2. Tipos del documento

← El lenguaje · Índice · Siguiente: text:: →

Todo script recibe automáticamente la variable doc, que representa el PDF en análisis. A partir de ella llegas a las páginas, las fuentes y las imágenes.

2.1 doc — el documento

Propiedades

check "Propiedades del documento" {
  print("archivo:", doc.filename)
  print("páginas:", doc.page_count)
  print("título:", doc.title)

  // Las colecciones son listas normales: aceptan todos los métodos de lista
  require doc.pages.length == doc.page_count
  require doc.fonts.length > 0
  print("imágenes en todo el documento:", doc.images.length)
}

Métodos

doc.extract_text()

Todo el texto del documento, con las páginas separadas por saltos de línea.

check "Texto del documento" {
  texto = doc.extract_text()
  assert texto.trim() != "", "PDF sin texto extraíble (¿solo imágenes?)"
  require texto.contains("Contrato")
  print("caracteres en total:", texto.length)
}

2.2 page — la página

Las páginas vienen de doc.pages (dentro de bloques) o de la variable page (dentro de una rule).

Propiedades

check "Formato de las páginas" {
  doc.pages.each { |page|
    // number es lo que ve el usuario; index sirve para cálculos internos
    assert page.width > 100mm,
      "la página #{page.number} es demasiado estrecha: #{page.width}pt"

    // Cajas: imprescindibles para impresión
    assert page.has_trim_box,
      "la página #{page.number} no tiene TrimBox (área de corte)"
    assert page.has_bleed_box,
      "la página #{page.number} no tiene BleedBox (sangrado)"
  }
}

check "Tinta y filetes" {
  doc.pages.each { |page|
    assert page.tac <= 300,
      "página #{page.number}: #{page.tac}% de tinta (límite 300%)"

    // min_stroke_width puede ser null (página sin filetes);
    // null es falso, así que esta comprobación es segura:
    assert !page.min_stroke_width || page.min_stroke_width >= 0.25,
      "la página #{page.number} tiene un filete demasiado fino"
  }
}

Métodos

page.extract_text()

El texto solo de esta página.

check "Páginas en blanco" {
  blancas = doc.pages.filter { |p| p.extract_text().trim() == "" }
  assert blancas.length == 0,
    "#{blancas.length} página(s) en blanco: #{blancas.map { |p| p.number }.join(", ")}"
}

2.3 font — la fuente

Las fuentes vienen de doc.fonts.

check "Fuentes incrustadas" {
  // Una fuente no incrustada la sustituye el lector: el texto cambia de aspecto
  doc.fonts.each { |font|
    assert font.is_embedded,
      "la fuente '#{font.name}' no está incrustada en el PDF"
  }
}

check "Informe de fuentes" {
  print("fuentes usadas:", doc.fonts.map { |f| f.name }.join(", "))
  faltan = doc.fonts.filter { |f| !f.is_embedded }
  print("no incrustadas:", faltan.length)
}

2.4 image — la imagen

Las imágenes vienen de doc.images (todas) o de page.images (las de una página).

El DPI es el efectivo, calculado como píxeles ÷ tamaño impreso en la página, no el valor nominal grabado en los metadatos. Es el número que importa para la calidad de impresión: una imagen de 1000 px estirada hasta ocupar 20 cm tiene un DPI bajo, aunque los metadatos digan otra cosa.

profile "imagenes-para-offset" {
  const DPI_MINIMO = 300

  check "Resolución" {
    doc.images.each { |img|
      assert img.dpi >= DPI_MINIMO,
        "imagen #{img.width}x#{img.height}px en la página #{img.page_number}: #{img.dpi} DPI (mínimo #{DPI_MINIMO})"
    }
  }

  check "Espacio de color" {
    // La impresión offset trabaja en CMYK; el RGB necesita conversión
    doc.images.each { |img|
      assert img.color_space != "DeviceRGB",
        "imagen RGB en la página #{img.page_number} — convertir a CMYK"
    }
  }

  check "Imágenes por página" {
    doc.pages.each { |page|
      // page.images trae solo las imágenes de esa página
      print("la página", page.number, "tiene", page.images.length, "imagen(es)")
    }
  }
}

2.5 region — área de la página

Las regiones delimitan áreas rectangulares para validar partes concretas de la página: pie, cabecera, área del código de barras, franja de un medicamento.

Creación

// region(x, y, anchura, altura [, "nombre"])
// El origen (0,0) es la esquina INFERIOR izquierda, como en el PDF.
cabecera = region(0, 742, 595, 100, "cabecera")
pie = region(0, 0, 595, 60, "pie")
franja = region(20mm, 250mm, 60mm, 15mm, "franja roja")

Propiedades

Métodos

check "Trabajando con regiones" {
  pie = region(0, 0, 595, 60, "pie")

  require pie.name == "pie"
  require pie.top == 60.0
  require pie.right == 595.0
  require pie.area == 35700.0

  // ¿Un punto en el pie?
  require pie.contains_point(300, 30)
  require !pie.contains_point(300, 500)

  // Solapamiento: útil para detectar elementos que invaden áreas
  cabecera = region(0, 780, 595, 62)
  require !pie.intersects(cabecera)

  // expand/inset devuelven regiones NUEVAS (la original no cambia)
  holgura = pie.expand(5mm)     // 5mm mayor por cada lado
  seguro = pie.inset(3mm)       // 3mm menor por cada lado
  require holgura.area > pie.area
  require seguro.area < pie.area
}

Usar regiones en las validaciones

profile "prospecto-farmaceutico" {

  check "Franja roja" {
    // La franja debe estar arriba, con el texto legal
    franja = region(0, 700, 595, 142, "franja")
    contenido = text::extract_from_region(1, franja)
    assert contenido.contains("VENDA SOB PRESCRIÇÃO"),
      "la franja no lleva el texto obligatorio"
  }

  check "Tinta en la zona del plegado" {
    // El exceso de tinta en el plegado da problemas de acabado
    plegado = region(290, 0, 15, 842, "plegado central")
    medida = prepress::calculate_tac_by_region(1, plegado)
    assert medida.first() < 240,
      "demasiada tinta en el plegado: #{medida.first()}%"
  }

  check "Código de barras en su sitio" {
    area_codigo = region(400, 20, 180, 80, "área del código")
    assert codes::validate_barcode_position(area_codigo),
      "código de barras fuera del área reservada"
  }
}

← El lenguaje · Índice · Siguiente: text:: →