LaTeX2e图形处理功能增强:为\includegraphics添加artifact与actualtext键
在LaTeX文档处理系统中,图形插入是最常用的功能之一。近期LaTeX2e项目对\includegraphics命令进行了重要功能扩展,新增了artifact和actualtext两个键值参数,这为文档的可访问性和PDF标签处理提供了更强大的支持。
背景与需求
\includegraphics是LaTeX中用于插入外部图形文件的核心命令,通过graphicx或graphics宏包提供。随着PDF文档可访问性要求的提高,特别是对于视障用户通过屏幕阅读器访问文档内容的需求,图形元素的语义标注变得尤为重要。
此前版本已引入了alt键用于指定图形的替代文本,但现代PDF标准还支持更丰富的语义标注功能,包括将图形标记为装饰性元素(artifact)或提供更详细的替代内容(actualtext)。这些功能在PDF/UA(无障碍)标准中尤为重要。
新增键值详解
artifact键
artifact是一个布尔型参数,当设置为true时,表示当前图形纯粹是装饰性元素,不包含任何语义信息。在PDF生成过程中,这类图形会被标记为"Artifact",屏幕阅读器等辅助技术将忽略这些内容。
\includegraphics[artifact=true]{decoration.png}
actualtext键
actualtext接受字符串值,用于为图形提供更详细的文本描述。与alt文本不同,actualtext会直接写入PDF文件的结构树中,为辅助技术提供更精确的内容描述。
\includegraphics[actualtext=公司2023年销售趋势图]{sales-trend.png}
技术实现考量
这两个键值的设计遵循了LaTeX2e一贯的兼容性原则:
-
向后兼容:在不支持标签处理的常规LaTeX编译中,这两个键值会被静默忽略,不会影响文档的正常排版。
-
渐进增强:当使用支持PDF标签的引擎(如LuaTeX或带有适当后处理的PDFLaTeX)时,这些键值会自动生效,无需修改文档源代码。
-
与现有功能协同:新键值与原有的
alt键互补,alt更适合简短的替代文本,而actualtext则适用于需要更详细描述的场景。
应用场景示例
-
装饰性元素处理:文档中的分隔线、纯装饰性图标可以标记为
artifact,避免屏幕阅读器不必要地朗读这些内容。 -
复杂信息图形:对于包含丰富信息的图表,使用
actualtext提供完整的文字描述,确保所有用户都能获取完整信息。 -
响应式文档生成:同一份LaTeX源代码可以根据编译环境自动适应不同的输出需求,在需要严格可访问性验证的场合自动启用这些标注。
最佳实践建议
-
对于纯装饰性图形,优先使用
artifact=true而非简单地留空alt文本。 -
对于信息性图形,同时提供
alt和actualtext,其中alt作为简短描述,actualtext提供详细说明。 -
在团队协作项目中,即使当前工作流程不涉及可访问性要求,也建议预先添加这些标注,为未来的需求变化做好准备。
总结
LaTeX2e对\includegraphics命令的这次增强,体现了对文档可访问性需求的积极响应。通过artifact和actualtext这两个新参数,LaTeX用户现在可以更精细地控制图形元素在结构化文档中的表现,为创建符合现代标准的无障碍PDF文档提供了有力工具。这一改进不仅服务于特殊需求用户,也为文档的长期可维护性和适应性带来了显著提升。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0105
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00