Лента эскизов для пачки счетов от поставщиков на первый взгляд выглядит правильно: линии таблиц на месте, логотип чёткий, колонки выровнены. Приблизьте любой из них — и имя клиента превращается в ряд пустых квадратов, а в колонке итогов стоят буквы, которые не складываются ни в какие слова. Все сломанные счета используют один и тот же шрифт, ABCDEF+Arial, и все они нормально открываются в настольном PDF-просмотрщике на той же машине. Код эскизов взял имя шрифта, отбросил шестибуквенный тег субсета, попросил у Windows Arial и скормил ему сырые коды символов со страницы. Эти коды никогда не были кодами Arial. Чтобы получить честный битмап из страницы PDF, нужны две вещи: исполнить поток содержимого страницы как программу и рисовать текст из контуров глифов, сохранённых в файле, а не из тех шрифтов, что случайно стоят на машине, где выполняется рендеринг
Страница PDF — это то, что вы исполняете
ISO 32000-1 §8 описывает страницу как поток содержимого: операторы меняют матрицу трансформации через cm, сохраняют и восстанавливают графическое состояние через q и Q, строят пути, выбирают шрифты через Tf, размещают глифы через Tj и рисуют изображения и формы через Do. Ничто в файле не записывает, как выглядит хоть один пиксель. Чтобы получить битмап, кто-то должен исполнить этот поток против текущей матрицы трансформации, стека состояний, пути отсечения и пары цветовых пространств для заливки и обводки, а затем растрировать то, что из этого вышло
RenderLoadedPageToBitmap в HotPDF — тот самый интерпретатор. Он проходит по операторам загруженной страницы, ведёт матрицу и графическое состояние так, как их определяет спецификация, разрешает цветовые пространства, превращает пути PDF в пути GDI и берёт метрики глифов из массива /Widths шрифта, а не из GDI. Image XObject идут через те же декодеры, которые библиотека использует для извлечения, так что любой фильтр изображений, который HotPDF умеет декодировать при извлечении, включая JPEG 2000 со сжатием JPXDecode, появляется и на отрисованной странице
Рендеринг загруженной страницы в TBitmap в Delphi
THotPDF.RenderLoadedPageToBitmap(PageIndex, DPI) принимает отсчитываемый от нуля индекс страницы и разрешение в точках на дюйм, где 72 DPI отображают одну единицу PDF в один пиксель, и возвращает новый 24-битный RGB TBitmap. Индекс вне диапазона или страница, которую не удаётся построить, дают nil вместо исключения. Для просмотрщика это то, что нужно: одну повреждённую страницу можно пропустить и продолжить с остальными. Битмап принадлежит вызывающему
var
Pdf: THotPDF;
Bmp: TBitmap;
begin
Pdf := THotPDF.Create(nil);
try
if Pdf.LoadFromFile('report.pdf') > 0 then
begin
Bmp := Pdf.RenderLoadedPageToBitmap(0, 144); // первая страница при 144 DPI
if Bmp <> nil then
try
Image1.Picture.Assign(Bmp);
finally
Bmp.Free; // битмап принадлежит вызывающему
end;
end;
finally
Pdf.Free;
end;
end;
Пиксельные размеры вытекают из видимой области страницы. Рендерер берёт /CropBox, обрезанный до /MediaBox — так ISO 32000-1 §14.11.2 определяет видимую область, — использует /MediaBox, когда пригодного crop box нет, масштабирует на DPI/72 и округляет вверх. Страница US Letter без отдельного crop box возвращается ровно как 612×792 пикселей при 72 DPI. Страница A4 (595.28×841.89 пунктов) при 96 DPI даёт 794×1123, потому что и 793.7, и 1122.5 округляются вверх. /Rotate 90 или 270 меняет ширину и высоту местами, а переворот из нижне-левого начала координат PDF в лево-верхнее начало GDI происходит внутри матрицы страницы, так что изображение приходит сразу правильной ориентации, без пост-обработки
DPI — единственная ручка масштабирования, и её хватает для типовых задач. Эскизы при 36 или 48 DPI маленькие и быстрые. Экранный просмотр при 96 или 144 DPI совпадает с типичной плотностью дисплеев. Экспорт при 300 DPI даёт вывод печатного качества ценой битмапа 2550×3300 на каждую страницу Letter — примерно по 24 МБ при трёх байтах на пиксель
Почему подменённые шрифты рисуют не те глифы?
Неверные глифы в отрисованном PDF почти всегда означают, что растеризатор подставил установленный шрифт вместо встроенного в файл. Короткий путь из примера со счетами соблазнителен, потому что часто срабатывает: отбросить префикс субсета у /BaseFont, запросить GDI-шрифт по оставшемуся имени, нарисовать строку. Для простого текста Arial или Times New Roman со стандартной кодировкой жаловаться некому
Первыми этот путь ломают шрифты-субсеты. Субсет может нести только сорок глифов, которые использует документ, перенумерованных в порядке, приватном для конкретного файла: код 1 может быть «T», а код 2 — «h». Установленный шрифт знать этого не может. Пользовательские кодировки, шрифты символов и штрихкодов и любая гарнитура, отсутствующая на машине рендеринга, падают по той же причине. И даже когда замена содержит все символы, её метрики отличаются от встроенной гарнитуры, поэтому строки растут или сжимаются, а выровненные вправо колонки перестают сходиться
Отрисовка текста из встроенной программы шрифта
HotPDF рисует текст из программ шрифтов, сохранённых в PDF. Когда шрифт несёт встроенную программу TrueType (/FontFile2) или программу CFF (/FontFile3), каждый глиф строится по этим данным и заполняется как путь GDI, причём размер шрифта, текстовая матрица и текущая матрица трансформации компонуются в одно преобразование. Шрифты-субсеты, приватные кодировки и гарнитуры, которых машина никогда не видела, выходят с настоящими формами. Как код символа добирается до глифа, зависит от типа шрифта, и у каждого типа своя ловушка:
- Контуры TrueType: контуры берутся из таблиц
glyfиloca. Квадратичные сегменты поднимаются до кубических кривых Безье, которые рисует GDI, — это точное преобразование; неявная точка на кривой между двумя соседними точками вне кривой восстанавливается, а составные глифы рекурсивно разворачиваются в компоненты с применением трансформации каждой компоненты - TrueType с CID-ключами: шрифты
Type0поверхCIDFontType2добираются до ID глифов через/CIDToGIDMap—Identity(также значение по умолчанию, когда записи нет) или явный поток-карту, — а метрики берут из/Wи/DW, так что двухбайтовый текстIdentity-Hшагает на правильные расстояния. Предопределённые CJK CMap и встроенные потоки CMap декодируют коды переменной длины до поиска - Программы CFF:
Type1C,CIDFontType0Cи CFF в обёртке OpenType проходят через интерпретатор charstring Type 2, который обрабатывает линии, кривые, семейство flex, маски хинтинга, а также локальные и глобальные вызовы подпрограмм с правильным смещением подпрограмм. CID-ключевые программы отображают каждый код через charset шрифта — это важно для субсетов, где порядок глифов не совпадает с порядком CID, — и выбирают приватный словарь конкретного глифа черезFDArrayиFDSelect - Простые шрифты TrueType: однобайтовые коды идут через встроенный
cmap— сначала пробуются Unicode-подтаблицы (3,1) и (3,10), затем символическая подтаблица (3,0) и напрямую, и через зеркало U+F000, которым пользуются symbol-шрифты, и лишь потом старая таблица Macintosh (1,0)
Поверх этого лежат два правила. Словарь /Encoding простого шрифта разрешается в порядке, который предписывает ISO 32000-1 §9.6.6: /Differences переопределяют базовую кодировку, а та — собственную карту программы шрифта. TeX и другие инструментарии, вышедшие из PostScript, опираются на это вовсю, так что перепутанный порядок ломает ровно ту математическую и символическую текстуру, где неверный глиф труднее всего заметить. Шрифты Type3, чьи глифы — маленькие собственные потоки содержимого, проигрываются через тот же интерпретатор с композицией матрицы шрифта, размера шрифта и текстовой матрицы; метрики глифов из глифового пространства, взятые из /Widths, проходят через /FontMatrix, как того требует §9.6.5, а процедура глифа, объявившая ограничивающий бокс d1, отсекается по нему, так что битый глиф штрихкода не сможет закрасить чужую клетку
Когда один-единственный код не удаётся отобразить — программа повреждена или в субсете нет этого глифа, — этот один символ рисуется установленным шрифтом с тем же именем, а остаток строки по-прежнему идёт встроенными контурами. Выбросить всю строку значило бы спрятать проблему; одна странная буква замечается легче. Шрифты без пригодной встроенной программы идут путём установленных шрифтов, описанным в статье о рендеринге невстроенных шрифтов системными гарнитурами
Как держать повторные рендеринги быстрыми?
Для всего интерактивного вызывайте RenderLoadedPageToBitmapCached вместо простого метода. Он держит недавно отрисованные страницы в кэше LRU с ключом из индекса страницы, DPI и текущих настроек рендеринга (цветовой intent, предпросмотр overprint, политика fallback и то, какие слои optional content видимы), а попадание возвращает свежую копию, принадлежащую вызывающему, без повторного исполнения потока содержимого. Листание между двумя страницами или ресайз, повторно запрашивающий ту же страницу при том же DPI, каждый раз попадают в кэш. Для разового экспорта, который заходит на каждую страницу один раз, лучше простой RenderLoadedPageToBitmap: кэшированный вариант копирует каждый возвращаемый битмап и держал бы возле себя страницы, которые больше никто не спросит
// Лента эскизов: первый проход отрисовывает, прокрутка назад попадает в кэш
Pdf.RenderCacheCapacity := 32; // лимит записей; по умолчанию 8
for I := 0 to Pdf.LoadedPageCount - 1 do
begin
Bmp := Pdf.RenderLoadedPageToBitmapCached(I, 48);
if Bmp <> nil then
try
ThumbList.AddThumbnail(I, Bmp); // ваш собственный код UI
finally
Bmp.Free;
end;
end;
// Кэшируете и страницы 300 DPI? Дайте растровому кэшу больший байтовый бюджет
// (политика: THPDFCacheAdmissionPolicy)
if Pdf.GetCacheAdmissionPolicy(clkRaster, Policy) then
begin
Policy.MaxTotalBytes := Int64(512) * 1024 * 1024;
Pdf.SetCacheAdmissionPolicy(clkRaster, Policy);
end;
// После прямой правки содержимого страницы:
Pdf.InvalidateRenderedPageCache; // следующая отрисовка отразит правку
RenderCacheCapacity — лишь один из двух лимитов. У растрового кэша есть ещё байтовый бюджет, по умолчанию 128 МБ, с потолком 64 МБ на запись, и при бюджетировании он считает четыре байта на пиксель. Пусть просмотрщик кэширует страницы Letter при 300 DPI: каждая запись считается примерно в 32 МБ, так что помещаются только три, что бы ни говорил RenderCacheCapacity. При 48 DPI та же страница считается примерно в 0.82 МБ, и до 32 эскизов из цикла выше остаются резидентно меньше чем в 27 МБ. Когда кэш полон, страница, запрошенная однажды, может не вытеснить страницу, запрашиваемую часто; она всё равно отрисовывается и возвращается, просто не удерживается. Если просмотрщик листает страницы в предсказуемом порядке, PrefetchLoadedPages заранее наполняет тот же кэш на рабочем потоке, опережая пользователя
Загрузка нового документа чистит кэш. Несколько собственных вызовов правки страниц библиотеки, например FlattenLoadedFormFields, сами сбрасывают затронутые страницы; после любого вашего прямого изменения объектов страницы или потоков содержимого вызывайте InvalidateRenderedPageCache, потому что кэш не может узнать, что байты за страницей поменялись. Под ним сидит второе хранилище для декодированных image XObject, ограниченное ImageCacheMaxBytes (по умолчанию 32 МБ), так что логотип или бланк, повторяемые на каждой странице, декодируются один раз за загрузку документа, а не на каждый оператор Do. InvalidateRenderedPageCache чистит и его. Если эскизы должны переживать перезапуск приложения, этот случай покрывает дисковый ярус кэша рендеринга
Как узнать, что страницу нарисовали приближённо
Большинство страниц вообще не встречают fallback, потому что рендерер покрывает куда больше, чем текст и изображения. Цветовые пространства CalGray, CalRGB, Lab и на основе ICC конвертируются с действующим rendering intent, который можно переопределить через RenderColourIntent, а ConfigureRenderICCWorkflow принимает proof- и output-профили ICC для цветопробы. Индексированные палитры, краски Separation и DeviceN и выборки цвета из табличных функций Type 0 покрыты. Шейдинги function-based, axial, radial и mesh рендерятся и через оператор sh, и через shading-паттерны, а группы прозрачности, knockout-группы и soft-маски по альфе или люминансности композитятся со своими blend-режимами, как описано в статье о группах blend-режимов и масках люминансности
Реальные файлы всё ещё содержат то, что нельзя нарисовать точно: ресурс, который страница называет, но не определяет; изображение, чьи данные не декодируются; Form XObject, рисующий сам себя. Что тогда делать, решает RenderFallbackPolicy. Значение по умолчанию rfpIgnore рисует ближайшее приближение и идёт дальше. rfpReport делает то же, но записывает диагностику по каждому fallback, до RenderFallbackDiagnosticLimit записей (по умолчанию 256). rfpStrict возбуждает исключение вместо возврата приближённого битмапа. Вложенность форм останавливается на 32 уровнях, а форма, ссылающаяся сама на себя, пропускается, так что битый или враждебный файл не сможет рекурсировать без границ
// rfpReport и THPDFRenderFallbackDiagnostics объявлены в 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 безопасен для nil
end;
end;
Собирайте QA- и приёмочные сборки с rfpReport. Битмап идентичен тому, что выдаёт rfpIgnore, а лог показывает, какие страницы были нарисованы приближённо и почему, — раньше, чем клиент сообщит, что страница 14 выглядит странно. rfpStrict придержите для архивной конверсии, где тихо приближённая страница хуже упавшей. Попадание в кэш восстанавливает диагностику, записанную при первой отрисовке страницы, так что GetLastRenderFallbackDiagnostics даёт тот же ответ независимо от того, делал ли кэшированный вариант хоть что-то
RenderLoadedPageToBitmap, кэшированный вариант и путь текста по встроенным глифам входят в состав HotPDF Delphi Component — нативной VCL-библиотеки для Delphi и C++Builder без внешних DLL, которая также создаёт, правит и извлекает текст из тех же загруженных документов, которые вы рендерите