仕入先請求書の束のサムネイル帯は、一見すると正しく見えます。表の罫線があり、ロゴは鮮明で、列は揃っています。1枚をズームすると、顧客名は中身のない四角の列になり、合計の列は何も綴らない文字を載せています。壊れた請求書はどれも同じフォント、ABCDEF+Arial を使い、どれも同じマシンのデスクトップ PDF ビューアでは正常に読めます。サムネイルのコードはフォント名を取り、6文字のサブセットタグを落とし、Windows に Arial を求め、ページの生の文字コードを渡しました。それらのコードは、Arial のものでは決してなかったのです。PDF ページから忠実なビットマップを取り出すには、2つのことが要ります。ページのコンテンツストリームをプログラムとして実行すること、そしてテキストを、描画マシンがたまたまインストールしているフォントからではなく、ファイルに保存されたグリフのアウトラインから描くことです
PDFページは実行するもの
ISO 32000-1 §8 はページをコンテンツストリームとして記述します。cm で変換行列を変え、q と Q でグラフィックスステートを保存・復元し、パスを組み立て、Tf でフォントを選び、Tj でグリフを置き、Do で画像とフォームを塗る、演算子たちです。ファイルは、どのピクセルがどんな見た目かを何も記録していません。ビットマップを得るには、何かがそのストリームを、現在の変換行列、状態スタック、クリッピングパス、塗りとストロークの色空間のペアに対して実行し、出てきたものをラスター化しなければなりません
HotPDF の RenderLoadedPageToBitmap が、そのインタプリタです。ロード済みページの演算子を歩き、行列とグラフィックスステートを仕様が定める通りの意味で保ち、色空間を解決し、PDF のパスを GDI のパスへ変え、グリフのアドバンスを GDI ではなくフォントの /Widths 配列から取ります。画像 XObject は、ライブラリが抽出に使うのと同じデコーダーを通るため、HotPDFが抽出のためにデコードできるすべての画像フィルタは、JPXDecode圧縮のJPEG 2000画像を含め、描画されたページにも現れます
ロード済みページをDelphiのTBitmapへ描画する
THotPDF.RenderLoadedPageToBitmap(PageIndex, DPI) は、ゼロ始まりのページインデックスと、1インチあたりドット数の解像度を受け取ります。72 DPI が 1 PDF 単位を 1 ピクセルへ写します。そして新しい24ビット RGB の TBitmap を返します。範囲外のインデックスや、組み立てられないページは、例外を上げる代わりに nil を返します。これはビューア向きです。1枚の壊れたページをスキップし、残りを続行すべきだからです。ビットマップの所有者は呼び出し側です
var
Pdf: THotPDF;
Bmp: TBitmap;
begin
Pdf := THotPDF.Create(nil);
try
if Pdf.LoadFromFile('report.pdf') > 0 then
begin
Bmp := Pdf.RenderLoadedPageToBitmap(0, 144); // 最初のページを 144 DPI で
if Bmp <> nil then
try
Image1.Picture.Assign(Bmp);
finally
Bmp.Free; // 返されたビットマップの所有者は呼び出し側
end;
end;
finally
Pdf.Free;
end;
end;
ピクセル寸法はページの可視領域から決まります。レンダラーは、ISO 32000-1 §14.11.2 が可視領域と定義するとおり、/MediaBox でクリップされた /CropBox を取り、使えるクロップボックスがなければ /MediaBox を使い、DPI/72 でスケールし、切り上げます。したがって独立したクロップボックスのない US Letter ページは、72 DPI で正確に 612×792 ピクセルで戻ってきます。A4 ページ(595.28×841.89 ポイント)は 96 DPI で 794×1123 になります。793.7 と 1122.5 のどちらも切り上がるからです。90 か 270 の /Rotate は幅と高さを入れ替え、PDF の左下原点から GDI の左上原点への反転はページ行列の中で起きるため、画像は後処理なしで正立のまま届きます
DPI が唯一のスケーリングのつまみであり、よくある仕事はこれで足ります。サムネイルは 36 か 48 DPI で、小さく速い。スクリーンプレビューは 96 か 144 DPI で、典型的な表示密度に合います。300 DPI での書き出しは印刷グレードの出力を与えます。Letter ページ1枚ごとに 2550×3300 のビットマップ、3バイト/ピクセルで1枚あたり約 24 MiB という代償で
置換フォントが間違ったグリフを描くのはなぜか
描画された PDF の間違ったグリフは、ほとんどの場合、ラスタライザがファイルに埋め込まれたフォントをインストール済みフォントに差し替えたことを意味します。請求書の例の近道は、よく動くだけに魅力的です。/BaseFont からサブセット接頭辞を剥がし、残った名前で GDI フォントを要求し、文字列を描く。標準エンコーディングの素の Arial や Times New Roman のテキストなら、誰も文句を言いません
まず壊すのはサブセットフォントです。サブセットは、文書が使う40個のグリフしか運ばないことがあり、そのファイル固有の順序で番号が振られているため、コード1が「T」でコード2が「h」かもしれません。インストール済みフォントにそれを知る術はありません。カスタムエンコーディング、シンボルとバーコードのフォント、そして描画マシンに存在しないどんな書体も、同じ理由で失敗します。さらに、置換先がすべての文字を持っている場合でさえ、アドバンス幅が埋め込みの顔面と違うため、行は伸びたり縮んだりし、右寄せの列は並ばなくなります
埋め込みフォントプログラムからのテキスト描画
HotPDF は、PDF に保存されたフォントプログラムからテキストを描きます。フォントが埋め込み TrueType プログラム(/FontFile2)か CFF プログラム(/FontFile3)を運んでいれば、各グリフはそのデータから輪郭化され、GDI パスとして塗られます。フォントサイズ、テキストマトリクス、現在の変換行列が1つの変換へ合成されて。サブセットフォント、プライベートエンコーディング、マシンが見たことのない書体が、本物の形状で出てきます。文字コードがグリフへ届くまでの道はフォント種別次第で、各種別には固有の罠があります
- TrueTypeアウトライン:輪郭は
glyfとlocaテーブルから来ます。2次セグメントは GDI が描く3次ベジエへ持ち上げられます。これは正確な変換です。2つの連続した曲線外ポイントのあいだの暗黙の曲線上ポイントは再構築され、コンポジットグリフは各コンポーネントの変換を適用しながらコンポーネントへ再帰します - CIDキー付きTrueType:
CIDFontType2上のType0フォントは、/CIDToGIDMap、つまりIdentity(エントリが欠けているときの既定でもある)か明示的なマップストリームを通してグリフ ID に届き、アドバンスを/Wと/DWから取ります。したがって2バイトのIdentity-Hテキストは正しい量で歩みます。定義済み CJK CMap と埋め込み CMap ストリームは、ルックアップの前に可変長コードをデコードします - CFFプログラム:
Type1C、CIDFontType0C、OpenType コンテナに包まれた CFF は、Type 2 charstring インタプリタを通ります。線、曲線、flex ファミリー、ヒントマスク、そしてサブルーチンバイアスを適用したローカルとグローバルのサブルーチン呼び出しを処理します。CID キー付きプログラムは各コードをフォントの charset 経由で写します。グリフ順が CID 順と違うサブセットで効いてくる話で、グリフごとのプライベート辞書をFDArrayとFDSelectで選びます - 単純TrueTypeフォント:1バイトコードは埋め込み
cmapを通り、Unicode サブテーブル (3,1) と (3,10) をまず試し、次に (3,0) のシンボルサブテーブルを直接と、シンボルフォントが使う U+F000 の鏡像の両方で、そして最後に古い Macintosh (1,0) テーブルを試します
その上に2つの規則が座ります。単純フォントの /Encoding 辞書は、ISO 32000-1 §9.6.6 が定める順序で解決されます。/Differences がベースエンコーディングに勝り、ベースエンコーディングがプログラムの内蔵マッピングに勝ります。TeX その他の PostScript 由来のツールチェーンはこれに深く依存しており、順序を間違えると、間違ったグリフが最も見つけにくい数学と記号のテキストが、まさに崩れます。Type3 フォント、つまりグリフがそれぞれ小さなコンテンツストリームであるものは、フォントマトリクス、フォントサイズ、テキストマトリクスを合成したうえで、同じインタプリタで再生されます。グリフ空間の /Widths は §9.6.5 が要求するどおり /FontMatrix を通り、d1 バウンディングボックスを宣言するグリフプロシージャはそれへクリップされるため、奇形のバーコードグリフがセルの外へ塗ることはできません
単一のコードが写せないとき、プログラムが壊れているか、サブセットにそのグリフがないかですが、その1文字だけが同名のインストール済みフォントで描かれ、ランの残りは依然として埋め込みアウトラインを使います。ラン全体を落とすと問題が隠れます。1つの奇妙な文字のほうが気づきやすいのです。使える埋め込みプログラムを持たないフォントは、システムフォントで非埋め込みフォントを描画するで述べるインストール済みフォント経路をたどります
繰り返しの描画を速く保つには
インタラクティブな何かに対しては、素のメソッドの代わりに RenderLoadedPageToBitmapCached を呼んでください。最近描画したページを、ページインデックス、DPI、現在の描画設定(カラーレンダリングインテント、オーバープリントプレビュー、フォールバックポリシー、そしてどのオプショナルコンテンツ層が可視か)をキーとする MRU キャッシュに保持し、ヒットはコンテンツストリームを再解釈せずに、新しい呼び出し側所有のコピーを渡します。2ページ間の切り替えや、同じページを同じ DPI で再要求するリサイズは、毎回キャッシュに当たります。各ページを1度だけ訪れる一回こきりの書き出しには、素の RenderLoadedPageToBitmap のほうが良い選択です。キャッシュ版は返すビットマップをすべてコピーし、誰も二度と求めないページを手元に置き続けることになるためです
// サムネイル帯: 最初のパスが描画し、スクロールバックはキャッシュに当たる
Pdf.RenderCacheCapacity := 32; // エントリ上限。既定は 8
for I := 0 to Pdf.LoadedPageCount - 1 do
begin
Bmp := Pdf.RenderLoadedPageToBitmapCached(I, 48);
if Bmp <> nil then
try
ThumbList.AddThumbnail(I, Bmp); // 自前の UI コード
finally
Bmp.Free;
end;
end;
// 300 DPI のページもキャッシュする? ラスタキャッシュにはより大きなバイト予算を
// (Policy: THPDFCacheAdmissionPolicy)
if Pdf.GetCacheAdmissionPolicy(clkRaster, Policy) then
begin
Policy.MaxTotalBytes := Int64(512) * 1024 * 1024;
Pdf.SetCacheAdmissionPolicy(clkRaster, Policy);
end;
// ページ内容を直接変更した後:
Pdf.InvalidateRenderedPageCache; // 次の描画がその編集を反映する
RenderCacheCapacity は2つの上限のうちの1つにすぎません。ラスタキャッシュにはバイト予算もあります。既定で 128 MiB、エントリごとの天井は 64 MiB で、予算の計算では1ピクセルを4バイトと数えます。ビューアが Letter ページを 300 DPI でキャッシュするとしましょう。各エントリは約 32 MiB と数えられるため、RenderCacheCapacity が何と言おうと、入るのは3枚だけです。48 DPI なら同じページは約 0.82 MiB と数え、上のループのサムネイルは 32 枚までが 27 MiB 未満で居座れます。キャッシュが満杯のとき、1度だけ要求されたページは、よく要求されるページを追い出せないことがあります。それでも描画されて返されますが、保持されないだけです。ビューアが予測可能な順序でページをめくるなら、PrefetchLoadedPages が同じキャッシュを、ユーザーに先行してワーカースレッドで満たします
新しい文書をロードするとキャッシュは空になります。ライブラリ自身のページ編集呼び出しのいくつか、たとえば FlattenLoadedFormFields は、影響を受けたページを自分で落とします。ページオブジェクトやコンテンツストリームを直接変更した後は、InvalidateRenderedPageCache を呼んでください。キャッシュには、ページの背後のバイトが変わったことを知る術がないからです。その下には、デコード済み画像 XObject 用の2つ目のストアがあり、ImageCacheMaxBytes(既定 32 MiB)で区切られています。すべてのページに繰り返されるロゴやレターヘッドは、Do 演算子ごとではなく、文書ロードごとに1度デコードされるのです。InvalidateRenderedPageCache はそちらも空にします。サムネイルがアプリケーションの再起動をまたいで生き延びるべきなら、描画キャッシュのディスク層がその場合を扱います
ページが近似されたときに知る方法
ほとんどのページはフォールバックに当たりません。レンダラーの守備範囲はテキストと画像よりはるかに広いからです。CalGray、CalRGB、Lab、ICC ベースの色空間は、効いているレンダリングインテントで変換されます。RenderColourIntent で上書きでき、ConfigureRenderICCWorkflow はソフトプルーフィング用のプルーフと出力の ICC プロファイルを受け取ります。インデックスパレット、Separation と DeviceN のティント、サンプリングされたType 0関数のカラールックアップも扱われます。関数ベース、アキシアル、ラジアル、メッシュのシェーディングは、sh 演算子経由でもシェーディングパターン経由でも描かれ、透明グループ、ノックアウトグループ、アルファやルミノシティのソフトマスクは、ブレンドモードのグループとルミノシティマスクで述べたように、ブレンドモードとともに合成されます
それでも現実のファイルには、正確には描けないものが含まれます。ページが名指すのに定義しないリソース、データのデコードに失敗する画像、自分自身を描く Form XObject です。RenderFallbackPolicy が、そのとき何が起きるかを決めます。既定の rfpIgnore は、最も近い近似を描いて先へ進みます。rfpReport は同じことをしつつ、フォールバックごとに診断を記録します。上限は RenderFallbackDiagnosticLimit エントリ(既定 256)です。rfpStrict は、近似ビットマップを返す代わりに例外を上げます。フォームのネストは32段で止まり、自分を参照するフォームはスキップされるため、壊れた、あるいは悪意あるファイルが無限に再帰することはできません
// rfpReport と THPDFRenderFallbackDiagnostics は HPDFPageRenderer で宣言される
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; // nil に対する Free は安全
end;
end;
QA と取り込みのビルドは rfpReport で走らせてください。ビットマップは rfpIgnore が作るものと同一で、ログは、顧客が14ページの見た目が妙だと報告する前に、どのページがどう近似されたかを示します。rfpStrict はアーカイブ変換のために取っておいてください。静かに近似されたページは、失敗したページよりひどい世界です。キャッシュヒットは、そのページが最初に描かれたときに記録された診断を復元するため、GetLastRenderFallbackDiagnostics は、キャッシュ版が仕事をしたかどうかにかかわらず、同じ答えを返します
RenderLoadedPageToBitmap、キャッシュ版、そして埋め込みグリフのテキスト経路は、HotPDF Delphi Component の一部です。外部 DLL を持たない、Delphi と C++Builder 向けのネイティブ VCL ライブラリで、描画するのと同じロード済み文書から、作成、編集、テキスト抽出も行います