WeasyPrint v65.0 发布:现代化排版引擎的重大更新
WeasyPrint 是一个强大的开源 HTML/CSS 到 PDF 的转换工具,它能够将网页内容精确地渲染为高质量的 PDF 文档。作为 Python 生态系统中领先的 PDF 生成解决方案,WeasyPrint 因其对 CSS 标准的严格遵循和出色的排版能力而广受开发者青睐。
核心依赖升级
在 v65.0 版本中,WeasyPrint 将 CSSSelect2 的依赖版本提升至 0.8.0。这一变更意味着底层 CSS 选择器引擎获得了性能优化和功能增强,为后续的样式处理提供了更坚实的基础。
主要功能增强
弹性布局间隙属性支持
此次更新最引人注目的特性是对 Flex 布局中 gap 属性的完整支持。gap 属性允许开发者在弹性项目之间创建一致的间距,而无需使用繁琐的边距设置。这一改进使得 Flex 布局的代码更加简洁直观,同时也提升了布局的一致性和可维护性。
字体范围选择优化
WeasyPrint 现在能够正确处理 @font-face 规则中的 unicode-range 描述符。这一特性使得开发者可以为特定 Unicode 字符范围指定专用字体,在处理多语言文档或特殊字符集时尤为有用。例如,可以为中文字符和拉丁字母分别配置不同的字体资源,实现更精细的字体控制。
用户代理样式表现代化
默认的用户代理样式表(UA stylesheet)经过了全面现代化改造。这些内置样式决定了 HTML 元素在没有显式样式定义时的默认表现。新版样式表更符合现代网页标准,减少了常见元素在不同浏览器和 WeasyPrint 之间的渲染差异。
重要问题修复
弹性布局全面优化
开发团队对 Flex 布局进行了深度优化,解决了包括项目对齐、换行处理、尺寸计算在内的多个长期存在的问题。这些改进使得复杂布局的渲染结果更加符合预期,特别是在处理动态内容和响应式设计时表现更为稳定。
双向文本处理改进
针对从右向左(RTL)的文本排版,修复了文本选择和两端对齐的相关问题。现在阿拉伯语、希伯来语等 RTL 语言的文档能够获得更准确的渲染效果,包括正确的光标选择行为和文本对齐方式。
SVG 文本锚点修复
解决了嵌套 SVG 文本元素中锚点定位的复杂情况,使得矢量图形中的文本定位更加精确可靠。这一改进对于包含复杂图表和技术绘图的文档尤为重要。
字体处理增强
优化了 PDF 中字体名称的处理逻辑,确保嵌入的字体元数据更加准确。同时修复了在某些 Pango 版本下 emoji 渲染异常的问题,提升了特殊字符的显示兼容性。
技术实现亮点
此次更新中,Flex 布局的改进尤为值得关注。开发团队不仅修复了多个边缘案例,还对布局算法进行了重构,使其更加健壮和高效。例如:
- 项目尺寸计算现在更准确地考虑了 flex-grow 和 flex-shrink 属性
- 交叉轴对齐处理更加符合 CSS 规范要求
- 换行逻辑优化,特别是对于内容溢出的处理更加智能
在文本处理方面,对非断行空格(NBSP)的合理处理使得文档的自动两端对齐效果更加专业。同时,unicode-range 的支持为国际化文档处理提供了更强大的工具。
社区贡献与支持
WeasyPrint v65.0 的发布得到了来自 NLnet 的资金支持,这使得开发团队能够投入更多资源解决复杂的布局问题。同时,来自全球的开发者贡献了代码和改进建议,体现了开源社区的强大协作力量。
对于需要高质量 PDF 生成的开发者而言,WeasyPrint v65.0 提供了更加稳定和功能丰富的解决方案。无论是简单的文档转换还是复杂的印刷级排版需求,新版本都能提供令人满意的结果。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00