാര്യം ചെയ്യൽ തീരുമാനങ്ങൾ
| നിരീക്ഷണം | എന്തുചെയ്യണം | വിധിക്കപ്പെടരുത് |
|---|---|---|
| ഫോണ്ട് പ്രോഗ്രാം ശൂന്യമാണ് | എംബഡഡ് പ്രോഗ്രാമിലേക്ക് എക്സ്ട്രാക്റ്റ് ചെയ്തിട്ടില്ലാത്ത റെക്കോർഡുകൾ | ബേസ് 14 റഫറൻസുകൾ എംബഡിംഗുകൾക്ക് സമാനമല്ല |
| സിജി ഫോണ്ട് | ഫോണ്ട് അടയാളങ്ങൾ നിലനിർത്തുക | കേടുപാടുകൾ നേരിട്ട് വിലയിരുത്തുന്നില്ല |
| പട്ടിക ശൂന്യമാണ് | പേജ് ഉള്ളടക്കം സ്ഥിരീകരിക്കുക | ഇത് ഒരു ചിത്രമോ മറ്റൊരു ഡ്രോയിംഗ് പാതയോ ആകാം |
പ്രധാനപ്പെട്ട ഡോക്യുമെന്റുകൾ കൈകാര്യം ചെയ്യുന്നതിന് മുമ്പ്, ഒറിജിനലുകൾ സൂക്ഷിക്കുക, മുകളിലുള്ള അതിരുകളും സ്വീകാര്യതയും അനുസരിച്ച് അവ അവലോകനം ചെയ്യുക.
🎯 ഏത് രീതിയാണ് നിങ്ങൾക്ക് അനുയോജ്യം?
നിങ്ങൾക്ക് വിവർത്തനം ചെയ്യേണ്ട ഒരു പിഡിഎഫ് ലഭിക്കുകയാണെങ്കിൽ
ആദ്യം ഫോണ്ടുകളുടെ സ്റ്റോക്ക് എടുക്കുക, തുടർന്ന് ഏത് പാതയാണ് സ്വീകരിക്കേണ്ടതെന്ന് തീരുമാനിക്കുക; അവ മാറ്റിസ്ഥാപിക്കാൻ തിടുക്കം കൂട്ടരുത്.
ഫോണ്ട് പ്രോഗ്രാം ശൂന്യമാണെന്ന് കണ്ടെത്തൽ ഫലം കാണിക്കുന്നുവെങ്കിൽ
ഇത് റെക്കോർഡ് ചെയ്യുക, പേജ് ഉള്ളടക്കം സ്ഥിരീകരിക്കുക; എംബെഡ് പൂർത്തിയായെന്ന് കരുതരുത്.
ഡോക്യുമെന്റിൽ സബ്സെറ്റ് ഫോണ്ടുകൾ അടങ്ങിയിട്ടുണ്ടെങ്കിൽ
ഫോണ്ട് അടയാളങ്ങൾ നിലനിർത്തുകയും അവയെ പിശകുകളായി നേരിട്ട് വിലയിരുത്തുന്നതിനുപകരം സാധാരണയായി കണക്കാക്കുകയും ചെയ്യുക.
യഥാർത്ഥ ഡോക്യുമെന്റുകൾ ഉപയോഗിച്ച് വെരിഫിക്കേഷൻ ആവശ്യമാണെങ്കിൽ
നിങ്ങളുടെ അനുമതിയോടെ നിങ്ങൾ അപ് ലോഡ് ചെയ്ത ഡിസെൻസിറ്റൈസേഷൻ സാമ്പിൾ ഉപയോഗിക്കുക, ഈ ലേഖനത്തിലെ ചെക്ക് ലിസ്റ്റ് ഇനങ്ങൾ ഉപയോഗിച്ച് ഫലങ്ങൾ പരിശോധിക്കുക.
❓ പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ (പതിവുചോദ്യങ്ങൾ)
1. Base14 ഫോണ്ട് റഫറൻസ് അർത്ഥമാക്കുന്നത് ഫോണ്ട് ഇതിനകം ഉൾച്ചേർത്തിരിക്കുന്നു എന്നാണോ?
ഇല്ല. Base14 ഫോണ്ട് റഫറൻസുകൾ ഫോണ്ട് പ്രോഗ്രാം ഉൾച്ചേർത്തിട്ടുണ്ടെന്ന് അർത്ഥമാക്കുന്നില്ല; extract_font തിരികെ നൽകിയ ഫോണ്ട് ബൈറ്റുകൾ ശൂന്യമാണോ എന്ന് നിങ്ങൾ പരിശോധിക്കേണ്ടതുണ്ട്.
2. സബ്സെറ്റ് ഫോണ്ടിൽ തീർച്ചയായും എന്തെങ്കിലും പ്രശ്നമുണ്ടോ?
ആവശ്യമില്ല. സബ്സെറ്റ് ഫോണ്ടുകൾ പിശകുകളായി ഏകീകൃതമായി അടയാളപ്പെടുത്തരുത്; ഫോണ്ട് ഐഡന്റിഫയറുകൾ സൂക്ഷിക്കുക, അവ കേടുപാടുകൾ സംഭവിച്ചതായി നേരിട്ട് വിലയിരുത്തരുത്.
3. ഫോണ്ട് ലിസ്റ്റ് ശൂന്യമാണെങ്കിൽ, അതിനർത്ഥം താളിൽ എന്തെങ്കിലും പ്രശ്നമുണ്ടെന്ന് അർത്ഥമാക്കുമോ?
ആവശ്യമില്ല. ലിസ്റ്റ് ശൂന്യമാകുമ്പോൾ, ആദ്യം പേജ് ഉള്ളടക്കം പരിശോധിക്കുക; പേജ് ഒരു ഇമേജ് അല്ലെങ്കിൽ മറ്റൊരു ഡ്രോയിംഗ് പാത്ത് ആകാം.
4. ഒരു സ്ക്രിപ്റ്റിന്റെ "സുരക്ഷിതമായ" ഫലങ്ങൾ വിവർത്തന തീരുമാനങ്ങൾക്കായി നേരിട്ട് ഉപയോഗിക്കാൻ കഴിയുമോ?
ഇല്ല. കോഡ് ഔട്ട്പുട്ട് ഒരു സാങ്കേതിക സിഗ്നൽ മാത്രമാണ്, ടാർഗെറ്റ് ലാംഗ്വേജ് ഗ്ലിഫുകൾ ഉപയോഗയോഗ്യമാണോ എന്ന് നിർണ്ണയിക്കാനോ ലൈസൻസ് എംബഡിംഗുകളുടെ പരിഷ്കരണത്തെ അനുവദിക്കുന്നുണ്ടോ എന്ന് വിലയിരുത്താനോ കഴിയില്ല.
📝 സംഗ്രഹം
പിഡിഎഫ് വിവർത്തനത്തിന് മുമ്പുള്ള ഒരു അടിസ്ഥാന ഘട്ടമാണ് ഫോണ്ട് ഇൻവെന്ററി; ഡോക്യുമെന്റിന്റെ എഡിറ്റബിലിറ്റിയും റെൻഡറിംഗ് സ്റ്റെബിലിറ്റിയും വിലയിരുത്താൻ ഇത് നിങ്ങളെ സഹായിക്കുന്നു. ഫയൽ ലഭിച്ചതിന് ശേഷം, ആദ്യം ഫോണ്ട് പരിശോധിക്കുക, തുടർന്ന് പാത തിരഞ്ഞെടുക്കുക, വിവർത്തനത്തിന് ശേഷം, ശീർഷകങ്ങൾ, ബോഡി ടെക്സ്റ്റ്, അടിക്കുറിപ്പുകൾ എന്നിവ തമ്മിലുള്ള കത്തിടപാടുകൾ പരിശോധിക്കുക.


