Tworzenie plików PDF CJK i arabskich z poprawnym kopiowaniem i wklejaniem

W skrócie

Utwórz plik Portable Document Format (PDF) z tekstem chińskim, japońskim, koreańskim (CJK) i arabskim, który kopiuje się i wkleja jako oryginalne znaki logiczne. Silnik odwzorowuje każdy glif na Unicode za pomocą mapy CMap /ToUnicode, kanonikalizuje wynik z użyciem Normalization Form Compatibility Composition (NFKC) i opakowuje ukształtowane lub rozstrzelone przebiegi w /Span zawierający /ActualText. Zarejestruj czcionki i zapisz treść; wyodrębnianie pozostanie poprawne. Weryfikuj wyodrębnianie za pomocą pdftotext/Poppler, a nie PyMuPDF; veraPDF waliduje PDF/Universal Accessibility 2 (PDF/UA-2), a nie samo wyodrębnianie.

Instalacja

composer require nextpdf/core

Zarejestruj czcionkę CJK, taką jak Noto Sans CJK, oraz czcionkę obsługującą arabski, z mapą znaków obejmującą blok Arabic Presentation Forms-B, taką jak Noto Naskh Arabic. Osadzaj tylko czcionki, na których osadzanie masz licencję.

Przegląd koncepcyjny

Kody glifów w strumieniu treści nie są kodami Unicode. Mapa CMap /ToUnicode odwzorowuje każdy kod z powrotem na Unicode, dzięki czemu czytnik może wyodrębnić tekst (ISO 32000-2 §9.10). Silnik kanonikalizuje te wartości za pomocą Normalization Form Compatibility Composition (NFKC), zdefiniowanej w Unicode UAX #15. Ideogram zgodności CJK oraz arabska forma prezentacyjna odwzorowują się na odpowiedni znak bazowy, więc wyszukiwanie i kopiowanie zwracają tekst kanoniczny zamiast punktu kodowego zgodności.

Dwa przypadki wymagają czegoś więcej niż /ToUnicode: rozstrzelona łacina i ukształtowany arabski pisany od prawej do lewej. Silnik rysuje je jako rozstrzelone lub przestawione glify, więc sama kolejność glifów nie pozwala odtworzyć łańcucha logicznego. Każdy przebieg opakowuje w sekwencję treści oznaczonej /Span zawierającą /ActualText, czyli dokładne zastąpienie zawartej treści (ISO 32000-2 §14.9). Narzędzia wyodrębniające, które respektują /ActualText, zwracają łańcuch logiczny.

Powierzchnia API

Symbol	Lokalizacja	Rola
`FontRegistry::register(string $fontFile, string $alias = ''): FontInfo`	`NextPDF\Typography\FontRegistry`	Rejestruje kroje CJK i arabskie.
`DocumentFactory::create(): Document`	`NextPDF\Core\DocumentFactory`	Buduje dokument korzystający z tego rejestru.
`Document::writeHtml(string $html): static`	`NextPDF\Core\Concerns\HasTextOutput`	Renderuje treść wielojęzyczną.

Próbka kodu — Szybki start

<?php

declare(strict_types=1);

require_once __DIR__ . '/vendor/autoload.php';

use NextPDF\Core\DocumentFactory;
use NextPDF\Graphics\ImageRegistry;
use NextPDF\Typography\FontRegistry;

$fonts = new FontRegistry();
$fonts->register(__DIR__ . '/NotoSansCJK-Regular.ttf', alias: 'CJK');
$fonts->register(__DIR__ . '/NotoNaskhArabic-Regular.ttf', alias: 'Arabic');

$doc = (new DocumentFactory($fonts, new ImageRegistry(maxCacheBytes: 0)))->create();
$doc->addPage();
$doc->writeHtml(
    '<p style="font-family: \'CJK\';">PDF 2.0 引擎 — 量子</p>'
    . '<p style="direction: rtl; font-family: \'Arabic\';">فاتورة</p>'
);
$doc->save(__DIR__ . '/multilingual.pdf');

pdftotext multilingual.pdf - | head
# Extracts the logical text: "PDF 2.0 引擎 — 量子" and the logical Arabic "فاتورة",
# not compatibility code points or reversed presentation forms.

Próbka kodu — Produkcja

Ten samodzielny przykład otagowuje dokument, dodaje rozstrzelony nagłówek i zapisuje wynik w ścieżce środowiska testowego.

<?php

declare(strict_types=1);

require_once __DIR__ . '/vendor/autoload.php';

use NextPDF\Core\DocumentFactory;
use NextPDF\Graphics\ImageRegistry;
use NextPDF\Typography\FontRegistry;

$fonts = new FontRegistry();
$fonts->register(__DIR__ . '/NotoSansCJK-Regular.ttf', alias: 'CJK');
$fonts->register(__DIR__ . '/NotoNaskhArabic-Regular.ttf', alias: 'Arabic');

$doc = (new DocumentFactory($fonts, new ImageRegistry(maxCacheBytes: 0)))->create();
$doc->setTitle('Multilingual extraction');
$doc->enableTaggedPdf('en');
$doc->addPage();

$html = <<<'HTML'
<h1 style="font-family: 'CJK'; letter-spacing: 3px;">CODE WORD</h1>
<p style="font-family: 'CJK';">中文 · 日本語 · 한국어 · 量子 (compatibility ideograph)</p>
<p style="direction: rtl; font-family: 'Arabic';">المبلغ الإجمالي 380.00</p>
HTML;

$doc->writeHtml($html);

$out = getenv('NEXTPDF_OUT');
$doc->save($out !== false ? $out : __DIR__ . '/multilingual-copy-paste-extraction.pdf');

echo "Wrote the multilingual PDF\n";

Uruchom pdftotext dla wyniku. Rozstrzelony nagłówek wyodrębnia się jako CODE WORD bez wstawionych spacji, wiersz CJK wyodrębnia się jako znaki bazowe, a wiersz arabski jako łańcuch logiczny.

Przypadki brzegowe i pułapki

Weryfikuj wyodrębnianie za pomocą pdftotext, a nie PyMuPDF. Tryb surowego tekstu w PyMuPDF ignoruje wbudowany /ActualText i zwraca wizualne glify, więc może zaniżać ocenę poprawności. Poppler (pdftotext) respektuje /ActualText; veraPDF waliduje PDF/UA-2, a nie samo wyodrębnianie.
Wyodrębnianie wymaga /ToUnicode. Zarejestruj i osadź czcionki, aby writer wyemitował mapę CMap /ToUnicode. Nieosadzona, niestandardowa czcionka nie może zagwarantować odwzorowania na Unicode.
/ActualText obejmuje przebiegi ukształtowane i rozstrzelone. Dla zwykłego, nieukształtowanego, nierozstrzelonego tekstu sama mapa /ToUnicode wyodrębnia poprawnie; opakowanie /Span zachowuje przebiegi rozstrzelone lub przestawione.
Otagowane tabele HTML przechodzą walidację PDF/UA-2. Wyodrębnianie jest poprawne, a otagowana tabela HTML <table> przechodzi teraz walidację veraPDF --flavour ua2 bez żadnych błędów — zobacz Dostępność.

Wydajność

Budowanie mapy CMap /ToUnicode oraz opakowań /Span skaluje się liniowo z liczbą glifów. Ten przepis przyjmuje budżet wall_ms: 1500, peak_mb: 96.

Uwagi dotyczące bezpieczeństwa

Sprawdzaj długość wielojęzycznych łańcuchów dostarczonych przez użytkownika, aby rozmiar wyjścia pozostawał ograniczony. Konstruktor /ToUnicode odrzuca połówki par zastępczych i kody spoza przestrzeni kodowej, więc zniekształcona mapa nie może utworzyć uszkodzonego zasobu wyodrębniania. Silnik nie uruchamia żadnych skryptów i nie pobiera zdalnych zasobów w przypadku czcionek lokalnych.

Zgodność

Stwierdzenie	Specyfikacja	Klauzula
Mapa CMap `/ToUnicode` odwzorowuje kody znaków na Unicode na potrzeby wyodrębniania.	ISO 32000-2	§9.10
`/ActualText` jest dokładnym zastąpieniem zawartej treści.	ISO 32000-2	§14.9
NFKC to dekompozycja zgodności, po której następuje kompozycja kanoniczna.	Unicode UAX #15	§1.2

Kontekst komercyjny

Nie dotyczy.

Zobacz także

Wyodrębnianie treści tekstowej — podstawa otagowanego wyodrębniania.
Renderowanie arabskiego HTML od prawej do lewej — kształtowanie arabskiego i tekst od prawej do lewej.
Typografia — /ToUnicode i kanonikalizacja NFKC.
Dostępność — /ActualText i obsługa otagowanych tabel.