Pred odovzdaním úlohy prekladu PDF najskôr skontrolujte písmo namiesto toho, aby ste sa ponáhľali so zmenou písma.
Predvolený zoznam písiem má inú dĺžku ako n-tica vrátená full=True. Ďalej si prečítajte prvých šesť položiek a potom skontrolujte, či sú bajty písma vrátené extraktom_font prázdne. Odkaz na font Base14 neznamená, že font je vložený programom; ani podmnožiny fontov by sa nemali považovať za chybu.
Keď veľa ľudí dostane PDF na preklad, prvá vec, na ktorú myslia, je zmeniť ho priamo na Siyuan Heibo alebo Arial. To často spôsobuje problémy pri doručovaní: matematické symboly sa stávajú štvorčekmi, čísla tabuliek sú nesprávne zarovnané alebo v niektorých čítačkách nie je možné otvoriť preklad. Tento článok je napísaný pre vývojárov a vlastníkov dokumentov, ktorí potrebujú prevziať úlohu prekladu PDF. Po prečítaní budete vedieť, ako používať PyMuPDF na inventarizáciu písiem, ako interpretovať vrátené výsledky a aké závery nemožno vyvodiť len na základe výstupu kódu.
Účelom inventarizácie písiem je potvrdiť technickú upraviteľnosť a stabilitu vykresľovania, nie vykonať audit dodržiavania právnych predpisov. Predvolený zoznam písiem sa líši od dĺžky n-tice vrátenej full=True. Pri čítaní je potrebné vziať prvých šesť položiek a potom skontrolovať, či sú bajty písma vrátené extract_font prázdne. Odkazy na písmo Base14 neznamenajú, že písmo je vložené programom a písma podmnožiny by sa nemali vždy považovať za chybu.
Záver jednej vety
Najprv urobte inventúru písiem a potom rozhodnite o ceste prekladu. Pred extrahovaním textu nemeňte písma globálne.
| vaša situácia | Odporúčané postupy | dôvod |
|---|---|---|
| Program písma je prázdny | Záznamy nie sú extrahované do embeddera a potvrdzujú situáciu na stránke | Referencia Base14 sa nerovná vloženému písmu |
| stretnúť podmnožinu písiem | Zachovajte identitu písma | Podmnožina písma sa nerovná poškodeniu |
| Zoznam písiem je prázdny | Potvrďte obsah stránky | Stránka môže byť obrázok alebo iná nakreslená cesta |
| Potreba spracovať skutočné súbory | Najprv skontrolujte so znecitlivenými vzorkami | Vzorový kód nepredstavuje účinky na všetky skutočné súbory |
Prečo nemôžeme priamo nahradiť písma globálne?
Priame nahradenie písiem narazí na niekoľko typických problémov:
- Matematické symboly v pôvodnom texte sa stávajú štvorcami.
- Zarovnanie čísel v tabuľke na rovnakú šírku je neplatné.
- Sú vložené obmedzené písma, čo spôsobuje, že sa preklad v niektorých čítačkách neotvorí.
Preto pred začatím extrakcie textu alebo rekonštrukcie sadzby urobte inventúru písiem dokumentu. `get_page_fonts()` je základná sonda poskytovaná PyMuPDF, ktorá vám môže povedať, na ktoré zdroje písma skutočne odkazuje každá stránka, či sú úplne vložené a typ kódovania. Tieto informácie určujú, či sa má v budúcnosti použiť OCR, priama výmena alebo manuálna zmena usporiadania.
Kľúčové body pri čítaní informácií o písme
- Predvolený zoznam písiem má inú dĺžku ako n-tica vrátená
full=True, ktorá sa číta ako prvých šesť položiek. - Keď je program písiem prázdny, znamená to, že vložené bajty písma nie sú extrahované.
- Podmnožiny písiem si musia ponechať iba identifikátor písma a neposudzujú ho priamo ako chybu.
Syntetické testovanie: konštrukcia pamäte a overenie tvrdení
Aby sme príklad umožnili bežať izolovane, vytvorili sme plne samostatný testovací prípad. Namiesto spoliehania sa na externé súbory skript používa PyMuPDF na vytvorenie PDF obsahujúceho štandardné písma v pamäti a potom v ňom okamžite vykoná inventarizáciu písiem. To nielen zaisťuje reprodukovateľnosť, ale tiež predchádza rizikám súvisiacim s autorskými právami a súkromím.
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: „poškodený"alebo „nevložený"objekt syntetického písma nemožno skonštruovať v pamäti bez prinesenia externého súboru písma. Preto sa tento test zameriava na dve veci: overenie presnosti analýzy normálnych vložených písiem a obrannú manipuláciu funkcie s neplatnými číslami stránok. Výnimkové vetvy je potrebné testovať individuálne. Demo kód beží v izolovanom prostredí, čo však nepredstavuje záruku všetkých skutočných súborov alebo výkonu produktu.
Kritériá prijatia a hranice manuálnej kontroly
„Bezpečný"alebo „varovný"výstup z kódu sú len technické signály a nemožno ich priamo prirovnať k uskutočniteľnosti prekladu. Skript dokáže presne hlásiť stav vloženia, ale nedokáže povedať, či má písmo zodpovedajúci glyf v cieľovom jazyku, ani nedokáže vyhodnotiť, či licencia umožňuje úpravu vloženia. Tieto rozhodnutia musia robiť ľudia v kontexte projektu.
Špecifické rozhodnutia týkajúce sa spracovania výnimiek
| pozorovať | čo robiť | a nemali by byť súdení |
|---|---|---|
| Program písma je prázdny | Záznamy neextrahované do zabudovaného programu | Referencie na Base14 nie sú to isté ako vloženia |
| Ziji font | Zachovať značky písma | Poškodenie sa priamo nehodnotí |
| Zoznam je prázdny | Skontrolujte obsah stránky | Môže to byť obrázok alebo iná kresliaca cesta |
Pred manipuláciou s dôležitými dokumentmi si prosím ponechajte originály a skontrolujte ich podľa vyššie uvedených hraníc a akceptačných položiek.
🎯 Ktorá metóda ti vyhovuje?
Ak len dostaneš PDF na preklad
Najprv si skontroluj písma, potom sa rozhodni, ktorou cestou sa vydať; neponáhľaj sa s ich výmenou.
Ak výsledok detekcie ukáže, že program písma je prázdny
Nahrajte to a overte obsah stránky; nepredpokladajte, že vloženie je dokončené.
Ak dokument obsahuje podmnožiny fontov
Zachovajte značky písma a zaobchádzajte s nimi normálne, namiesto toho, aby ste ich priamo posudzovali ako chyby.
Ak je potrebné overiť skutočnými dokumentmi
Použite vzorku desenzitizácie, ktorú ste nahrali s vaším súhlasom, a overte výsledky pomocou kontrolných položiek v tomto článku.
❓ Často kladené otázky (FAQ)
1. Znamená referencia písma Base14, že písmo je už vložené?
Nie. Referencie na písmo Base14 neznamenajú, že program na písmo je vložený; musíte skontrolovať, či sú bajty fontov vrátenéextract_font prázdne.
2. Je určite problém s fontom podmnožiny?
Nie nevyhnutne. Podmnožinové písma by nemali byť jednotne označené ako chyby; stačí zachovať identifikátory písma a priamo ich nehodnotiť ako poškodené.
3. Ak je zoznam písiem prázdny, znamená to, že je problém so stránkou?
Nie nevyhnutne. Keď je zoznam prázdny, najskôr by ste mali potvrdiť obsah stránky; stránka môže byť obrázok alebo iná kresliaca cesta.
4. Môžu sa "bezpečné" výsledky scenára priamo použiť pri rozhodovaní o preklade?
Nie. Výstup kódu je len technický signál a nemôže určiť, či sú glyfy cieľového jazyka použiteľné ani posúdiť, či licencia umožňuje úpravu embeddingov.
📝 Zhrnutie
Inventarizácia fontov je základným krokom pred prekladom PDF; pomáha vám posúdiť editovateľnosť dokumentu a stabilitu vykresľovania. Po prijatí súboru najprv skontrolujte písmo, potom vyberte cestu a po preklade stále overte zhodu medzi názvami, hlavným textom a titulkami.


