Yarım puan karar veriyor. 10 punto gövde metinli bir raporda, 11 punto kalın dizilmiş bir bölüm başlığı Markdown'a sıradan bir paragraf olarak dönüşür; kapaktaki 12 puntolu, normal ağırlıklı bir dipnot ise ### Quarterly figures olarak geri gelir. Ters görünüyor; ta ki bir PDF sayfasının gerçekte ne sakladığını hatırlayana kadar: koordinatlı glifler, bir yazı tipi adı ve bir boyut. Sayfada "başlık" diyen hiçbir şey yoktur. Bir dönüştürücünün yaydığı her başlık, o üç olgudan kurulan bir tahmindir ve tahminin eşikleri vardır
Bir PDF sayfasının dışa aktarılacak paragrafları neden yoktur?
Bir PDF sayfası paragraf değil, metin gösteren operatörler içerir. Her operatör bir glif bölümünü bir konuma, üreten uygulamanın tesadüfen yaydığı sırada yerleştirir ve ISO 32000-1, üreticiye iki bölümün aynı cümleye, aynı liste maddesine ya da tablo gözeneğine ait olduğunu söyleme yükümlülüğü bile yüklemez. Biçim bir basılı sayfayı tam olarak anlatır ve oraya, sayfayı üreten yapıyı çöpe atarak varır
Bu yüzden her dönüştürücü, üreticinin çöpe attığını yeniden kurar. Satırlar ortak taban çizgilerinden ve düşey aralıklardan gelir. Paragraf kesmeleri aralık ve girinti değişimlerinden gelir. Bir liste, madde imi karakteriyle ya da sayı deseniyle başlayan bir blok dizisidir. Bir tablo, kenarları satır ve sütun boyunca hizalanan bir metin blokları ızgarasıdır. Sıradan dizgi alışkanlıklarını izleyen belgelerde bu iyi çalışır; görsel etki için dizilmiş bir broşürde tutunacak çok az şey vardır
Etiketli PDF'ler büyük istisnadır. Belge bir yapı ağacı taşıdığında paragraf, başlık, liste ve tablo rolleri sonradan tahmin edilmek yerine üretici tarafından kaydedilir; etiketli PDF erişilebilirlik yapısı başlığındaki işin dönüşüm kalitesine de yansımasının nedeni budur. Üreticinin kontrolü sizdeyse çıktıyı etiketlemek, onu sonra dönüştürecek olan için yapabileceğiniz en ucuz şeydir
Başlık düzeyleri nereden gelir?
PDF Library for Delphi başlık düzeylerini girdiye göre iki yolla belirler. Etiketli bir sayfada, yapı rolü H1 ile H6 arasında olan bir blok o düzeyi korur; H ya da Title düzey 1 olur. Etiketsiz bir sayfada dışa aktarma, sayfanın gövde metnine göre yazı tipi boyutuna düşer ve yalnızca 200 karakter ya da altı uzunlukta tek satırlık paragrafları dikkate alır
Boyut kuralı, baskın gövde boyutuna göre ölçülen hem bir oran hem de mutlak bir boşluk ister:
| Markdown çıktısı | Satırdaki en büyük metin | 10 pt gövdeyle |
|---|---|---|
# | en az gövde boyutunun 1,6 katı ve en az 4 pt daha büyük | 16 pt ve üzeri |
## | en az 1,35 katı ve en az 2,5 pt daha büyük | 13,5 pt ve üzeri |
### | en az 1,15 katı ve en az 1,25 pt daha büyük | 11,5 pt ve üzeri |
Bu, açılış örneğini açıklıyor. 10 puntolu metin üzerindeki 11 puntolu kalın başlık, üçüncü basamağı yarım puanla kaçırır ve ağırlığın düzeyde payı yoktur. Kapaktaki 12 puntolu dipnot eşiği geçer. Mutlak boşluk küçük gövde boyutları içindir: 6 punto dipnot boyutundaki metinde tek başına oran, 7 puntolu bir satırı başlığa yükseltirdi; fazladan 1,25 pt koşulu bunu durdurur
Bizce bu doğru ödünleşimdir. Kalın, gövde metninin içinde (giriş ifadeleri, tanımlı terimler, özet satırındaki toplamlar) tek başına güvenilir bir başlık sinyali olamayacak kadar yaygındır; her kalın satırı yükselten bir dönüştürücü, düzinelerce sahte bölümle Markdown üretir. Birkaç yalnızca kalın başlığı kaçırmak daha az pahalıdır. Belgeleriniz gövde boyutunda kalın başlıklara dayanıyorsa güvenilir çare akış yukarıdadır: etiketleyin ya da başlık boyutunu bir buçuk punto büyütün
Çıktıdaki kalın ve italik yazı tipi adından okunur. Yazı tipi adı Bold, Black ya da Demi taşıyan bir bölüm **bold** olur; Italic ya da Oblique *italic* olur. Yazı tiplerini F3 gibi anlamsız adlar altında alt kümeleyen ya da düzenli glifleri vuruşla kalınlaştıran üreticiler, dışa aktarmaya okuyacak bir şey vermez ve o metin stile edilmemiş gelir
Getirme hatları için Markdown dışa aktarma
Markdown yolu, varış noktası bir metin hattı olduğunda el atılacak yoldur: bir belge sitesi, bir arama indeksi, bir asistan için parçalanmış derlem. ExportPageMarkdown tek sayfayı bir WideString olarak döndürür, ExportDocumentMarkdown bir sayfa aralığı döndürür; SaveMarkdownToFile ve SaveMarkdownToStream aynı metni bayt sırası işareti olmadan UTF-8 olarak yazar. Eksik BOM bilinçlidir; bir dizi statik site üreticisi ve diff aracı onu içerik sayar
Seçenekler bir bit maskesidir: PDF_MARKDOWN_INCLUDE_PAGE_MARKERS (1), PDF_MARKDOWN_DETECT_HEADINGS (2) ve PDF_MARKDOWN_PRESERVE_STYLES (4); PDF_MARKDOWN_DEFAULT üçünü birden toplar. İkinci, belge geneli bir ayar analizin kendisini denetler: SetStructuredTextOptions PDF_STRUCTURED_* bayraklarını alır; varsayılanı sütunları algılar, koşan başlık ve altbilgileri algılar ve sayfa kesiminde sürüp giden tabloları birleştirir
uses
SysUtils, PDFlibrary;
var
Pdf: TPDFlib;
Exported: Integer;
begin
Pdf := TPDFlib.Create;
try
if Pdf.LoadFromFile('handbook.pdf', '') = 0 then
raise Exception.Create('Cannot open handbook.pdf');
// Koşan başlık ve altbilgilerin algılanması varsayılan olarak açıktır;
// EXCLUDE_FURNITURE eklemek onları çıktıdan ayrıca düşürür
Pdf.SetStructuredTextOptions(PDF_STRUCTURED_ADVANCED_DEFAULT or
PDF_STRUCTURED_EXCLUDE_FURNITURE);
// Sayfa işaretleri ve başlıklar; ** ve * vurgusu yok
Exported := Pdf.SaveMarkdownToFile('1-40',
PDF_MARKDOWN_INCLUDE_PAGE_MARKERS or PDF_MARKDOWN_DETECT_HEADINGS,
'handbook.md');
if Exported = 0 then
raise Exception.CreateFmt('Markdown export failed, error %d',
[Pdf.LastErrorCode]);
// Sayfa başına bir girdili JSON: readingSource, tagged, mixed,
// geometric ya da geometric-columns olur
Writeln(Pdf.GetLastStructuredTextDiagnostics);
finally
Pdf.Free;
end;
end;
Bir getirme derlemi için PDF_MARKDOWN_PRESERVE_STYLES bayrağını düşürürüz. Vurgu bölüm bölüm uygulanır; böylece birkaç bölüme yayılmış kalın bir ifade **Net** **revenue** olarak çıkar — ekranda iyi okunur ama her embedding'e gürültü katar. Sayfa işaretleri ters durumdadır: tutun. Her işaret bir HTML yorumudur, <!-- page: 12 -->; Markdown render edilirken görünmez ve parçaları bölerken ayrıştırması kolaydır, böylece getirilen bir pasaj geldiği sayfaya atıf yapabilir. Bir tablo önceki sayfadan sürüyorsa, yeni sayfanın işareti atlanır; böylece boru tablosu tek parça kalır
İki davranış, sayfa sayfa bir döngüde dışa aktaranları yakalar. Birincisi, koşan başlıklar tekrara göre tanınır: sayfanın üst ya da alt yüzde 12'lik bandındaki bir paragraf, aynı dışa aktarmanın başka bir sayfasının aynı bandında eşleşen metin varsa mobilya sayılır; rakamlar normalize edilir, böylece "Page 3 of 40" ile "Page 4 of 40" eşleşir. Tek sayfalık bir çağrının karşılaştıracağı başka sayfa yoktur; bu yüzden etiketsiz bir koşan başlık metinde kalır. İkincisi, Markdown'daki görüntüler data: URI'leri olarak satır içinde gömülür; bu dosyayı kendine yeterli tutar ve büyük bir fotoğrafı olan bir sayfanın dosyaya yüzlerce kilobayt base64 ekleyebileceği anlamına gelir. Parçalayıcınızın boyut sınırı varsa, bölmeye başlamadan ![PDF image ile başlayan satırları soyun
Markdown ve DOCX seçenek bayraklarını karıştırmamak
Markdown ve DOCX sabitleri düşük bitleri paylaşır ama farklı şeyler ifade eder. PDF_DOCX_INCLUDE_IMAGES 1'dir; PDF_MARKDOWN_INCLUDE_PAGE_MARKERS ile aynı değer. DOCX sabitini bir Markdown çağrısına geçirin: derleyici mutlu olur, çağrı başarılı olur ve siz sayfa işaretleri alırsınız. Yalnızca Markdown aralığının dışındaki bir bit reddedilir:
var
Md: WideString;
begin
// Derlenir ve çalışır: 1, PDF_MARKDOWN_INCLUDE_PAGE_MARKERS olarak okunur
Md := Pdf.ExportDocumentMarkdown('', PDF_DOCX_INCLUDE_IMAGES);
// PDF_DOCX_PRESERVE_PAGE_BREAKS 8'dir, Markdown maskesinin dışında:
// Md boş döner ve LastErrorCode 113 olur
Md := Pdf.ExportDocumentMarkdown('', PDF_MARKDOWN_DEFAULT or
PDF_DOCX_PRESERVE_PAGE_BREAKS);
if (Md = '') and
(Pdf.LastErrorCode = PDFLIB_ERROR_MARKDOWN_EXPORT_INVALID) then
Writeln('Unknown Markdown option bit');
end;
Boş dize, hiç metni olmayan bir sayfa için de meşru bir sonuçtur; bu yüzden '' değerini hata saymadan önce LastErrorCodee bakın. Çıkarma başarısızlıkları 517 bildirir (PDFLIB_ERROR_MARKDOWN_EXPORT); hiç sayfaya çözümlenmeyen bir sayfa aralığı dâhil kötü argümanlar 113 bildirir
Makinede Office olmadan DOCX
SaveDOCXToFile ve SaveDOCXToStream WordprocessingML paketini kendileri yazar: ZIP kapsayıcısı, belge, numaralandırma ve ilişki parçaları ve PNG ortamı. Hiçbir şey Word'e ya da COM'a çağrı yapmaz; böylece dönüşüm başsız bir sunucuda, bir servis hesabı altında ya da bir kapsayıcıda koşar — Office otomasyonunun ya lisanssız ya kararsız ya da kurulu olmadığı yerlerin hepsi
uses
Classes, SysUtils, PDFlibrary;
var
Pdf: TPDFlib;
Target: TFileStream;
Written: Integer;
begin
Pdf := TPDFlib.Create;
try
if Pdf.LoadFromFile('handbook.pdf', '') = 0 then
raise Exception.Create('Cannot open handbook.pdf');
Target := TFileStream.Create('handbook.docx', fmCreate);
try
Written := Pdf.SaveDOCXToStream('1-40',
PDF_DOCX_INCLUDE_IMAGES or PDF_DOCX_DETECT_HEADINGS or
PDF_DOCX_PRESERVE_STYLES or PDF_DOCX_PRESERVE_PAGE_BREAKS,
Target);
finally
Target.Free;
end;
// Başarıda Written, aralıktaki sayfa sayısına eşittir
if Written <> 40 then
raise Exception.CreateFmt('DOCX export stopped after %d pages, error %d',
[Written, Pdf.LastErrorCode]);
finally
Pdf.Free;
end;
end;
Listeler, elle yazılmış "1." önekleriyle değil Word'ün kendi numaralandırma tanımlarıyla yazılır; böylece Word'de bir madde eklemek gerisini yeniden numaralandırır. Algılanan tablolar, ölçülmüş sütun kenarlarından alınan sütun genişlikleriyle ve gölgeli bir başlık satırıyla gerçek Word tabloları olur. PDF_DOCX_PRESERVE_PAGE_BREAKS ayarlıyken her kaynak sayfa yeni bir Word sayfasında başlar — tablonun önceki sayfadan sürdüğü yer hariç; o kesme atlanır, tablo tek tablo kalır. Kullanıcılar metni zaten yeniden akıtacaksa bayrağı kapalı bırakın; her 40 satırda sert bir kesme onların yoluna taş koyar
Dönüş değeri yazılan sayfa sayısıdır. İstediğinizden az sayfa döndüren bir akış dışa aktarması yarıda kalmıştır ve akış eksik bir paket tutar; onu Word'e vermek yerine çöpe atın
Deterministik DOCX paketleme
Aynı seçeneklerle aynı PDF'nin iki dönüşümü bayt bayt özdeş bir DOCX dosyası üretir; böylece değişikliği algılamak için çıktıyı hashleyebilir, üretilmiş bir belgenin iki derlemesini diff'leyebilir ve özdeş girdinin farklı bir artefakt ürettiği kaygısı olmadan sonuçları önbellekleyebilirsiniz
Bunu sağlayan iki tercih vardır. Her ZIP girdisi, çalıştırmanın zamanı yerine aynı sabit DOS tarihini taşır: 1 Ocak 1980; ve çekirdek özellikler parçasında üretim ya da değişiklik tarihi yoktur. Her girdi yalnızca gerçekten küçültüyorsa ham Deflate ile sıkıştırılır; böylece çoktan sıkıştırılmış olan PNG ortamı olduğu gibi saklanır. İlk noktayı unzip -v handbook.docx ile doğrulayabilirsiniz: her satır aynı tarihi gösterir
Office otomasyonu size bunu veremez. Word üzerinden kaydetmek o anki zamanı paket üst verisine ve ZIP başlıklarına damgalar; aynı belgenin iki dönüşümü, bir hash'i boşuna çıkaran biçimlerde ayrışır. Aynı akıl, tekrarlanabilir derlemeler için deterministik PDF kimlikleri başlığındaki kararlı dosya tanımlayıcılarının arkasında da yatar: çıktı bir kez tekrarlanabilir olunca doğrulama bir karşılaştırmaya dönüşür
Hangi girdiler iyi dönüşür, hangileri hiç dönmez?
Dönüşüm kalitesi, dönüştürücüye kıyasla girdiyle daha çok değişir ve bunu kullanıcılarınıza baştan söylemeye değer. Etiketli PDF'ler ve tertemiz üretilmiş iş belgeleri (faturalar, raporlar, sözleşmeler) iyi dönüşür: başlıklar başlık olarak düşer, tablolar hayatta kalır, listeler Word'de yeniden numaralanır. İki sütunlu akademik düzenler, sütun geometrisi düzenliyken doğru okuma sırasıyla gelir; tanılar o sayfalar için geometric-columns bildirir. Sayfalar arasında bölünen tablolar çıkarımla yeniden birleştirilir; o yüzden göz atarak denetleyin. Ağır tasarlanmış pazarlama malzemesi — metnin okuma sırasıyla değil etki için yerleştirildiği — herhangi bir dönüştürücüye kurtarılacak az şey verir; sonucu elle rötuşlamayı bekleyin
Taranmış belgeler ayrı bir durumdur. Tek büyük görüntüden oluşan bir sayfa metin nesnesi içermez; bir metin katmanı var olana kadar dışa aktarılacak hiçbir şey yoktur ve OCR koşmak her iki biçim için de ön koşuldur. Büyük bir toplu işe girişmeden önce bir düzine temsili dosyayı örnekleyin ve sayfalarının ne içerdiğini sayın; metin arama ve sayfa öğesi sayımı başlığında anlatıldığı gibi. Görüntülü ama metin bölümsüz bir sayfa, dönüştürülmüş çıktıyı okumaktan saniyeler içinde daha fazlasını söyler
Biçimi, sonra ne olacağına göre seçin. Markdown makineleri ve hatları sever: başlıklar parça sınırlarına dönüşür, tablolar boru tabloları olarak okunur kalır ve sayfa işaretleri her parçaya bir atıf verir. DOCX, belgeyi değiştirmesi gereken insanlar içindir; geri istedikleri, gerçek listeler ve gerçek tablolarla Word'de düzenlenebilir bir dosyadır ve salt metin onu vermez
PDF Library for Delphi, aynı Markdown ve DOCX dışa aktarma çağrılarını C#, C++ ve betik ortamlarına açan DLL ve ActiveX sürümleriyle Delphi, C++Builder ve Lazarus için gelir. Her seçenek bayrağının başvurusu ve deneme indirmesi PDF Library for Delphi ürün sayfasında durur