Artículo técnico

Representar páginas PDF en Bitmap en Delphi con HotPDF

Una tira de miniaturas para un lote de facturas de proveedores se ve bien a primera vista: líneas de tabla en su sitio, logotipo nítido, columnas alineadas. Acerque una y el nombre del cliente es una fila de cuadros huecos, mientras la columna de totales guarda letras que no deletrean nada. Cada factura rota usa la misma fuente, ABCDEF+Arial, y todas se leen bien en un visor de PDF de escritorio en la misma máquina. El código de miniaturas tomó el nombre de la fuente, soltó la etiqueta de subconjunto de seis letras, le pidió a Windows Arial y le entregó los códigos de caracteres crudos de la página. Esos códigos nunca fueron de Arial. Sacar un mapa de bits fiel de una página PDF toma dos cosas: ejecutar el flujo de contenido de la página como un programa, y dibujar el texto desde los contornos de glifo guardados en el archivo en lugar de desde las fuentes que la máquina de renderizado tenga instaladas

Una página PDF es algo que usted ejecuta

ISO 32000-1 §8 describe una página como un flujo de contenido: operadores que cambian la matriz de transformación con cm, guardan y restauran el estado de gráficos con q y Q, construyen rutas, seleccionan fuentes con Tf, colocan glifos con Tj, y pintan imágenes y formularios con Do. Nada en el archivo registra cómo se ve un solo píxel. Para obtener un mapa de bits, algo tiene que ejecutar ese flujo contra una matriz de transformación actual, una pila de estados, una ruta de recorte y un par de espacios de color de relleno y trazo, y luego rasterizar lo que salga

El RenderLoadedPageToBitmap de HotPDF es ese intérprete. Recorre los operadores de una página cargada, mantiene la matriz y el estado de gráficos como la especificación los define, resuelve espacios de color, convierte rutas PDF en rutas GDI, y toma los avances de glifo del arreglo /Widths de la fuente en lugar de GDI. Los image XObjects pasan por los mismos decodificadores que la biblioteca usa para extracción, de modo que cada filtro de imagen que HotPDF puede decodificar para extracción, incluidas las imágenes JPEG 2000 comprimidas con JPXDecode, también aparece en la página renderizada

Pipeline de renderizado de páginas de HotPDF: un intérprete de flujos de contenido PDF sigue la matriz de transformación, el estado de gráficos, los espacios de color, las rutas, los anchos de glifo y los contornos de glifos incrustados, y devuelve un TBitmap RGB de 24 bits propiedad del llamador
Cada operador actualiza la matriz, el estado de gráficos, el color, la ruta o el estado de texto que toca, y el resultado es un solo mapa de bits propiedad del llamador

Renderizar una página cargada a un TBitmap en Delphi

THotPDF.RenderLoadedPageToBitmap(PageIndex, DPI) toma un índice de página basado en cero y una resolución en puntos por pulgada, donde 72 DPI mapean una unidad PDF a un píxel, y devuelve un nuevo TBitmap RGB de 24 bits. Un índice fuera de rango o una página que no se puede construir devuelve nil en lugar de lanzar. Eso le viene bien a un visor, que debe saltarse una página dañada y seguir con el resto. El mapa de bits pertenece a quien llama

var
  Pdf: THotPDF;
  Bmp: TBitmap;
begin
  Pdf := THotPDF.Create(nil);
  try
    if Pdf.LoadFromFile('report.pdf') > 0 then
    begin
      Bmp := Pdf.RenderLoadedPageToBitmap(0, 144);  // primera página a 144 DPI
      if Bmp <> nil then
      try
        Image1.Picture.Assign(Bmp);
      finally
        Bmp.Free;  // quien llama es dueño del bitmap devuelto
      end;
    end;
  finally
    Pdf.Free;
  end;
end;

Las dimensiones en píxeles se siguen del área visible de la página. El renderizador toma la /CropBox recortada a la /MediaBox, como ISO 32000-1 §14.11.2 define la región visible, usa la /MediaBox cuando no hay crop box utilizable, escala por DPI/72 y redondea hacia arriba. Una página Carta de EE. UU. sin crop box separado vuelve entonces exactamente como 612×792 píxeles a 72 DPI. Una página A4 (595.28×841.89 puntos) a 96 DPI da 794×1123, porque 793.7 y 1122.5 ambos redondean hacia arriba. Una /Rotate de 90 o 270 intercambia ancho y alto, y el volteo del origen abajo a la izquierda de PDF al de arriba a la izquierda de GDI ocurre dentro de la matriz de página, así que la imagen llega derecha sin posprocesamiento

El DPI es la única perilla de escala, y cubre los trabajos comunes. Miniaturas a 36 o 48 DPI son pequeñas y rápidas. Una vista previa en pantalla a 96 o 144 DPI coincide con la densidad típica de pantalla. Exportar a 300 DPI da salida de calidad de impresión, al precio de un mapa de bits de 2550×3300 por cada página Carta, unos 24 MiB cada uno a tres bytes por píxel

¿Por qué las fuentes sustituidas dibujan glifos equivocados?

Los glifos equivocados en un PDF renderizado casi siempre significan que el rasterizador metió una fuente instalada en lugar de la incrustada en el archivo. El atajo del ejemplo de las facturas es tentador porque muchas veces funciona: quite el prefijo de subconjunto de /BaseFont, pida una fuente GDI por el nombre restante, dibuje la cadena. Para texto Arial o Times New Roman corriente con codificación estándar, nadie se queja

Las fuentes de subconjunto lo rompen primero. Un subconjunto puede llevar solo los cuarenta glifos que un documento usa, numerados en un orden privado de ese archivo, de modo que el código 1 quizá sea "T" y el código 2 "h". Una fuente instalada no puede saberlo. Las codificaciones personalizadas, las fuentes de símbolos y de códigos de barras, y cualquier tipo de letra que falte en la máquina de renderizado fallan por la misma razón. Y aun cuando el sustituto tiene cada carácter, sus anchos de avance difieren de los de la fuente incrustada, así que las líneas crecen o encogen y las columnas alineadas a la derecha dejan de cuadrar

HotPDF: la sustitución por fuentes del sistema quita el prefijo de subconjunto de ABCDEF+Arial y dibuja glifos equivocados, mientras el renderizado de glifos incrustados reevalúa los contornos del FontFile para formas exactas
La sustitución sobrevive solo en fuentes de sistema comunes y falla justo en las fuentes de subconjunto que hicieron necesaria la incrustación

Dibujar texto desde el programa de fuentes incrustado

HotPDF dibuja el texto desde los programas de fuentes guardados en el PDF. Cuando una fuente lleva un programa TrueType incrustado (/FontFile2) o un programa CFF (/FontFile3), cada glifo se perfila desde esos datos y se rellena como una ruta GDI, con tamaño de fuente, matriz de texto y matriz de transformación actual compuestos en una sola transformación. Las fuentes de subconjunto, las codificaciones privadas y los tipos que la máquina nunca ha visto salen con sus formas reales. Cómo un código de carácter llega a un glifo depende del tipo de fuente, y cada tipo tiene su propia trampa:

  • Contornos TrueType: los contornos vienen de las tablas glyf y loca. Los segmentos cuadráticos se elevan a las Béziers cúbicas que GDI dibuja, lo cual es una conversión exacta, se reconstruye el punto implícito sobre la curva entre dos puntos consecutivos fuera de la curva, y los glifos compuestos recursan en sus componentes con la transformación de cada componente aplicada
  • TrueType indexado por CID: las fuentes Type0 sobre CIDFontType2 llegan a los IDs de glifo a través de /CIDToGIDMap, sea Identity (también el valor por defecto cuando la entrada falta) o un flujo de mapa explícito, y toman los avances de /W y /DW, así que el texto de dos bytes Identity-H avanza la cantidad correcta. Las CMaps CJK predefinidas y los flujos CMap incrustados decodifican códigos de longitud variable antes de la búsqueda
  • Programas CFF: Type1C, CIDFontType0C y CFF envuelto en un contenedor OpenType corren por un intérprete de charstrings Type 2 que maneja líneas, curvas, la familia flex, máscaras de hint, y llamadas a subrutinas locales y globales con el sesgo de subrutina aplicado. Los programas indexados por CID mapean cada código por el charset de la fuente, lo cual importa para subconjuntos cuyo orden de glifos difiere del orden de CID, y seleccionan el diccionario privado por glifo a través de FDArray y FDSelect
  • Fuentes TrueType simples: los códigos de un byte pasan por la cmap incrustada, probando primero las subtablas Unicode (3,1) y (3,10), luego la subtabla de símbolos (3,0) tanto directa como en el espejo U+F000 que usan las fuentes de símbolos, y por último la tabla Macintosh (1,0) vieja

Dos reglas van encima de eso. El diccionario /Encoding de una fuente simple se resuelve en el orden que prescribe ISO 32000-1 §9.6.6: las /Differences se imponen a la codificación base, que a su vez se impone al mapeo integrado del programa. TeX y otras cadenas de herramientas derivadas de PostScript dependen mucho de esto, así que equivocar el orden revuelve justo el texto matemático y de símbolos donde un glifo equivocado es más difícil de detectar. Las fuentes Type3, cuyos glifos son pequeños flujos de contenido propios, se reproducen por el mismo intérprete con matriz de fuente, tamaño de fuente y matriz de texto compuestos; los /Widths de espacio de glifo pasan por /FontMatrix como exige §9.6.5, y un procedimiento de glifo que declara una caja delimitadora d1 se recorta a ella, de modo que un glifo de código de barras malformado no puede pintar fuera de su celda

Cuando un solo código no se puede mapear, porque el programa está dañado o el subconjunto carece de ese glifo, ese único carácter se dibuja con la fuente instalada del mismo nombre y el resto de la serie sigue usando los contornos incrustados. Soltar toda la serie escondería el problema; una letra extraña es más fácil de notar. Las fuentes sin programa incrustado utilizable siguen la ruta de fuente instalada descrita en renderizar fuentes no incrustadas con tipos de sistema

¿Cómo mantiene rápidos los renderizados repetidos?

Para cualquier cosa interactiva, llame a RenderLoadedPageToBitmapCached en lugar del método simple. Mantiene las páginas renderizadas recientemente en una caché de uso más reciente indexada por índice de página, DPI y los ajustes de renderizado actuales (intent de color, vista previa de sobreimpresión, política de alternativas y qué capas de contenido opcional son visibles), y un acierto entrega una copia nueva propiedad del llamador sin interpretar el flujo de contenido otra vez. Alternar entre dos páginas, o un cambio de tamaño que vuelve a pedir la misma página al mismo DPI, acierta la caché cada vez. Para una exportación de un solo pase que visita cada página una vez, el RenderLoadedPageToBitmap simple es la mejor llamada, porque la variante con caché copia cada mapa de bits que devuelve y se quedaría con páginas que nadie volverá a pedir

HotPDF: flujo de la caché MRU de páginas renderizadas: un acierto retorna una copia fresca del TBitmap sin reinterpretar la página, un fallo renderiza y almacena hasta RenderCacheCapacity páginas
Un acierto de caché omite por completo el stream de contenido, mientras que la invalidación y la presupuestación de memoria mantienen renders repetidos correctos y seguros
// Tira de miniaturas: la primera pasada renderiza, volver a desplazar acierta la caché
Pdf.RenderCacheCapacity := 32;   // límite de entradas; por defecto es 8
for I := 0 to Pdf.LoadedPageCount - 1 do
begin
  Bmp := Pdf.RenderLoadedPageToBitmapCached(I, 48);
  if Bmp <> nil then
  try
    ThumbList.AddThumbnail(I, Bmp);  // su propio código de UI
  finally
    Bmp.Free;
  end;
end;

// ¿También cachea páginas a 300 DPI? Dele al caché ráster un presupuesto de bytes mayor
// (Policy: THPDFCacheAdmissionPolicy)
if Pdf.GetCacheAdmissionPolicy(clkRaster, Policy) then
begin
  Policy.MaxTotalBytes := Int64(512) * 1024 * 1024;
  Pdf.SetCacheAdmissionPolicy(clkRaster, Policy);
end;

// Después de cambiar el contenido de la página directamente:
Pdf.InvalidateRenderedPageCache;  // el siguiente render refleja la edición

RenderCacheCapacity es solo uno de dos límites. El caché ráster también tiene un presupuesto de bytes, 128 MiB por defecto, con un techo de 64 MiB por entrada, y cuenta cuatro bytes por píxel al presupuestar. Suponga que un visor cachea páginas Carta a 300 DPI: cada entrada cuenta como unos 32 MiB, así que solo caben tres, diga lo que diga RenderCacheCapacity. A 48 DPI la misma página cuenta como unos 0.82 MiB, y hasta 32 miniaturas del bucle de arriba se quedan residentes en menos de 27 MiB. Cuando el caché está lleno, una página pedida una vez puede no desplazar a una página pedida a menudo; igual se renderiza y se devuelve, solo que no se guarda. Si un visor pasa páginas en un orden predecible, PrefetchLoadedPages llena el mismo caché en un hilo de trabajo por delante del usuario

Cargar un documento nuevo limpia el caché. Varias de las llamadas de edición de páginas de la propia biblioteca, como FlattenLoadedFormFields, sueltan por sí mismas las páginas afectadas; después de cualquier cambio que usted haga directamente a objetos de página o flujos de contenido, llame a InvalidateRenderedPageCache, porque el caché no puede saber que los bytes detrás de una página cambiaron. Debajo hay un segundo almacén para image XObjects decodificados, acotado por ImageCacheMaxBytes (32 MiB por defecto), de modo que un logotipo o membrete repetido en cada página se decodifica una vez por carga de documento en lugar de una por operador Do. InvalidateRenderedPageCache limpia también ese. Si las miniaturas deben sobrevivir a un reinicio de la aplicación, el nivel de disco del caché de renderizado cubre ese caso

Averiguar cuándo una página fue aproximada

La mayoría de las páginas nunca cae en una alternativa, porque el renderizador cubre mucho más que texto e imágenes. Los espacios de color CalGray, CalRGB, Lab y basados en ICC se convierten con el intent de renderizado vigente, que RenderColourIntent puede anular, y ConfigureRenderICCWorkflow toma perfiles ICC de prueba y de salida para soft-proofing. Las paletas Indexed, los tintes Separation y DeviceN y las búsquedas de color por función Type 0 muestreada están cubiertas. Los sombreados por función, axiales, radiales y de malla se renderizan tanto por el operador sh como por patrones de sombreado, y los grupos de transparencia, los grupos knockout y las máscaras suaves de alfa o luminosidad se componen con sus modos de mezcla, como se describe en grupos con modos de mezcla y máscaras de luminosidad

Los archivos reales todavía contienen cosas que no se pueden dibujar con exactitud: un recurso que la página nombra pero nunca define, una imagen cuyos datos no se decodifican, un Form XObject que se pinta a sí mismo. RenderFallbackPolicy decide qué pasa entonces. La opción por defecto, rfpIgnore, dibuja la aproximación más cercana y sigue adelante. rfpReport hace lo mismo pero registra un diagnóstico por cada alternativa, hasta RenderFallbackDiagnosticLimit entradas (256 por defecto). rfpStrict lanza una excepción en lugar de devolver un mapa de bits aproximado. El anidamiento de formularios se detiene a 32 niveles y un formulario que se refiere a sí mismo se omite, así que un archivo roto u hostil no puede recursar sin límite

// rfpReport y THPDFRenderFallbackDiagnostics se declaran en HPDFPageRenderer
var
  Diags: THPDFRenderFallbackDiagnostics;
  J: Integer;
begin
  Pdf.RenderFallbackPolicy := rfpReport;
  Bmp := Pdf.RenderLoadedPageToBitmap(PageIndex, 150);
  try
    Diags := Pdf.GetLastRenderFallbackDiagnostics;
    for J := 0 to High(Diags) do
      Log.Add(Format('page %d: %s %s - %s', [PageIndex + 1,
        string(Diags[J].OperatorName), string(Diags[J].ObjectName),
        string(Diags[J].Reason)]));
    if Pdf.LastRenderFallbackDroppedCount > 0 then
      Log.Add(Format('%d more fallbacks not recorded',
        [Pdf.LastRenderFallbackDroppedCount]));
  finally
    Bmp.Free;  // Free es seguro sobre nil
  end;
end;

Corra las compilaciones de QA e ingesta con rfpReport. El mapa de bits es idéntico al que produce rfpIgnore, y el log muestra qué páginas se aproximaron y por qué, antes de que un cliente reporte que la página 14 se ve rara. Reserve rfpStrict para la conversión de archivo, donde una página aproximada en silencio es peor que una fallida. Un acierto de caché restaura los diagnósticos registrados cuando esa página se renderizó por primera vez, así que GetLastRenderFallbackDiagnostics da la misma respuesta haya o no trabajado la variante con caché

RenderLoadedPageToBitmap, la variante con caché y la ruta de texto de glifos incrustados son parte del HotPDF Delphi Component, una biblioteca VCL nativa para Delphi y C++Builder sin DLLs externas, que también crea, edita y extrae texto de los mismos documentos cargados que usted renderiza