Etiketli PDF kutusu işaretsiz bırakılarak bir kelime işlemciden dışa aktarılmış bir sözleşme, ekranda hâllâ yapılandırılmış görünür: 24 pointlik bold bir başlık, numaralı maddeler, çizgili bir ücret cetveli. Yeniden akışa uygun HTMLye çevirdiğinizde ücret cetveli düzgün bir <table> olarak döner ama başlık, dipnotla tamamen aynı konumda bir <p>dir. O çıktı doğrudur. ISO 32000-1 §14.8, bir PDFe "bu metin dizisi bir başlıktır" demek için tam olarak tek bir yer verir: structure tree; ve etiketsiz bir dosyada o yoktur. Font boyutu ve kalınlık dizgi tercihleridir ve her büyük kalın satırı bir <h1>e çeviren bir dönüştürücü, alıntı bloklarını, tablo toplamlarını ve antetlerdeki şirket adını da yükseltir
Her PDF-to-HTML hattına sorulmaya değer soru, çıktısındaki her başlığın, liste ögesinin ve tablonun nereden geldiği ve her birinin bir telefon düzeni, bir ekran okuyucu ya da bir arama indeksleyici tarafından ne kadarına güvenilebildiğidir. Başlıklar ile tablolar farklı cevaplar verir. Dışa aktarma adımı, satır kırılımı, karakter kodlaması ve bellek hakkında kendi tercihlerini ekler
Başlıklar ve listeler nereden gelir?
PDFium Component yeniden akış modelini TPdf.BuildReflowDocumentle kurar ve o metot her kelimeyi, bloğu ve anlamsal ipucunu yapılandırılmış metin blokları ve okuma sırası yazısında anlatılan GetStructuredTextten alır. Arkasında ikinci bir parser ya da ikinci bir metin çıkarıcı yoktur. İstenen aralıktaki her sayfa için blokları fiziksel düzen sırasında toplar. GetStructuredText, her bloğu sayfanın etiketli içeriğiyle çakışan alana göre zaten eşlemiştir ve BuildReflowDocument bulduğu rolü bloğa kopyalar: Hden H6ya başlık olur (seviyesiyle), LI, Lbl ve LBody liste ögesi olur, Figure metni alternatif açıklama olan bir şekil olur ve Caption altyazı olur
İki sonuç çıkar ve ikisi de kolayca gözlenir. Blok sırası daima sayfa düzenini izler; etiketli bir dosyada bile. Etiketler bir bloğun ne olduğunu belirler, geometri nereye gideceğini. Etiketsiz bir sayfada ise her blok bir paragraftır. Başlıklar ve listeler font boyutundan asla tahmin edilmez
Her düğüm, TPdfReadingOrderSource türünde bir Source alanı taşır: rol structure treeen geldiyse rosStructure, yalnızca düzenden geldiyse rosHeuristic. Dışa aktarılan HTML bunu her ögede data-source="structure" ya da data-source="inferred" olarak yineler ve belge düzeyindeki TPdfReflowDocument.Source, ancak aralıktaki her sayfa etiketliyse rosStructuredur. Tablolar daima rosHeuristicdir; Table etiketlerinden değil geometrik algılamadan geldikleri için. Bir alt adım başlıkları gezinme işaretçisi sayıyorsa o alanı önce kontrol edin; etiketli bir belge, yazarın seçtiği işaretçileri verir
Nesne ağacı yerine düz bir düğüm dizisi
TPdfReflowDocument.Nodes, ön-sıra ile düzleştirilmiş bir ağaçtır: her biri ParentIndex ile Depth tutan TPdfReflowNode kayıtlarından tek bir dinamik dizi. Sayfa düğümleri derlik 0da, üst dizini -1 ile durur. Paragraflar, başlıklar, şekiller, altyazılar, listeler ve tablolar derlik 1de sayfaya asılıdır; liste ögeleri derlik 2de kendi listesinin altındadır ve tablo hücreleri bir satırın altında derlik 3e ulaşır. Bitişik liste ögeleri tek bir liste düğümünü paylaşır; aralarına giren başka bir blok ya da bir tablo yeni liste başlatır
Düz yerleşim bir taşınabilirlik kararıdır. Kendisinin dinamik dizisini içeren özyinelemeli bir kayıt, Delphi ile C++Builder ve Free Pascal altında derlenir ama üçü de özyinelemeli yönetilen türleri paket ya da DLL sınırının ötesinde farklı ele alır. Düz kayıtlardan oluşan bir dizi üçünde de aynı davranır ve tek bir for döngüsüyle, özyinelemesiz akıtılabilir
uses
SysUtils, PDFium;
var
Pdf: TPdf;
Options: TPdfReflowOptions;
Doc: TPdfReflowDocument;
Node: TPdfReflowNode;
I: Integer;
begin
Pdf := TPdf.Create(nil);
try
Pdf.FileName := 'contract.pdf';
Pdf.LoadDocument;
Options := TPdfReflowOptions.Default; // tüm sayfalar, tablolar açık, CSS açık
Doc := Pdf.BuildReflowDocument(Options);
for I := 0 to High(Doc.Nodes) do
begin
Node := Doc.Nodes[I];
case Node.Kind of
prnkHeading:
Writeln(Format('%sH%d [%s] %s', [StringOfChar(' ', Node.Depth * 2),
Node.HeadingLevel,
BoolToStr(Node.Source = rosStructure, True), Node.Text]));
prnkTable:
// bir tablo düğümünde RowSpan/ColumnSpan tablonun satır ve sütun sayılarını tutar
Writeln(Format('%stable %dx%d, page %d, confidence %.2f',
[StringOfChar(' ', Node.Depth * 2), Node.RowSpan, Node.ColumnSpan,
Node.PageNumber, Node.Confidence]));
end;
end;
Writeln(Format('%d node(s), %d table(s), %d character(s), pages %d-%d',
[Length(Doc.Nodes), Doc.TableCount, Doc.CharacterCount,
Doc.FirstPage, Doc.LastPage]));
finally
Pdf.Free;
end;
end;
Açılıştaki etiketsiz sözleşmede o döngü hiç H satırı basmaz ve algılanan her ücret cetveli için bir tablo satırı basar. Aynı belgenin etiketli bir kopyasında çalıştırın, başlıklar yanında True ile görünür. Seçeneklerdeki FirstPage ile LastPage öntanımlı 0dır — belgenin ilk ve son sayfası demektir; sayfa sayısının dışında bir aralık, hiçbir sayfa okunmadan bir EPdfError fırlatır
Tablo metni neden iki kez görünmez?
Tablo algılama, yapılandırılmış metin toplandıktan sonra her sayfada koşar; yani bir tablonun içindeki kelimeler iki kez vardır: bir kez metin blokları olarak, bir kez hücreler olarak. İkisini de yayarsanız HTMLdeki her tabloyu, kendi içeriği gevşek paragraflar olarak yeniden izler; saf bir "tabloları metne ekle" birleştirmesinin ürettiği tam olarak budur
Model bunu geometrik çözer. Sınırlayıcı kutusunun en az yarısı algılanmış bir tablonun sınırlarının içinde duran bir metin bloğu düşürülür ve tablo düğümü onun yerine geçer. Tablolar sonra kalan bloklarla dikey konuma göre araya girer (sayfada yukarıda olan önce; üst kenarlar yarım point içindeyse soldan sağa eşitlik bozucu olarak), böylece bir tablo, üstündeki paragraf ile altındaki paragrafın arasına düşer, sayfanın sonuna eklenmez
Yarım alan eşiğinin görünen bir kenarı vardır. Tablo sınırını biraz aşan ve çoğunlukla tablonun dışında duran bir blok bozulmadan hayatta kalır; bir metin satırı arada hem son satırda hem onu izleyen paragrafta görünebilir. Hata edilecek doğru taraf budur. Her çakışan bloğu kaldıracak kadar düşük bir eşik, bir tablonun sınırlayıcı kutusuna yalnızca değen gövde metnini de siler ve ikilenmiş bir satır, eksik bir cümleden çok daha kolay fark edilir ve affedilir
Algılanan tablolar bir güven puanı taşır ve iki algılama stratejisi farklı bantlara düşer. Çizgilerinden bulunan bir tablo, hücrelerinin kaçının metin tuttuğuna göre 0,88 ile 1,0 arasında puan alır. Tamamen boşluk hizalamasından çıkarılan bir tablo 0,58 ile 0,88 arasında puan alır. Tablo düğümünün Confidenceı o puanı tutar; her hücre düğümü onu yineler ve HTML, <table> ögesinde data-confidence olarak yazar. TableOptions.MinConfidencein (öntanımlı 0,5) altındaki tablolar hiç kurulmaz ve bir tablo reddedildiğinde kelimeleri sıradan paragraflar olarak modelde kalır
Bir arama indeksi ya da mobil okuma görünümü için yanlış bir tablo az kaybettirir, doğru algılanmış biri büyük kazançtır; öntanımlıları bırakın. İki sütunlu bir adres bloğu etrafında uydurulmuş bir ızgaranın ızgarasız olmaktan kötü olduğu arşiv dönüşümünde algılamayı çizgili tablolara kısıtlayın:
Options := TPdfReflowOptions.Default;
Options.DetectTables := True;
Options.TableOptions.DetectWhitespaceTables := False; // yalnızca çizgili tablolar
Options.TableOptions.MinConfidence := 0.9; // seyrek çizgili ızgaraları da bırak
Options.TableOptions.MaxTables := 200; // belge çapı tavan
Options.TableOptions.MaxCells := 50000; // belge çapı tavan
Doc := Pdf.BuildReflowDocument(Options);
if Doc.TableCount = 0 then
Writeln('No ruled tables; all page text is emitted as paragraphs');
Bir yeniden akış kurulumunda MaxTables ile MaxCells, sayfa başına değil tüm sayfa aralığı üzerinden sayılır; her sayfasında çizgili bir tablo olan 300 sayfalık bir ekstre, en az 300 MaxTables ister ya da kurulum, sınırı aşan ilk tabloda EPdfError ile durur. Öntanımlılar 1000 tablo ve 100000 hücredir
Kenarlık olarak çizilmiş ince dolu dikdörtgenler ve sayfalar arası devamlılık dâhil, algılama tarafının kendisi için tablo algılama ve çıkarma yazısına bakın
Başka hiçbir şeye ihtiyaç duymayan HTML dışa aktarma
TPdfReflowDocument.ToHtml, çoktan kurulmuş modeli yürür ve PDFiuma bir daha dokunmaz; aynı modeli iki kez dışa aktarmak aynı diziyi verir. FullDocument kuruluysa (öntanımlı) sonuç eksiksiz bir sayfadır: doctype, <meta charset="utf-8">, bir viewport meta etiketi, belgenin Title girdisinden alınan bir <title> (boşsa "PDF document") ve belgenin dilinden bir lang niteliği. FullDocument kapalıyken kendi şablonunuza yerleştireceğiniz tek bir <div class="pdf-reflow"> parçası alırsınız
IncludeCssten gelen isteğe bağlı stil sayfası tek bir satır içi <style> bloğudur: 72remlik bir okuma sütunu, IncludePageSections açıkken beyaz kart olarak her PDF sayfası, çöktürülmüş tablo kenarlıkları ve 40rem altında kart dolgusunu kaldırıp tablo metnini küçülten bir media query. Script yok, web fontu yok, dış URL yok; dosyanın bir e-postanın içinde, CHM tarzı bir yardım görüntüleyicide ya da kum havuzlu bir tarayıcı kontrolünde oturmasını sağlayan budur. 1 ile 6 dışındaki başlık düzeyleri h2 yazılır, başlık hücreleri th olur ve RowSpan ya da ColumnSpanı 1in üstünde olan hücreler rowspan ile colspan alır. IncludeGeometryyi açmak, PDF pointlerinde data-left, data-top, data-right ile data-bottom ekler; render edilmiş sayfada bir arama isabetini vurgulamak için kullanışlıdır
PreserveLineBreaks bilinçli bir seçim ister. PDF paragrafının içindeki bir satır kırılımı tek bir sabit sütun genişliği için yapılmıştır; 360 piksellik bir ekranda tutarsanız her satır iki kez sarar — yeniden akışın var olma sebebi o dağınık deseni gidermektir. Prose için kapalı bırakın (öntanımlı). Kırılımın anlam taşıdığı belgeler için — adresler, manzum ya da kod listeleri — açın; boşluk yerine <br> yazar
Uzun bir belge için bütün sayfayı tek bir WString olarak kurup sonra kodlamak, bellek zirvesini iki katına çıkarır. WriteHtml aynı işaretlemeyi bir TPdfReportWritera akıtır; her ASCII olmayan karakteri sayısal karakter referansı yazarak ASCII yazar, böylece baytlar alıcının kodlamayı nasıl tahmin ettiğinden bağımsız geçerlidir:
uses
Classes, SysUtils, PDFium, FPdfAsync, FPdfReport;
procedure ExportReflowHtml(Pdf: TPdf; const FileName: string;
const Token: IPdfCancellationToken);
var
Options: TPdfReflowOptions;
Doc: TPdfReflowDocument;
Limits: TPdfReportLimits;
Stream: TFileStream;
Writer: TPdfReportWriter;
begin
Options := TPdfReflowOptions.Default;
Options.MaxNodes := 500000;
Options.MaxCharacters := 20000000;
Doc := Pdf.BuildReflowDocument(Options, Token); // page state is restored afterwards
Limits := TPdfReportLimits.Default;
Limits.MaxCharacters := 64 * 1024 * 1024; // output byte ceiling, 64 MiB maximum
Limits.MaxItems := Options.MaxNodes; // one item per node, 1048576 maximum
Stream := TFileStream.Create(FileName, fmCreate);
try
Writer := TPdfReportWriter.Create(Limits, Stream); // stream stays caller owned
try
Doc.WriteHtml(Writer);
finally
Writer.Free;
end;
finally
Stream.Free;
end;
end;
WriteHtml, ToHtmlden fazlasını kontrol eder. Options.MaxNodesden fazla düğümlü bir modeli reddeder, yazdığı metne Options.MaxCharacters uygular, yuvalanmayı MaxDepth argümanıyla (öntanımlı 64) sınırlar ve her ParentIndexin daha önceki bir düğümü işaret ettiğini doğrular. Son kontrol, kodunuz dışa aktarmadan önce Nodesu süzüyorsa ya da yeniden yazıyorsa önemlidir: ileriye işaret eden üst dizinli düzenlenmiş bir dizi, etiketleri uyuşmayan işaretleme üretmek yerine EPdfReportLimit fırlatır
Bütçeler, iptal ve güncel sayfa
Bir PDF güvenilmeyen girdidir; bozuk ya da düşmanca bir dosya, minicik metinden binlerce sayfa bildirebilir. BuildReflowDocument, karakter, düğüm, tablo ve hücre bütçelerini her düğüm eklenmeden önce kontrol eder; onları aşan bir dosya, bellek kullanımı hâllâ sınırlıyken, bütçeyi adlandıran bir mesajla (örneğin "Reflow node budget exceeded") EPdfError ile durur. MaxCharacters ile MaxNodesin ikisi de pozitif olmalıdır; öntanımlılar 10.000.000 karakter ve 1.000.000 düğümdür
İsteğe bağlı IPdfCancellationToken, her sayfadan önce, bloklar arasında, her tablodan önce ve her tablo satırından önce kontrol edilir. Formunuzun sahiplendiği bir TPdfCancellationTokenSourceun Tokenını geçirin, düğme handlerından Cancel çağırın ve kurulum, bir sonraki kontrol noktasında EPdfOperationCancelled fırlatır. Onu EPdfErrorden ayrı yakalayın; kullanıcının iptali bozuk dosya olarak loglanmasın. Kurulum hangi exceptionla biterse bitsin eksik bir şey döndürülmez; başarısızlık daha sonra WriteHtmlin içinde olursa hedef dosya kırılmış bir sayfa tutar, kendi exception handlerınızda silin
Sayfa durumu, GUI kodunun yaslandığı ayrıntıdır. Kurulum, PageNumberı hareket ettirerek aralıktaki her sayfayı ziyaret eder ve bir try/finally, arayanın sayfasını başarıda da bütçe başarısızlığında da iptalde de geri koyar. Kullanıcı 340. sayfayı okurken dışa aktarma başlatan bir görüntüleyici, dışa aktarma döndüğünde hâlâ 340. sayfadadır
Yeniden akışın yeri
Yeniden akış çıktısı, arama indeksleme, erişilebilir okuma görünümleri, telefon ekranı ve bir CMS içerik göçü için iyi bir girdidir. Mutlak konumlandırmayı, tam fontları, vektör grafiklerini ve sayfa geometrisini — isteğe bağlı data-* koordinatları dışında — bilerek bırakır. Bir iş sayfanın birebir aynı görünmesini gerektiriyorsa render edin; kelimelerin başka bir yerde okunabilir olmasını gerektiriyorsa yeniden akıtın
Başlıklar ve listeler yalnızca etiketlerden geldiği için HTMLnin kalitesi, yukarı akıştaki etiketlemenin kalitesini izler. PDF/UA structure tree doğrulamasındaki kontrolleri geçen belgeler gerçek başlık hiyerarşisi taşıyan modeller üretir ve aynı etiketli içerik, erişilebilir bir okuyucu kurmadaki okuma özelliklerini de güdür
Yeniden akış, yapılandırılmış metin, tablo çıkarma ve render, Delphi, C++Builder ve Lazarusta aynı TPdf nesnesine karşı koşar; seçenek kayıtları, exceptionlar ve rapor yazıcı, Delphi için PDFium Component ürün sayfasında belgelenmiştir