Files

T

adminandClaude Fable 5 b09bd7d750 Phase 7: OCR & Convert — Tesseract lớp text ẩn (Việt+Anh), PDF→PNG/TXT/DOCX, Office↔PDF

Engine:
- ocr.rs MỚI: find_tesseract (sidecar như qpdf, env FOFREEXIT_TESSERACT_PATH);
  ocr_page_words (render 300 DPI → tesseract tsv → lọc confidence ≥30 → quy
  đổi pixel→điểm PDF); ocr_add_text_layer — thêm text object render-mode
  INVISIBLE đúng khung từng từ lên CHÍNH trang gốc (searchable PDF chuẩn,
  ảnh không đổi), font Unicode nhúng 1 lần, mặc định vie+eng
- convert.rs MỚI: export_images (PNG mỗi trang theo DPI), export_text,
  export_docx tự viết (gom char boxes thành dòng thị giác → đoạn Word với cỡ
  chữ xấp xỉ + ngắt trang; DOCX = zip STORE tự ghi kèm CRC-32, không thêm
  dependency); find_soffice + office_to_pdf + pdf_to_docx_via_soffice
  (LibreOffice headless, profile riêng -env:UserInstallation)

Tauri + UI (thanh 🔁 Chuyển đổi):
- Commands: ocr_run, convert_images, convert_txt, convert_docx (tự chọn
  LibreOffice nếu có → fallback bộ cơ bản, báo engine đã dùng),
  office_convert, convert_tools_status (UI disable nút + báo thiếu công cụ),
  pick_office_file, pick_save_as
- Nút: OCR (select Việt+Anh/Việt/Anh), Xuất PNG 150 DPI, Xuất TXT, Xuất Word,
  Office→PDF (mở luôn kết quả)

Test (6 mới → engine 73/73 xanh ngoài 2 fixture qpdf Linux):
- OCR tiếng Anh trên PDF-scan giả lập THẬT (xoá text chỉ còn ảnh render):
  extract + search thấy từ, toạ độ lớp ẩn khớp vùng chữ
- OCR tiếng Việt đúng dấu ("Việt Nam đất nước")
- export PNG 3 trang / TXT / DOCX (unzip hệ thống giải được, có ngắt trang)
- LibreOffice round-trip 2 chiều (tự bỏ qua nếu máy không có soffice)

Docs: 19-phase7-summary (+ giới hạn v-sau), 20-phase7-user-tests (C1–C10 kèm
hướng dẫn cài Tesseract/LibreOffice trên Windows), README, roadmap (Phase 7
HOÀN TẤT lõi), 14 (kế tiếp: Phase 8 phát hành).

Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_01HgnbPwSoRGNH7LHsDUmRpk

2026-07-16 01:33:57 +00:00

7.5 KiB

Raw Permalink Blame History

03 — Lộ trình dự án (Roadmap)

Mục tiêu tổng (North Star)

Một ứng dụng desktop có thể xem, chú thích, tổ chức trang, và chỉnh sửa text/ảnh trực tiếp trên PDF, kèm bảo mật cơ bản — đủ để một người dùng Foxit phổ thông bỏ Foxit cho công việc hằng ngày.

Phương pháp làm việc

Engine-first, UI-second trong mỗi tính năng: làm được ở tầng core + test CLI trước, rồi mới gắn UI.
Mỗi phase kết thúc bằng bản chạy được (demo) + test tự động + cập nhật docs.
Bộ PDF mẫu (test corpus) tích luỹ dần: file thường, file scan, file mã hoá, file hỏng, CJK/Việt/RTL, form, file nghìn trang.
Quy ước: nhánh/commit theo phase; mỗi tính năng có "DoD" (Definition of Done) checklist.
Không chuyển phase khi DoD chưa đạt và test chưa xanh.

Phase 0 — Nghiên cứu & Kế hoạch ✅ HOÀN TẤT

DoD: docs 01–03 hoàn tất; chốt ngôn ngữ/framework; dựng skeleton repo.

Phase 1 — Nền tảng & Viewer (MVP xem được) ✅ HOÀN TẤT

Mục tiêu: Mở và hiển thị PDF chính xác, mượt.

Tích hợp PDFium (prebuilt) qua FFI; dựng Core API tối thiểu (open, pageCount, renderPage).
Viewer: scroll liên tục, zoom/fit, thumbnails, outline/bookmarks, tìm kiếm text, chọn & copy text.
Mở file lớn (lazy render + cache tile). DoD: mở 20 file mẫu (gồm file 1000+ trang, CJK, Việt) không crash; render khớp mắt thường với Chrome; search & copy hoạt động; có test render-hash cho trang mẫu.

Phase 2 — Chú thích (Annotate) ✅ HOÀN TẤT (lõi) — xem docs/08-phase2-summary.md

Mục tiêu: Bộ comment dùng hằng ngày.

Highlight/underline/strikethrough, sticky note, text box, free draw, shapes, stamp.
Lưu annotation vào PDF (annotation dict), import/export XFDF.
Hiển thị & sửa/xoá annotation; danh sách comment ở sidebar. DoD: tạo/sửa/xoá mọi loại trên; lưu & mở lại giữ nguyên; Acrobat/Foxit đọc được annotation ta ghi; export/import XFDF round-trip.

Phase 3 — Tổ chức trang (Organize) + Lưu file vững ✅ HOÀN TẤT (lõi, 36/36 test) — xem docs/10-phase3-summary.md

Mục tiêu: Quản lý trang & ghi file an toàn.

Chèn/xoá/xoay/trích/thay/đảo trang; merge & split; crop; đánh số; header/footer; watermark/background.
Engine ghi file: incremental update và full rewrite (qua QPDF); giữ không hỏng file; undo/redo toàn cục. DoD: mọi thao tác trang round-trip đúng; merge 50 file OK; ghi không làm hỏng file mã hoá; undo/redo ổn định; test so khớp cấu trúc trang.

Phase 4 — ⭐ Chỉnh sửa nội dung (Edit) — TÍNH NĂNG LÕI ✅ Iteration 1 HOÀN TẤT (43/43 test) — xem docs/12-phase4-summary.md

Mục tiêu: Sửa text & object trực tiếp — moat chính.

Page Object Model: parse content stream → cây object (text/path/image/xobject).
Sửa ảnh/object: di chuyển, resize, xoá, thêm ảnh (dễ hơn → làm trước).
Sửa text: gom glyph → text run/line/paragraph (heuristic theo baseline & spacing); edit inline; đo lại width theo font (FreeType/HarfBuzz); reflow trong text box; xử lý font nhúng/subset + font substitution; hỗ trợ tiếng Việt (tổ hợp dấu) sớm, CJK/RTL sau.
Thêm text box mới, đổi font/size/màu. DoD: sửa được text 1 dòng & 1 đoạn trên ≥80% file mẫu thường; thêm/xoá/di chuyển ảnh; lưu mở lại đúng; tiếng Việt hiển thị & sửa đúng dấu; có test corpus chuyên cho edit.

Phase 5 — Bảo mật & Chữ ký ✅ HOÀN TẤT (mã hoá+quyền, gỡ mật khẩu, redaction thật + tỉa ký tự, xoá metadata, chữ ký số PKCS#7/PAdES + xác thực, lưu tối ưu — xem docs/15-phase5-summary.md)

Mục tiêu: Tính năng đáng tiền cho doanh nghiệp.

Mật khẩu mở/permission; mã hoá AES-256; xoá mật khẩu.
Redaction thật (xoá nội dung + ảnh + metadata, không chỉ vẽ đè) + kiểm chứng đã xoá.
Xoá metadata/ẩn; chữ ký số (PAdES, byte range, incremental update giữ chữ ký). DoD: mã hoá/giải mã round-trip; redaction qua kiểm chứng không còn text bị bôi; ký số được Acrobat xác thực hợp lệ.

Phase 6 — Form (AcroForm) ✅ HOÀN TẤT lõi (67/67 test — xem docs/17-phase6-summary.md)

Mục tiêu: Điền & tạo form.

Điền form có sẵn, lưu; flatten form.
Tạo field: text/checkbox/combo (radio-group/list/pushbutton: follow-up); import/export dữ liệu FDF + export CSV. DoD: ✅ điền & lưu giữ dữ liệu (gồm tiếng Việt); tạo form mới; export/import FDF round-trip. Follow-up: XFDF, radio-group/list/pushbutton khi tạo.

Phase 7 — OCR & Convert ✅ HOÀN TẤT lõi (73/73 test — xem docs/19-phase7-summary.md)

Mục tiêu: Hai tính năng "đáng tiền" còn lại, qua dự án mở.

OCR: Tesseract → searchable PDF (lớp text vô hình khớp toạ độ trên trang GỐC). Việt + Anh, test đúng dấu. (Tiền xử lý ảnh deskew/denoise: follow-up.)
Convert: PDF→ảnh PNG; Office↔PDF qua LibreOffice headless; PDF→Word bản "đủ dùng" tự viết (text + bố cục cơ bản) + bản LibreOffice khi có; PDF→TXT. (PDF→Excel: follow-up.) DoD: ✅ OCR scan search được (Việt + Anh, kiểm toạ độ); ✅ Office↔PDF round-trip; ✅ PDF→Word giữ text & bố cục cơ bản.

Phase 8 — Hoàn thiện & Phát hành

So sánh 2 PDF (compare); in ấn đúng; preferences; đa ngôn ngữ UI (Việt/Anh); accessibility.
Installer (Windows MSI/winget; sau đó mac/Linux); auto-update; crash reporting.
Tối ưu hiệu năng & bộ nhớ; hardening bảo mật (fuzzing parser). DoD: cài đặt sạch trên máy mới; vượt bộ test hồi quy đầy đủ; tài liệu người dùng.

Phase 9 (tuỳ chọn) — AI

Tóm tắt, hỏi-đáp tài liệu, dịch (dùng Claude API / model cục bộ). Làm sau cùng vì không phải lý do chính thay thế Foxit.

Thứ tự ưu tiên giá trị (nếu phải cắt giảm)

1→2→3→4 là "core sản phẩm thay Foxit cho cá nhân". 5,6 thêm giá trị doanh nghiệp. 7 ngang hàng giá trị nhưng phụ thuộc dự án ngoài. 8 bắt buộc để phát hành. 9 là bonus.

Rủi ro & giảm thiểu

Rủi ro	Giảm thiểu
Edit text quá khó (Phase 4)	Làm object/ảnh trước; text bắt đầu từ ca đơn giản; tận dụng PDFium edit API + PDFBox tham khảo
Build/FFI PDFium phức tạp	Dùng binary prebuilt + binding có sẵn
Convert PDF→Word kém	Hạ kỳ vọng: "đủ dùng" trước; dựa LibreOffice
File lạ làm crash	Test corpus file hỏng + fuzzing; chọn ngôn ngữ an toàn bộ nhớ
Phạm vi phình to	DoD nghiêm ngặt; không nhảy phase khi chưa xanh

Bộ chỉ số thành công sản phẩm

Mở đúng ≥99% file PDF đời thực trong corpus.
Người dùng Foxit phổ thông làm được: xem, comment, sắp trang, sửa text/ảnh, đặt mật khẩu — không cần Foxit.
Không thua Foxit rõ rệt về tốc độ mở & render.

7.5 KiB Raw Permalink Blame History Unescape Escape