Files

T

admin 274012f854 Initial commit: FoFreeXit Phase 1 (Viewer) + Phase 2 (Annotate)

PDF viewer (render/search/text-select/thumbnails/outline) and annotation
engine (Highlight/Underline/Strikeout/Square/FreeText/Note) over PDFium +
lopdf, with Unicode font embedding for Vietnamese text and undo/redo.

2026-06-17 22:34:06 +07:00

12 KiB

Raw Permalink Blame History

01 — Nghiên cứu: Tính năng, Khó khăn, Thuật toán, Thư viện

A. Tính năng của Foxit PDF Editor

Foxit có 3 dòng: PDF Editor, PDF Editor Pro, PDF Editor Pro+ (subscription, kèm AI/cloud). Giá tham khảo (2025–2026): subscription từ ~$11.99/tháng; lifetime/perpetual ~$159–$210; Pro+ chỉ bán subscription. Enterprise báo giá riêng.

Nhóm tính năng (theo mức độ quan trọng với người dùng)

1. Xem & điều hướng (View) — table stakes, miễn phí ở mọi reader

Render PDF chính xác, mượt; zoom, fit, thumbnails, bookmarks/outline, search full-text.
Continuous scroll, two-page, reading mode, dark mode.
Mở file lớn nhanh (lazy load từng trang).

2. Chú thích (Annotate / Comment) — quan trọng, dùng hằng ngày

Highlight, underline, strikethrough, squiggly.
Sticky notes, text box, callout, stamp, drawing (pencil/shapes), measure.
Reply/threads cho comment, import/export annotation (FDF/XFDF).

3. Chỉnh sửa nội dung (Edit) — TÍNH NĂNG "ĐÁNG TIỀN" SỐ 1 ⭐

Sửa text trực tiếp trên trang (reflow trong đoạn, đổi font/size/màu).
Thêm/xoá/di chuyển/đổi kích thước ảnh và đối tượng (object).
Edit cả paragraph, link/unlink text box, OCR rồi sửa text trên ảnh scan.
Đây là rào cản kỹ thuật lớn nhất và là lý do chính người dùng trả tiền — các reader miễn phí (đa số) không làm được.

4. Tổ chức trang (Organize) — quan trọng, đáng tiền

Chèn/xoá/xoay/trích/thay/đảo trang, merge & split, crop, đánh số, header/footer, watermark, background.
Sắp xếp kéo-thả thumbnail.

5. Chuyển đổi (Convert) — rất đáng tiền ⭐

PDF ↔ Word/Excel/PowerPoint, PDF → ảnh, ảnh/Office → PDF.
Chất lượng chuyển đổi (giữ layout) là điểm bán hàng then chốt.

6. OCR — rất đáng tiền ⭐

Nhận dạng text trên scan (đa ngôn ngữ), tạo "searchable PDF".
Foxit 2025.2 quảng cáo OCR vượt Adobe ở chữ số/checkbox/handwriting.

7. Form (AcroForm / XFA) — đáng tiền với doanh nghiệp

Điền form, tạo form (text field, checkbox, radio, dropdown, button), nhận dạng field tự động, import/export dữ liệu form.

8. Bảo mật & chữ ký — đáng tiền với doanh nghiệp ⭐

Mật khẩu (mở/permission), mã hoá AES, redaction (bôi đen vĩnh viễn), xoá metadata ẩn.
Chữ ký số (digital signature/PKI), chứng thực, timestamp; eSign (cloud).

9. So sánh & cộng tác

Compare 2 phiên bản PDF, shared review, cloud collaboration (Pro+).

10. AI (Pro+) — xu hướng mới

Tóm tắt, hỏi-đáp tài liệu, dịch, chat với PDF.

➜ Kết luận: Tính năng khiến người dùng phải mua license

Theo thứ tự "moat" (khó làm + người dùng sẵn sàng trả tiền):

Edit text/object trực tiếp (rào cản kỹ thuật cao nhất).
Convert PDF→Office giữ layout (Word/Excel).
OCR chất lượng cao, đa ngôn ngữ.
Bảo mật: redaction thật, mã hoá, chữ ký số.
Tạo & xử lý form (AcroForm).
Organize: merge/split/crop hàng loạt.

Chiến lược FoFreeXit: chiếm các tính năng (1), (4), (6), (organize) trước — vốn có thể tự làm tốt trên nền engine mở. (2) Convert và (3) OCR sẽ tận dụng dự án mở khác (LibreOffice headless, Tesseract). AI để sau cùng.

B. Khó khăn kỹ thuật (xếp theo độ khó)

B1. Bản chất định dạng PDF

PDF không phải định dạng để chỉnh sửa: nó mô tả "vẽ gì ở toạ độ nào", không lưu cấu trúc đoạn/dòng/bảng như Word. Text là chuỗi lệnh Tj/TJ đặt glyph theo toạ độ → không có khái niệm "đoạn văn".
Đặc tả PDF (ISO 32000) cực lớn; vô số file "hợp lệ một phần", file hỏng, file sinh bởi công cụ lạ → cần độ bền (robustness) rất cao.

B2. Sửa text trực tiếp (khó nhất) ⭐

Phải tái dựng dòng/đoạn từ các glyph rời rạc (gom theo toạ độ, baseline, khoảng cách) → suy ra "text run".
Khi sửa: cần đo lại chiều rộng glyph theo font thật, reflow phần còn lại của dòng/đoạn, xử lý ligature, kerning, justification.
Font: file có thể nhúng font subset (chỉ chứa glyph đã dùng) → muốn gõ ký tự mới phải có glyph đó; nếu không, phải substitute font giống nhất rồi nhúng/subset lại. Encoding phức tạp (CID, CMap, Type0, Type3).
Văn bản phức tạp: RTL (Ả Rập/Do Thái), chữ Đông Á (CJK), tiếng Việt dấu (tổ hợp dấu), shaping (HarfBuzz).

B3. Render chính xác

Render giống Acrobat: blend modes, transparency groups, soft mask, shading/gradient, pattern, overprint, ICC color management, CMYK.
Hiệu năng: file hàng nghìn trang, ảnh độ phân giải cao → cần cache, tile, đa luồng, GPU (tuỳ chọn).

B4. OCR

Tích hợp engine (Tesseract), tiền xử lý ảnh (deskew, denoise, binarize), bố cục (layout analysis), khớp toạ độ text vào trang để tạo lớp text vô hình → searchable PDF.

B5. Convert PDF → Office

"Bài toán ngược": từ glyph dựng lại đoạn/bảng/cột/heading của Word. Rất khó giữ layout. Đây là nơi cả Adobe lẫn Foxit đều chưa hoàn hảo.

B6. Bảo mật làm đúng

Redaction: phải xoá thật nội dung khỏi content stream + metadata + ảnh, không chỉ vẽ hộp đen lên trên (lỗi này từng làm lộ tài liệu chính phủ).
Mã hoá RC4/AES, permission, public-key security handler; chữ ký số đúng chuẩn PAdES (byte range, /ByteRange, incremental update không phá chữ ký cũ).

B7. Ghi file an toàn

Incremental update (ghi thêm cuối file, giữ chữ ký) vs full rewrite (gọn, tối ưu). Cần xử lý xref/xref-stream, object stream, linearization ("fast web view").
Không làm hỏng file gốc; undo/redo cho thao tác sửa.

B8. UX desktop chất lượng cao

Tương tác mượt (chọn text qua nhiều trang, kéo object), đa nền tảng, in ấn đúng, accessibility, đa ngôn ngữ UI.

C. Thuật toán & kiến trúc của Foxit / Adobe (học hỏi được gì)

Foxit & Adobe là mã đóng; dưới đây là suy luận từ tài liệu SDK công khai, cấu trúc đặc tả PDF, và kiến trúc các engine mở tương đương. Mục tiêu: học mô hình kiến trúc, không sao chép.

C1. Foxit

Core engine viết bằng C++; cung cấp SDK với binding C++, C#, C, Java, Python. Kiến trúc tách lớp rõ: Core (parser + render + edit) → API → UI.
Render engine riêng (không dùng PDFium công khai), tối ưu tốc độ & bộ nhớ — Foxit nổi tiếng "nhẹ và nhanh".
Mô hình edit dựa trên page object model: trang = tập object (text/path/image/form-xobject), edit = thao tác trên object rồi serialize lại content stream.

C2. Adobe Acrobat

Lõi C/C++ lâu đời (PDF do Adobe phát minh). PDFL (PDF Library) + Acrobat core; tách "Cos layer" (Carousel Object System — model object thấp tầng: dict/array/stream) và "PD layer" (Page Description — trang, annotation, form).
Bài học quan trọng: mô hình 2 tầng:
- Tầng object thấp (COS): đọc/ghi cấu trúc PDF (dictionary, stream, xref) — tương ứng QPDF/pikepdf.
- Tầng tài liệu cao (PD): trang, annotation, form, content stream parsed thành object — tương ứng PDFium/MuPDF.
Liquid Mode (mobile reflow) của Adobe dùng ML để suy ra cấu trúc đọc → cho thấy hướng "tái dựng cấu trúc" là bài toán AI/heuristic.

➜ Bài học kiến trúc áp dụng cho FoFreeXit

Tách 2 tầng: cos (cấu trúc) và pdmodel (trang/object/annotation) — đúng như Adobe/PDFBox làm.
Page Object Model cho editing: parse content stream → cây object → sửa → serialize.
Undo/redo ở tầng model bằng command pattern.
Tách hẳn engine (không phụ thuộc UI) khỏi UI, để test tự động và tái dùng (CLI, server).

D. Khảo sát thư viện PDF (mọi ngôn ngữ) & giấy phép

Giấy phép là yếu tố sống còn: muốn phân phối tự do, tránh AGPL (MuPDF, iText) trừ khi chấp nhận copyleft hoặc mua license.

Thư viện	Ngôn ngữ	Render	Edit text/obj	Cấu trúc/repair	Giấy phép	Ghi chú
PDFium	C/C++	⭐ rất tốt	✔ có API (`FPDFPageObj_`, `FPDFText_`)	một phần	BSD-3 (permissive)	Engine của Chrome; binary prebuilt sẵn (bblanchon/pdfium-binaries). Nền tảng lý tưởng.
QPDF	C++	✘	✘ (cấu trúc)	⭐ xuất sắc	Apache-2.0	Repair, linearize, encrypt, object stream. Bổ trợ cho PDFium.
pikepdf	Python	✘	✘	⭐ (wrap QPDF)	MPL-2.0	Bản Python của QPDF, tốt cho prototype.
MuPDF	C	⭐	✔	✔	AGPL/commercial	Mạnh nhưng copyleft → tránh cho bản đóng.
PyMuPDF	Python	⭐	✔	✔	AGPL/commercial	Tốt để prototype/nghiên cứu, không ship.
iText	Java/.NET	một phần	✔ tạo	✔	AGPL/commercial $$$	Tránh trừ khi mua.
Apache PDFBox	Java	✔ ok	✔	✔	Apache-2.0	Permissive, full-feature, tham khảo thuật toán rất tốt (mã đọc được).
PDF.js	JS	✔ (web)	✘ (gần như render-only)	một phần	Apache-2.0	Của Mozilla; tốt cho web viewer, không edit sâu.
pdf-lib	JS/TS	✘	✔ (tạo/sửa cơ bản)	✔	MIT	Thuần JS, tạo & sửa nhẹ.
pdfcpu	Go	✘	thao tác trang	✔	Apache-2.0	CLI mạnh cho organize/encrypt.
lopdf / pdf-rs / printpdf	Rust	một phần	✔ thấp tầng / tạo	✔	MIT/Apache	Ecosystem Rust đang lớn, chưa bằng PDFium.
Tesseract	C++	—	— (OCR)	—	Apache-2.0	Engine OCR mở tốt nhất.
HarfBuzz	C++	—	text shaping	—	MIT	Bắt buộc cho shaping (Việt/CJK/RTL).
FreeType	C	—	font rasterize	—	FTL/GPL	Đọc & render font.
LibreOffice (headless)	C++	—	convert	—	MPL-2.0	Dùng `soffice --convert-to` cho PDF↔Office.

➜ Tận dụng được gì

Nền engine: PDFium (render + edit object) + QPDF (cấu trúc/encrypt/repair) — cả hai permissive → không phải viết parser/renderer từ đầu.
OCR: Tesseract. Shaping: HarfBuzz. Font: FreeType. Convert Office: LibreOffice headless.
Tham khảo thuật toán (đọc mã được): Apache PDFBox (Java, permissive) cho cách dựng text run, content stream, form; pdf.js cho rendering model.
Tránh: MuPDF/PyMuPDF/iText cho bản phân phối (AGPL) — chỉ dùng để học/prototype.

12 KiB Raw Permalink Blame History Unescape Escape