PDFlibPas: استخراج النصوص والصور والخطوط في Delphi

يوفر losLab PDF Library لمحترفي Delphi وC++Builder محرك PDF مع مصدر متاح لسير عمل سطح المكتب والخادم وDLL وActiveX وDylib، مع فحوص PDF/A وPDF/UA ودعم توقيع PAdES وخيارات عرض متعددة دون خدمة PDF خارجية.

هذه المقالة موجّهة إلى teams building PDF analysis, migration, search, evidence capture, or support-inspection tools. وهي تتعامل مع استخراج النصوص والصور والخطوط كجزء من هندسة المستندات في بيئة الإنتاج، لا كاستدعاء سريع لمكوّن.

الخطر العملي هو أن extraction output is easy to over-trust even though PDF content order, font encoding, image color spaces, and page resources rarely match user-visible reading order exactly. لذلك يحتاج المسار إلى عقد واضح وتشخيص قابل للملاحظة وملفات اختبار واقعية.

قرارات البنية

Separate extraction facts from interpretation. whether output needs visual order, content-stream order, or search-oriented order / image extraction format, color conversion, compression retention, and naming

whether output needs visual order, content-stream order, or search-oriented order
image extraction format, color conversion, compression retention, and naming
font subset naming, encoding diagnostics, and missing ToUnicode handling
confidence flags for OCR layers, hidden text, clipped content, and rotated pages

مسار التنفيذ

Preserve page and resource context. The order below keeps the workflow reviewable for Delphi and C++Builder teams.

scan page resources and content streams while preserving object references
extract text runs with coordinates, font identity, Unicode mapping, and style signals
extract images with page location, dimensions, color space, and original object data when needed
classify fonts by subset, embedded status, and encoding behavior
produce an analysis report that distinguishes facts from inferred reading order

أدلة التحقق

Extraction evidence that remains explainable. Keep these fields with the output or support record.

page number, object reference, coordinates, decoded text, font, and confidence
image size, color space, compression, mask, and export filename
font subset name, embedded state, encoding map, and ToUnicode status
warnings for hidden, clipped, rotated, or overlapping content

Extracted text is not always authored text

A professional extraction workflow should record where each text run, image, and font resource came from, how it was decoded, and which assumptions were used to group it into searchable or reviewable content.

تصميم حزمة الدعم

بمجرد نشر PDFlibPas، تكون حزمة الدعم الأكثر فائدة هي التي تشرح المدخلات والملف التعريفي والمخرجات والمرحلة الدقيقة التي فشلت

page number, object reference, coordinates, decoded text, font, and confidence
image size, color space, compression, mask, and export filename
font subset name, embedded state, encoding map, and ToUnicode status
warnings for hidden, clipped, rotated, or overlapping content
terminology snapshot: text extraction, image extraction, font resource, ToUnicode

ملاحظات المراجعة الهندسية حول استخراج النصوص والصور والخطوط

استخدم ملاحظات المراجعة هذه للتأكد من أن الميزة تجاوزت مرحلة العرض التجريبي ويمكن الدفاع عنها أثناء الإصدار والدعم وتصعيد العملاء

القرار: whether output needs visual order, content-stream order, or search-oriented order. نقطة الضغط في التنفيذ: extract text runs with coordinates, font identity, Unicode mapping, and style signals. دليل القبول: font subset name, embedded state, encoding map, and ToUnicode status. محفز الانحدار: OCR layers can contain stale or misaligned text over scanned pages
القرار: image extraction format, color conversion, compression retention, and naming. نقطة الضغط في التنفيذ: extract images with page location, dimensions, color space, and original object data when needed. دليل القبول: warnings for hidden, clipped, rotated, or overlapping content. محفز الانحدار: PDF drawing order may not equal human reading order
القرار: font subset naming, encoding diagnostics, and missing ToUnicode handling. نقطة الضغط في التنفيذ: classify fonts by subset, embedded status, and encoding behavior. دليل القبول: page number, object reference, coordinates, decoded text, font, and confidence. محفز الانحدار: ligatures and custom encodings can make copied text differ from visible text
القرار: confidence flags for OCR layers, hidden text, clipped content, and rotated pages. نقطة الضغط في التنفيذ: produce an analysis report that distinguishes facts from inferred reading order. دليل القبول: image size, color space, compression, mask, and export filename. محفز الانحدار: images may be masks, soft masks, or repeated resources rather than standalone pictures
القرار: whether output needs visual order, content-stream order, or search-oriented order. نقطة الضغط في التنفيذ: scan page resources and content streams while preserving object references. دليل القبول: font subset name, embedded state, encoding map, and ToUnicode status. محفز الانحدار: OCR layers can contain stale or misaligned text over scanned pages
القرار: image extraction format, color conversion, compression retention, and naming. نقطة الضغط في التنفيذ: extract text runs with coordinates, font identity, Unicode mapping, and style signals. دليل القبول: warnings for hidden, clipped, rotated, or overlapping content. محفز الانحدار: PDF drawing order may not equal human reading order
القرار: font subset naming, encoding diagnostics, and missing ToUnicode handling. نقطة الضغط في التنفيذ: extract images with page location, dimensions, color space, and original object data when needed. دليل القبول: page number, object reference, coordinates, decoded text, font, and confidence. محفز الانحدار: ligatures and custom encodings can make copied text differ from visible text

الحالات الحدية

PDF drawing order may not equal human reading order
ligatures and custom encodings can make copied text differ from visible text
images may be masks, soft masks, or repeated resources rather than standalone pictures
OCR layers can contain stale or misaligned text over scanned pages

ملاحظات Delphi / C++Builder

PDFlibPas should sit behind a small service boundary that receives files, streams, profiles, and credentials, then returns output paths, warnings, metrics, and validation status. تشمل المصطلحات المهمة text extraction, image extraction, font resource, ToUnicode, content stream, coordinates.

مثال كود Delphi

يوضح مخطط Delphi التالي حد خدمة عمليًا لهذا الموضوع. اجعل فحوص السياسة والتسجيل والتحقق خارج جزء استدعاء المنتج الضيق حتى يبقى سير العمل قابلاً للاختبار.

procedure ExtractForIndexing(const FileName, OutputDir: string);
var
  Pdf: TPDFlib;
begin
  Pdf := TPDFlib.Create;
  try
    Pdf.LoadFromFile(FileName, '');
    SaveExtractedText(OutputDir, ExtractDocumentText(Pdf));
    SaveEmbeddedImages(OutputDir, ExtractDocumentImages(Pdf));
    SaveFontInventory(OutputDir, BuildFontInventory(Pdf));
  finally
    Pdf.Free;
  end;
end;

قائمة فحص الإنتاج

شغّل سير العمل على ملف فارغ وملف عميل عادي وملف أسوأ حالة
افتح ملف PDF الناتج في العارض أو المدقق أو الطابعة أو التطبيق اللاحق المستهدف
سجّل إصدار المنتج وإصدار الملف التعريفي وتجزئة الإدخال ومسار الإخراج والوقت المنقضي وعدد التحذيرات
احتفظ بكلمات المرور والشهادات والملفات المؤقتة وبيانات العملاء وفق قواعد احتفاظ واضحة
أضف مستندات انحدار عندما يكشف ملف عميل عن حالة حدية جديدة

توثيق المنتج

PDFlibPas

أمثلة كود إضافية

var
  ImgList, I: Integer;
begin
  Pdf.SelectPage(1);
  ImgList := Pdf.GetPageImageList(0);
  for I := 0 to Pdf.GetImageListCount(ImgList) - 1 do
  begin
    Writeln(Pdf.GetImageListItemFormatDesc(ImgList, I, 0));
    Pdf.SaveImageListItemDataToFile(ImgList, I, 0,
      Format('page1-img%.2d.bin', [I]));
  end;
  Pdf.ReleaseImageList(ImgList);
end;

var
  I: Integer;
begin
  Pdf.FindFonts;
  for I := 1 to Pdf.FontCount do        // font indexes start at 1, not 0
    if Pdf.SelectFont(Pdf.GetFontID(I)) = 1 then
      Writeln(Format('%s  type=%d  embedded=%d  subset=%d',
        [Pdf.FontName, Pdf.FontType,
         Pdf.GetFontIsEmbedded, Pdf.GetFontIsSubsetted]));
end;