Înainte de a preda sarcina de traducere PDF, verificați mai întâi fontul în loc să vă grăbiți să schimbați fontul.
Lista de fonturi implicită are o lungime diferită de tuplu returnat de full=True. Apoi, citiți primele șase elemente și apoi verificați dacă octeții fontului returnați de extract_font sunt goli. O referință de font Base14 nu înseamnă că fontul este încorporat în program; nici fonturile subsetului nu trebuie considerate o eroare.
Când mulți oameni primesc un PDF pentru a fi tradus, primul lucru la care se gândesc este să îl schimbe direct în Siyuan Heibo sau Arial. Acest lucru cauzează adesea probleme în timpul livrării: simbolurile matematice devin pătrate, numerele tabelelor sunt aliniate greșit sau traducerea nu poate fi deschisă în anumiți cititori. Acest articol este scris pentru dezvoltatori și proprietari de documente care trebuie să preia sarcina de traducere PDF. După citire, veți ști cum să utilizați PyMuPDF pentru a inventaria fonturile, cum să interpretați rezultatele returnate și ce concluzii nu pot fi trase doar pe baza codului.
Scopul inventarului fonturilor este de a confirma editabilitatea tehnică și stabilitatea redării, nu de a efectua un audit de conformitate cu legislația. Lista de fonturi implicită este diferită de lungimea tuplului returnată de full=True. Când citiți, trebuie luate primele șase elemente și apoi verificați dacă octeții de font returnați de extract_font sunt goli. Referințele la fonturi Base14 nu înseamnă că fontul este încorporat în program, iar fonturile de subsetare nu trebuie întotdeauna tratate ca o eroare.
Concluzie cu o singură propoziție
Inventariază mai întâi fonturile și apoi decide calea de traducere. Nu modificați fonturile la nivel global înainte de a extrage textul.
| situatia ta | Practici recomandate | motiv |
|---|---|---|
| Programul fonturilor este gol | Înregistrările nu sunt extrase în embeder și confirmă situația paginii | Referința Base14 nu este egală cu fontul încorporat |
| întâlni fonturi subseturi | Păstrați identitatea fontului | Fonturile subsetului nu sunt egale cu corupția |
| Lista de fonturi este goală | Confirmați conținutul paginii | Pagina poate fi o imagine sau o altă cale desenată |
| Trebuie să procesați fișiere reale | Verificați mai întâi cu mostre desensibilizate | Exemplul de cod nu reprezintă efecte asupra tuturor fișierelor reale |
De ce nu putem înlocui direct fonturile la nivel global?
Înlocuirea directă a fonturilor va întâmpina câteva probleme tipice:
- Simbolurile matematice din textul original devin pătrate.
- Alinierea la lățime egală a numerelor din tabel este nevalidă.
- Fonturile restricționate sunt încorporate, ceea ce face ca traducerea să nu se deschidă la unii cititori.
Prin urmare, înainte de a începe extragerea textului sau reconstrucția tipografiei, faceți un inventar al fonturilor documentului. `get_page_fonts()` este sonda de bază furnizată de PyMuPDF, care vă poate spune ce resurse de font sunt de fapt referite de fiecare pagină, dacă sunt complet încorporate și tipul de codificare. Aceste informații determină dacă OCR, înlocuirea directă sau rearanjarea manuală ar trebui utilizate în viitor.
Puncte cheie în citirea informațiilor despre font
- Lista de fonturi implicită are o lungime diferită de tuplu returnat de
full=True, care este citit ca primele șase elemente. - Când programul fonturilor este gol, înseamnă că octeții fontului încorporați nu sunt extrași.
- Fonturile subsetului trebuie doar să păstreze identificatorul fontului și nu îl consideră direct ca pe o eroare.
Testare sintetică: construcția memoriei și verificarea afirmațiilor
Pentru a permite exemplului să ruleze izolat, am construit un caz de testare complet autonom. În loc să se bazeze pe fișiere externe, scriptul folosește PyMuPDF pentru a crea un PDF care conține fonturi standard în memorie și apoi face imediat inventarul fonturilor pe acesta. Acest lucru nu numai că asigură reproductibilitatea, dar evită și riscurile legate de drepturile de autor și de confidențialitate.
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
Acest test are limite clare: un obiect font sintetic „corupt"sau „neîncorporat"nu poate fi construit în memorie fără a aduce un fișier de font extern. Prin urmare, acest test se concentrează pe două lucruri: verificarea acurateței de analiză a fonturilor încorporate normale și gestionarea defensivă de către funcție a numerelor de pagină nevalide. Ramurile de excepție trebuie testate individual. Codul demonstrativ rulează într-un mediu izolat, dar aceasta nu reprezintă o garanție a tuturor fișierelor reale sau a performanței produsului.
Criterii de acceptare și limite de revizuire manuală
Ieșirea „sigură"sau „avertizare"dintr-un cod sunt doar semnale tehnice și nu pot fi direct echivalate cu fezabilitatea traducerii. Scriptul poate raporta cu exactitate starea de încorporare, dar nu poate spune dacă fontul are un glif corespunzător în limba țintă și nici nu poate evalua dacă licența permite modificarea încorporarii. Aceste decizii trebuie luate de oameni în contextul proiectului.
Deciziile specifice privind gestionarea excepțiilor
| observa | ce să fac | nu trebuie dedusă |
|---|---|---|
| Programul fonturilor este gol | Înregistrările nu au fost preluate pentru încorporare | Cotarea Base14 nu este egală cu încorporarea |
| font subset | Păstrați identitatea fontului | Fără o determinare directă a prejudiciului |
| Lista este goală | Confirmați conținutul paginii | Poate fi o imagine sau o altă cale desenată |
Înainte de a procesa documente importante, vă rugăm să păstrați originalele și să le revizuiți conform limitelor și elementelor de acceptare de mai sus.
🎯 Ce metodă este potrivită pentru tine?
Dacă tocmai ați primit un PDF pentru a fi tradus
Faceți mai întâi un inventar al fonturilor înainte de a decide ce cale să o luați. Nu vă grăbiți să înlocuiți fonturile.
Dacă rezultatul detectării arată că programul fonturilor este gol
Documentați acest lucru și confirmați conținutul paginii, nu o tratați ca și cum încorporarea este completă.
Dacă există fonturi subseturi în document
Păstrați sigla fontului și tratați-l ca pe o situație normală, în loc să o judeci direct ca pe o eroare.
Dacă trebuie să verificați cu fișiere reale
Folosiți mostre desensibilizate pe care aveți permisiunea de a le încărca și verificați rezultatele utilizând listele de verificare din acest articol.
❓ Întrebări frecvente (FAQ)
1. Referința fontului Base14 înseamnă că fontul a fost încorporat?
nu. Referința fontului Base14 nu înseamnă că programul de font a fost încorporat. Trebuie să verificați dacă octeții fontului returnați deextract_font sunt goli.
2. Este ceva în neregulă cu fontul subsetului?
nesigur. Fonturile subsetului nu ar trebui considerate ca fiind erori cu totul. Păstrați logo-ul fontului și nu îl considerați direct ca fiind deteriorat.
3. Dacă lista de fonturi este goală, înseamnă că există o problemă cu pagina?
nesigur. Când lista este goală, trebuie mai întâi să confirmați conținutul paginii. Pagina poate fi o imagine sau o altă cale de desen.
4. Rezultatele „sigure"ale unui script pot fi folosite direct în deciziile de traducere?
nu poate. Ieșirea codului este doar un semnal tehnic și nu poate spune dacă simbolurile limbii țintă sunt disponibile sau dacă licența permite modificarea încorporarii.
📝 Rezumat
Inventarul fonturilor este un pas de bază înainte de traducerea PDF. Vă ajută să evaluați editabilitatea și stabilitatea redării documentului. După ce obțineți fișierul, verificați mai întâi fontul și apoi selectați calea. După traducere, mai trebuie să verificați corespondența dintre titlu, text și legendă.
Încercați acum: încărcați documentul pentru a începe traducerea, păstrând aspectul original


