CJK ve Arapça PDF'lerde kopyala-yapıştırmayı doğru hale getirin

Bir bakışta

Çince, Japonca, Korece (CJK) ve Arapça metin içeren ve bu metnin özgün mantıksal karakterler olarak kopyalanıp yapıştırılmasını sağlayan bir Portable Document Format (PDF) dosyası oluşturun. Motor, her glifi bir /ToUnicode CMap aracılığıyla Unicode’a eşler, sonucu Normalization Form Compatibility Composition (NFKC) ile kanonikleştirir ve şekillendirilmiş veya harf aralıklı dizileri /ActualText taşıyan bir /Span içine sarar. Yazı tiplerini kaydedip içeriği yazmanız yeterlidir; çıkarma doğru kalır. Çıkarmayı PyMuPDF ile değil, pdftotext/Poppler ile doğrulayın; veraPDF, çıkarmayı değil, PDF/Universal Accessibility 2 (PDF/UA-2) uyumluluğunu doğrular.

Kurulum

composer require nextpdf/core

Noto Sans CJK gibi bir CJK yazı tipi ve Arabic Presentation Forms-B bloğunu kapsayan karakter eşlemesine sahip, Arapça destekli bir yazı tipi (örneğin Noto Naskh Arabic) kaydedin. Yalnızca gömme lisansına sahip olduğunuz yazı tiplerini gömün.

Kavramsal genel bakış

Bir içerik akışındaki glif kodları Unicode değildir. Bir /ToUnicode CMap, okuyucunun metni çıkarabilmesi için her kodu yeniden Unicode’a eşler (ISO 32000-2 §9.10). Motor, bu değerleri Unicode UAX #15 tarafından tanımlandığı şekilde Normalization Form Compatibility Composition (NFKC) ile kanonikleştirir. Bir CJK Compatibility Ideograph ve bir Arapça sunum biçimi temel karakterlerine eşlenir; böylece arama ve kopyalama işlemleri, bir uyumluluk kod noktası yerine kanonik metin döndürür.

İki durum /ToUnicode’dan fazlasını gerektirir: harf aralıklı Latin ve şekillendirilmiş sağdan sola Arapça. Motor bunları aralıklı veya yeniden sıralanmış glifler olarak çizer; bu nedenle tek başına glif sırası mantıksal dizeyi geri kazanamaz. Motor, her diziyi, sarmalanan içeriğin tam yerine geçen /ActualText taşıyan bir /Span işaretli içerik dizisi içine sarar (ISO 32000-2 §14.9). /ActualText’e uyan çıkarıcılar mantıksal dizeyi döndürür.

API yüzeyi

Sembol	Konum	Rol
FontRegistry::register(string $fontFile, string $alias = ''): FontInfo	NextPDF\Typography\FontRegistry	CJK ve Arapça yazı tipi yüzlerini kaydeder.
DocumentFactory::create(): Document	NextPDF\Core\DocumentFactory	Kayıt defterinizi kullanan bir belgeyi oluşturur.
Document::writeHtml(string $html): static	NextPDF\Core\Concerns\HasTextOutput	Çok dilli içeriği işler.

Kod örneği — hızlı başlangıç

<?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.

Kod örneği — üretim

Bu bağımsız örnek, belgeyi etiketler, harf aralıklı bir başlık ekler ve test düzeneğinin yoluna yazar.

<?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";

Oluşturulan çıktı üzerinde pdftotext çalıştırın. Harf aralıklı başlık, araya hiçbir boşluk eklenmeden CODE WORD olarak çıkar; CJK satırı temel karakterler olarak çıkar ve Arapça satır mantıksal dize olarak çıkar.

Sınır durumları ve tuzaklar

• Çıkarmayı PyMuPDF ile değil, pdftotext ile doğrulayın. PyMuPDF’in ham metin modu, satır içi /ActualText’i yok sayar ve görsel glifleri döndürür; bu nedenle doğruluğu olduğundan düşük gösterebilir. Poppler (pdftotext), /ActualText’e uyar; veraPDF, çıkarmayı değil, PDF/UA-2 uyumluluğunu doğrular.
• Çıkarma /ToUnicode gerektirir. Yazı tiplerini, yazıcı /ToUnicode CMap’i üretecek şekilde kaydedin ve gömün. Gömülmemiş, standart olmayan bir yazı tipi bir Unicode eşlemesini garanti edemez.
• /ActualText, şekillendirilmiş ve harf aralıklı dizileri kapsar. Düz, şekillendirilmemiş ve aralıksız metin yalnızca /ToUnicode ile doğru biçimde çıkarılır; /Span sarmalayıcı, aralıklı veya yeniden sıralanmış dizileri korur.
• Etiketli HTML tabloları PDF/UA-2 denetimlerinden geçer. Çıkarma doğrudur ve etiketli bir HTML <table> artık veraPDF --flavour ua2 denetiminden hiçbir başarısızlık olmadan geçer; bkz. Erişilebilirlik.

Performans

/ToUnicode CMap’i ve /Span sarmalayıcılarını oluşturmak, glif sayısıyla doğrusal olarak ölçeklenir. Bu tarifin bütçesi wall_ms: 1500, peak_mb: 96 şeklindedir.

Güvenlik notları

Çıktı boyutunun sınırlı kalması için kullanıcı tarafından sağlanan çok dilli dizelerin uzunluğunu doğrulayın. /ToUnicode oluşturucusu, vekil yarımları ve kod alanının dışındaki kodları reddeder; böylece hatalı biçimlendirilmiş bir eşleme bozuk bir çıkarmaya kaynaklık edemez. Motor hiçbir betik çalıştırmaz; yerel yazı tipleri için de hiçbir uzak kaynak getirmez.

Uygunluk

İfade	Belirtim	Madde
Bir /ToUnicode CMap, çıkarma için karakter kodlarını Unicode’a eşler.	ISO 32000-2	§9.10
/ActualText, sarmalanan içeriğin tam yerine geçer.	ISO 32000-2	§14.9
NFKC, uyumluluk ayrıştırmasının ardından gelen kanonik bileşimdir.	Unicode UAX #15	§1.2

Ticari bağlam

Uygulanamaz.

Ayrıca bkz.

• Metin içeriğini çıkarın — etiketli çıkarmanın temeli.
• Sağdan sola Arapça HTML’i işleyin — Arapça şekillendirme ve sağdan sola metin.
• Tipografi — /ToUnicode ve NFKC kanonikleştirmesi.
• Erişilebilirlik — /ActualText ve etiketli tablo desteği.