سير عمل HTML والتحرير وOCR والأرشفة الأصلية على Linux

ABI لـ callback الأصلي على Linux يقبل html.import وtext.draw وocr وpdfa.convert بـ schemaVersion 1 ومع ميزانيات المخرجات والنتيجة وبايتات العمل والبكسلات القائمة

استيراد HTML

{"schemaVersion":1,"type":"html.import","html":"<h1>Invoice</h1><p>Searchable Unicode</p>","createAcroForms":true}

استيراد HTML يعمل على مقبض فارغ ويستخدم محرك تخطيط HTML5/CSS المشترك بلوحة رسم أصلية ومطابقة Fontconfig وخطوط TrueType بـ Unicode مضمّنة وتشكيل HarfBuzz/FriBidi وموارد PNG/JPEG/BMP/GIF وأقنعة alpha وروابط وتقسيم صفحات وعناصر تحكم AcroForm

ABI يقبل موارد بيانات مضمّنة؛ وهو لا يثبّت callback موارد شبكة أو ملفات، بينما يمكن لاستدعي Pascal تزويد callback المستورد القائمة لموارد خطوط وصور وأوراق أنماط صريحة

‏pageWidth وpageHeight الاختياريتان تستخدمان النقاط؛ وmaxPages وmaxLayoutOperations يجب أن تكونا موجبتين، وتخصيصات DOM وCSS والموارد والصور تتبع أيضًا ميزانية العملية

تحرير نص الصفحات

{"schemaVersion":1,"type":"text.draw","page":0,"text":"Searchable Unicode","left":36,"bottom":36,"right":559,"top":108,"fontFamily":"DejaVu Sans","fontSize":12,"invisible":true}

الإدراج يحفظ مسارات الصفحة الأصلية، بما يشمل مصفوفات المحتوى المشار إليها غير مباشرة، ويُلحق مظهر نموذج Unicode مضمّنًا باسم مورد خاص؛ والنص الخفي يستخدم وضع تصيير 3 ويبقى قابلًا للبحث

الإحداثيات نقاط PDF في مساحة المستخدم دون تدوير؛ وcharacterSpacing وwordSpacing بالنقاط، وبدائل AES-256 المصادق عليها تحفظ التشفير وكلمات السر والأذونات

واجهة AppendPageText في Pascal تقبل إضافيًا دوران مظهر ربع دورة وملاءمة مستطيل صريحة

‏OCR فعلي

{"schemaVersion":1,"type":"ocr","pages":[0],"language":"eng","dpi":216,"searchLayer":true,"maxMilliseconds":120000}

‏OCR يصيّر بكسلات الصفحة الفعلية ويستدعي الملف التنفيذي لـ Tesseract المثبت مباشرةً بمتجه وسائط، ويقرأ كلمات TSV محدودة السقف ويتحقق من UTF-8 والثقات وإحداثيات الصفحة، ويخطط هندسة الصفحة المدوّرة/المقصوصة عائدًا إلى إحداثيات PDF

النتيجة تتضمن كلمات لكل صفحة بنص وثقة وleft وbottom وright وtop؛ وsearchLayer بقيمة false تعيد بيانات التعرف، وبقيمة true تصدر أيضًا PDF بنص خفي بمضمّن من خط ملائم

‏tesseractPath الاختيارية تنتقي ملفًا تنفيذيًا صريحًا؛ وmaxWords وminimumConfidence وmaxMilliseconds تحدد سقوف التعرف، والإلغاء أو انتهاء المهلة ينهي العملية الجارية ويحصدها

مخرج raster أصلي بـ PDF/A-4

{"schemaVersion":1,"type":"pdfa.convert","profile":"PDF/A-4","dpi":144}

التحويل الأصلي raster يؤلّف صفحات PDF 2.0 طازجة غير مشفرة بدوران صفحة مخبوز وXMP بـ PDF/A-4 ومعرّفات مستند وoutput intent مضمّنًا بـ sRGB مولَّدًا؛ والقبول الحالي يتضمن تحقق veraPDF مستقلًا صفر قواعد وفحوص فاشلة

المخرج يرستر أصل النص والمتجهات ويسطّح المظاهر المرئية ويستبدل metadata المصدر ويحذف الحقول التفاعلية والأفعال والمرفقات والتواقيع؛ والنتيجة تبلّغ rasterized وremovedFormFields وremovedSignatures

المدخلات الموقَّعة تتطلب allowSignatureInvalidation صريحًا بقيمة true؛ والتعليقات المرئية تحتاج مظاهر عادية قابلة للاستخدام قبل التسطيح، وحفظ النص/المتجه الأصلي يوفر وضع تحويل قابلًا للبحث بتحقق حقيقي

إصلاح خطوط الأرشفة الصريح يضمّن بدائل متاحة عبر تقنين Ghostscript محدود السقف ويحفظ نصًا ومتجهات قابلة للبحث ويتحقق من PDF/A-4 قبل النشر

النشر وبيئات التشغيل

كل مخرج ثنائي يُهيأ قبل callbacks؛ والمستند المولَّد أو المعدَّل يستبدل المقبض فقط بعد نجاح callbacks المخرجات وJSON، والفشل يحفظ السياق السابق

‏HTML الأصلي يتطلب قارئات صور FCL وFontconfig وخطوط TrueType بـ Unicode مثبتة وHarfBuzz وFriBidi؛ وOCR يتطلب إضافيًا Tesseract وبيانات لغات مدرَّبة، وتوليد ملف الأرشفة يتطلب Little CMS 2

ABI لـ callback · لوحة الرسم الأصلية · واجهة OCR في Pascal · واجهة الأرشفة في Pascal

إلحاق صفحات منتقاة والتحقق من مخرج PDF/A-4 حافظًا للنص/المتجه