Teknik Makale

Delphi ile Mevcut Bir PDF'te Metin Arama ve Değiştirme

Bir görüntüleyicinin arama kutusu bir faturanın 2. sayfasında "Acme Corp"u vurgular; ama sıkıştırması açılmış sayfa akışında aynı dokuz karakter için yapılan bayt araması boş döner. Yalnızca ilk kelime için akış <0024004600500048> Tj gibi bir şey tutar: gömülü bir alt küme fontta iki baytlık glif kodları, iki kelime arasındaki boşluğun boşluk karakteri değil konumlandırma uzaklığıyla üretildiği bir düzen. O adı değiştirmek, kodları Unicode'a çözmek, orada eşleştirmek, isabeti üreten tam baytlara geri yürümek ve aynı fontun anlayacağı yeni kodlar yazmak demektir. Alt küme, yeni metnin ihtiyaç duyduğu glifi hiç içermemişse yazılacak kod yoktur

Bunun ardındaki talepler sıradan belge bakımıdır. Bir şirket ad değiştirir ve üç bin arşiv faturası hâlâ eski adı taşır. Bir sözleşme şablonu geçen yılın son kullanma tarihiyle gitmiştir. Üretimden kalkan bir parça numarası, ondan söz eden her veri sayfasında ardiline dönüşmek zorundadır. Bir kelime işlemcide her biri otuz saniyelik iştir; bir PDF'te her biri, sayfaların gerçekten nasıl saklandığıyla çarpışır

Bir PDF sayfası metin yerine ne saklar

Bir PDF sayfası düzenlenebilir metin değil, konumlanmış glifler tutar. ISO 32000-1 §9.4 uyarınca içerik akışı, metin matrisinin belirlediği konumlarda karakter kodu dizilerini boyayan Tj ile TJ gibi metin gösterme operatörlerini sürer. O kodlar Unicode değildir; geçerli fontun bildirdiği kodlamaya indekslerdir. Okunabilir karakterlere geri dönüş yolu bir /ToUnicode CMap'inden (§9.10.3), /Differences dizili bir /Encoding'den ya da Type0 fontlar için bir CID eşleme zincirinden geçebilir. Paragraf nesnesi yoktur, metin akışı yoktur ve bir üreticiyi görünür bir kelimeyi tek dize olarak saklamaya mecbur eden hiçbir şey yoktur: [(Ac) -12 (me)] TJ bir kelimeyi kernlemek için tümüyle sıradan bir yoldur

Değiştirme, kod çözmenin üstüne ikinci bir gereklilik koyar. Bir metin ayıklayıcı, Unicode'u çıkardıktan sonra bayt konumlarını çöpe atabilir. Bir değiştirici atamaz; hangi dize operandının hangi baytlarının hangi glifi ürettiğini bilmek zorundadır, böylece tam olarak o aralığı yeniden yazıp geri kalan her şeye dokunmaz. Bu yüzden akış baytları üzerinde düz bir StringReplace, tesadüfen WinAnsi kodlaması kullanan dosyalarda bile yanlış araçtır. Hangi ('nin bir dizeye, hangi Tf'nin o baytlara anlamlarını veren fonta ait olduğu hakkında hiçbir fikri yoktur

Çözülmüş glif dizisi üzerinde arama

HotPDF Delphi Component, yüklenmiş bir belgeyi SearchLoadedPageText ile SearchLoadedDocumentText ile arar; iğneyi her sayfanın çözülmüş Unicode glif dizisiyle eşleştirir, asla ham akış baytlarıyla değil. Böylece font onu nasıl kodlamışsa kodlamış, bir isabet bir isabettir. Çözüm sırasında her glif, dize operandını, TJ dizi öğesini ve geldiği bayt uzaklığını kaydeder; değiştirme adımının sonradan dayandığı şey budur. Aynı glif yorumlayıcısı, Delphi'de yüklenmiş bir PDF'ten metin ayıklama yazısında işlenen API'yi de sürer; arama, ayıklamanın attığı kaynak konumlarını yalnızca saklı tutar

Delphi'de HotPDF aramasının, THPDFTextMatch sonuçları için glifleri Unicode'a çözerken StartOfs ve EndOfs bayt aralıklarını nasıl izlediği
HotPDF araması çözülmüş glif dizilimi üzerinde çalışır ve değiştirmenin gereksinim duyduğu bayt kökenini elinde tutar

Her isabet bir THPDFTextMatch kaydı olarak döner: PageIndex, GlyphStart ile GlyphEnd'de kapsayıcı glif aralığı, kullanıcı uzayındaki başlangıç X ile Y, isabetin Width'i, kaynak TokenIndex ile ItemIndex ve eşleşen Text. PageIndex sıfır tabanlıdır. Olmayan bir iğne boş dizi ve True sonuç verir; çağıran kodun "hiç bulunamadı" için özel durum yazması gerekmez

var
  Pdf: THotPDF;
  Matches: THPDFTextMatchArray;
  I: Integer;
begin
  Pdf := THotPDF.Create(nil);
  try
    if Pdf.LoadFromFile('invoices-2025.pdf') > 0 then
      if Pdf.SearchLoadedDocumentText('Acme Corp', False, Matches) then
        for I := 0 to High(Matches) do
          WriteLn(Format('page %d at (%.1f, %.1f), width %.1f: "%s"',
            [Matches[I].PageIndex + 1, Matches[I].X, Matches[I].Y,
             Matches[I].Width, Matches[I].Text]));
  finally
    Pdf.Free;
  end;
end;

O döngünün bir şey yazdırıp yazdırmaması, her şeyden önce boşluklara bağlıdır. Arama metni, sayfanın gerçekten boyadığı gliflerden, glif başına bir karakterden kurulur ve iki kelimeyi görsel olarak ayıran bir TJ uzaklığı bir glif değil, dizideki bir sayıdır. Kelime aralarını boşluk karakteri yerine uzaklıklarla kuran bir üretici, glif dizisinde "AcmeCorp" verir ve "Acme Corp" iğnesi onunla eşleşmez. Görünür bir ifade eşleşmeyi reddettiğinde önce en uzun tek kelimesini arayın ve dönen sonucun Text'ine bakın

İkinci denetlenecek şey büyük-küçük harftir. CaseSensitive False iken, XE2 ve sonrası derlemeler karakterleri Unicode basit küçük harf eşlemesiyle karşılaştırır; bu yerel ayardan bağımsızdır, böylece É ile é eşleşir, Yunan ya da Kiril büyükleri kendi küçükleriyle eşleşir. Eski derleyicilerle yapılmış derlemeler yalnızca A-Z'yi katlar. Eşleme tek karakterden tek karakteredir; her iğne konumu tam olarak bir glifle hizalı kalır ve bunun sonucu ß ile SS'nin eşleşmemesidir. Bütün kelime arayüzü akışları için SearchLoadedPageTextWholeWord, daha uzun bir kelimenin içinde kalan isabetleri düşer ve GetLoadedSearchHitRect, bir eşleşmeyi vurgulama çizmek için tek bir dikdörtgene çevirir

Arama da değiştirme de sayfanın kendi /Contents akışlarında çalışır. Bir Form XObject'in içinde boyanan metin — birçok aracın damgalı üst ve alt bilgileri koyduğu yer — sayfanın Do ile çağırdı ayrı bir akışta yaşar ve iki işlemin de dışındadır

Eşleşen baytları ReplaceLoadedDocumentText ile yeniden yazmak

ReplaceLoadedPageText ile ReplaceLoadedDocumentText, her geçişi font kod çözmeyi tersten işleterek yeniden yazar. Her yedek karakter, çözücünün kullandığı zincirin tersinden sorgulanır: /ToUnicode bfchar ile bfrange girdileri, Type0 fontlar için CID eşlemeleri, kimlik eşlemeleri ve öntanımlı WinAnsi ile MacRoman tabloları. Çıkan karakter kodları literal dize olarak ya da herhangi bir bayt yazdırılabilir ASCII dışına düştüğünde hex dize olarak geri yazılır; içerik akışı ayrıştırıcısının okuduğu kaçış kuralları izlenir

Yalnızca eşleşmenin kapsadığı baytlar değişir. Aynı operanddaki eşleşmeyen baytlar, belirteçler arası boşlukluklar, yorumlar ve çevredeki her operatör dokunulmadan geçer. abcabc içindeki bca'yı değiştirmek a + yedek + bc verir. Yedek iğneden kısa ya da uzun olabilir ve sayfanın /Contents dizisindeki her akış kendi başına işlenir; sayfa iyi biçimli kalır. Bir eşleşme [(He) -20 (llo)] TJ içinde saklanan Hello gibi birkaç dize operandına yayıldığında yedek, eşleşmenin başladığı operanda yazılır ve eşleşen baytlar onu izleyen operandlardan silinir

Delphi'de HotPDF değiştirmesinin kod çözme zincirini HPDFEncodeUnicode ile nasıl tersine çevirdiği ve dize işleneninin yalnızca eşleşen bayt aralığını nasıl eklediği
Ters kodlama yazı tipinin karakter kodlarını yeniden kurar; sonra işlenenin içindeki eşleşen bayt aralığı yeniden yazılır
var
  Pdf: THotPDF;
  Rewrites: Integer;
begin
  Pdf := THotPDF.Create(nil);
  try
    if Pdf.LoadFromFile('contract-draft.pdf') > 0 then
    begin
      if Pdf.ReplaceLoadedDocumentText('2025-12-31', '2026-12-31',
        True, Rewrites) then
        WriteLn(Format('%d operand rewrites', [Rewrites]));
      Pdf.SaveLoadedDocument('contract-final.pdf');
    end;
  finally
    Pdf.Free;
  end;
end;

Sayfa yeniden dizilmez. PDF'te reflow yoktur; özgününden geniş bir yedek yalnızca daha fazla yatay alan kaplar ve sağına boyanmış olana batabilir. Sonraki glifin konumu üretici tarafından sabitlenmiştir ve oynamaz. Tarihler, sürüm dizeleri, parça numaraları ve benzeri uzunluktaki yazım düzeltmeleri bu yöntemin kurulduğu iştir. Bir paragrafı yeniden söylemek, aşağı akışın her şeyini yeniden dizmek gerekirdi; o değişiklik kaynak belgeye aittir

Neden metni, yazı tipi alt kümesinin hiçbir zaman içermediği karakterlerle değiştiremezsiniz?

Gömülü alt kümenin hiç eklemediği bir yedek karakterin geri döneceği karakter kodu yoktur. Bir üretici fontu alt kümelediğinde /ToUnicode CMap'i ve kodlaması yalnızca özgün belgenin kullandığı glifleri kapsar; gerisinin glif dış hatları dosyada hiç yoktur. Belge o fontta hiç büyük E basmadıysa bir bayt dizisi onu seçemez. O sınır dosyanın içindedir, değiştirmeyi yapan araçta değil

ReplaceLoadedDocumentText kodlanamayan bir yedeğe tutumlu davranır: tek bir karakter bile yeniden kodlanamıyorsa o geçiş bütün olarak atlanır. Ne istisna vardır ne yarım değiştirilmiş dize; özgün metin okunabilir kalır. Yukarıdaki tarih örneğinde yeniden yazmanın başarısı için 6 rakamının aynı fontta bir yerlerde var olması gerekir. Fontun yalnızca "2025" bastığını ve 6 içermeyen birkaç sipariş toplamı taşıdığını düşünün: tarihler olduğu gibi kalır

Gömülü yazı tipi alt kümesinde gereken bir karakter eksikken HotPDF'nin tüm Delphi PDF metin değiştirmesini neden atladığı; ReplaceCount ile doğrulanır
Yazı tipi alt kümesinin yeniden kodlayamadığı değiştirme karakterleri tüm geçişi atlar; bu yüzden bir ReplaceCount eksiği gerçek bir sinyaldir

ReplaceCount operand yeniden yazımlarını bildirir ve birkaç operanda yayılan bir eşleşme birden çok yeniden yazım açıklar. Sayının isabet sayısının altında kalması yine bir şeyin atlandığı demektir; ama kesin cevap, değiştirmeden sonra yapılan yeniden aramadan gelir. İkinci aramanın bulduğu, sayfa ve konumuyla birlikte geride kalandır

procedure ReplaceAndAudit(Pdf: THotPDF; const OldText, NewText: UnicodeString);
var
  Before, After: THPDFTextMatchArray;
  Rewrites, I: Integer;
begin
  // Yeniden arama yalnızca NewText kendisi OldText içermiyorken işe yarar
  Pdf.SearchLoadedDocumentText(OldText, True, Before);
  Pdf.ReplaceLoadedDocumentText(OldText, NewText, True, Rewrites);
  Pdf.SearchLoadedDocumentText(OldText, True, After);
  WriteLn(Format('%d found, %d operand rewrites, %d left',
    [Length(Before), Rewrites, Length(After)]));
  for I := 0 to High(After) do
    WriteLn(Format('  left on page %d at (%.1f, %.1f)',
      [After[I].PageIndex + 1, After[I].X, After[I].Y]));
end;

Alt küme yetersizken: yeni bir fontla önizleme ve uygulama

Bayt düzeyinde yöntemin kodlayamadığı geçişler için PreviewLoadedPageTextReplacement ile ApplyLoadedPageTextReplacement başka bir yol izler: eşleşen glifleri kaldırır ve yedeği, seçtiğiniz bir fontla, özgün boyutta ve özgün taban çizgisinde yerinde çizer. Varsayılan THPDFLoadedTextReplacementOptions, eşleşen metnin font boyutunda Arial kullanır, kutuyu eşleşen metnin genişliğine ölçüler ve Atomic'i açık tutar; sayfadaki tek bir reddedilen eşleşme ötekileri geri alır. Önizleme, eşleşme başına bir sonuç taşıyan bir plan döndürür; her sonuç bir Status taşır ve reddedildiyse bir Reason

var
  Opts: THPDFLoadedTextReplacementOptions;
  Plan, Applied: THPDFLoadedTextReplacementPlan;
  I: Integer;
begin
  // Pdf yüklü bir THotPDF; PageIndex, denetimin işaretlediği sıfır tabanlı bir sayfadır
  Opts := THPDFLoadedTextReplacementOptions.Default;
  Opts.Appearance.FontName := 'Arial';
  Opts.Appearance.OverflowPolicy := ltopShrinkToFit;
  Opts.Appearance.MinFontSize := 6;
  if not Pdf.PreviewLoadedPageTextReplacement(PageIndex, 'Acme Corp',
    'Apex Corporation', True, Opts, Plan) then
    for I := 0 to High(Plan.Results) do
      if Plan.Results[I].Status = ltrsRejected then
        WriteLn(Format('match %d at (%.1f, %.1f): %s',
          [I, Plan.Results[I].X, Plan.Results[I].Y, Plan.Results[I].Reason]));
  if (Plan.RejectedCount = 0) and (Plan.ReadyCount > 0) then
  begin
    Pdf.ApplyLoadedPageTextReplacement(Plan, Applied);
    WriteLn(Format('%d of %d matches applied',
      [Applied.AppliedCount, Applied.MatchedCount]));
  end;
end;

Ret nedenlerini yazdırmaya değer; çünkü doğrudan sayfa geometrisine bağlanır. Bir metin satırından sonrakine geçen bir eşleşme reddedilir; dikey metin de öyledir. Varsayılan ltopReject taşma politikasında eşleşen genişliğe sığmayan bir yedek de reddedilir. ltopShrinkToFit bunun yerine boyutu MinFontSize'a dek küçültür; örnek onu bu yüzden kurar, iğneden beş karakter uzun bir yedek söz konusudur. Seçilen fontun gösteremediği karakterleri taşıyan bir yedek de reddedilir

Plan, sayfa içeriğinin ve fontlarının bir parmak izini taşır. Önizleme ile uygulama arasında sayfayı bir şey değiştirirse ApplyLoadedPageTextReplacement, önizlemenin hiç görmediği bir sayfaya yazmak yerine EInvalidOpException fırlatır. Dengesiz q/Q ya da BT/ET çiftleri taşıyan sayfalar ve imza alanı içeren belgeler EArgumentException fırlatır; imzalı belgeler, imzalı revizyon sağlam kalsın diye artımlı güncellemeler ister

Önce bayt düzeyinde değiştirme gelir; font değiştirme yolu yalnızca denetimin eski metni hâlâ bulduğu sayfalarda koşar. Bayt düzeyinde yeniden yazım özgün fontu, metriklerini ve kerning'ini korur; düzenlenen metin satırdaki komşularıyla uyuşur. Önizleme yolu başka bir yazı tipiyle çizer ve sıkıştırılmış ya da serifli bir fontla dizilmiş satırda dikkatli bir okuyucu değişikliği görür. Amaç kelimeyi değiştirmek değil yok etmekse gerçek içerik kaldırma daha iyi araçtır; Delphi'de yüklenmiş PDF'leri karartma ve yeniden yapılandırma o yolu işler

Kaydettiğinizde dosyada ne değişir?

ReplaceLoadedPageText tarafından düzenlenen bir içerik akışı sıkıştırılmamış olarak kaydedilir. Akış düzenleme için açılır ve yeniden kurulan baytlar geri yazılırken /Filter ile /DecodeParms girişleri atılır, /Length tazelenir. PDF geçerlidir ve normal render olur; bedel, düzenlenen her akış için daha büyük bir dosyadır. Binlerce fatura üzerinde koşan bir toplu iş bu büyümeyi bütçelemeli ya da ardından bir sıkıştırma geçişi koşmalı

Önizle-uygula yolu biraz daha fazlasını değiştirir. Uygulanan bir sayfa, özgün /Contents'inin yerine tek yeni sıkıştırılmamış içerik akışı alır; artı yedek fontun eklendiği kaynak sözlüğünün kendi kopyasını. Belgedeki geri kalan her şeye dokunulmaz: dokunulmamış akışlar sıkıştırılmalarını korur, var olan fontlar ve görseller yeniden yazılmaz ve isabet taşımayan sayfalar yazmak için hiç açılmaz. Yeniden yazılan nesnelerin kayıtta cross-reference yapısına nasıl düştüğü HotPDF'te nesne akışları ve artımlı güncellemeler yazısında işlenir

Arama, bayt düzeyinde değiştirme, önizle-uygula değiştirme, ayıklama ve karartma aynı içerik akışı yorumlayıcısı üzerinde, Delphi 5'ten güncel RAD Studio'ya dek, harici bağımlılıklar olmadan koşar. Yöntem başvurusu, değiştirme seçenekleri ve deneme derlemesi HotPDF Delphi Component ürün sayfasındadır