scripts/1_render_images_v3.py

from PIL import Image, ImageDraw, ImageFont
import re, os, json
from tqdm import tqdm

def read_jsonl(file_path):
    """
    读取 JSONL 文件并返回解析后的数据列表。
    
    :param file_path: JSONL 文件的路径
    :return: 包含所有 JSON 对象的列表
    """
    data = []
    with open(file_path, 'r', encoding='utf-8') as f:
        for line in f:
            data.append(json.loads(line.strip()))
    return data

def save_jsonl(data, file_path):
    """
    将数据保存为 JSONL 文件。
    
    :param data: 要保存的数据（Python 对象的列表）
    :param file_path: 保存的 JSONL 文件路径
    """
    with open(file_path, 'w', encoding='utf-8') as f:
        for item in data:
            f.write(json.dumps(item, ensure_ascii=False) + '\n')

def split_tokens_for_wrapping(text):
    """
    将文本切分为用于换行的 tokens：
    - 英文单词/数字/标点尽量按空格分块
    - 连续中文或其它无空格脚本按字符切分
    返回 token 列表（保持原始顺序）
    """
    tokens = []
    # 使用正则把英文单词/空格段和非空格段分开
    # 这个策略：先按空格分段，然后对每段若含中文则拆成单字符，否则保留整段
    for part in re.split(r'(\s+)', text):
        if part == "":
            continue
        if part.isspace():
            tokens.append(part)  # 保留空格作为独立 token（便于保持空格）
            continue
        # 如果包含 CJK 文字，则把它拆成单字符（更安全）
        if re.search(r'[\u4e00-\u9fff]', part):
            tokens.extend(list(part))
        else:
            # 非中文段按单词/标点继续拆分（保持单词完整）
            # 但如果单词非常长，也允许按字符拆分（后面处理）
            tokens.append(part)
    return tokens

def wrap_text_pixel(draw, text, font, max_width):
    """
    基于像素宽度把 text 换行，返回行列表。
    draw: ImageDraw.Draw 实例（用于测量）
    """
    tokens = split_tokens_for_wrapping(text)
    lines = []
    cur_line = ""
    for token in tokens:
        # 试拼接 token（注意保留空格）
        candidate = cur_line + token
        # 使用 textbbox 更准确（返回 bbox 四元组）
        bbox = draw.textbbox((0,0), candidate, font=font)
        w = bbox[2] - bbox[0]
        if w <= max_width:
            cur_line = candidate
        else:
            if cur_line:  # 把当前行推入，token 放到下一行
                lines.append(cur_line.rstrip())  # 去掉尾部多余空格
                # 如果 token 自己也超长（单词无空格且宽度>max_width），按字符拆分
                token_bbox = draw.textbbox((0,0), token, font=font)
                token_w = token_bbox[2] - token_bbox[0]
                if token_w > max_width and len(token) > 1:
                    # 按字符贪心拆分
                    sub = ""
                    for ch in token:
                        cand2 = sub + ch
                        if draw.textbbox((0,0), cand2, font=font)[2] - draw.textbbox((0,0), cand2, font=font)[0] <= max_width:
                            sub = cand2
                        else:
                            if sub:
                                lines.append(sub)
                            sub = ch
                    if sub:
                        cur_line = sub
                    else:
                        cur_line = ""
                else:
                    # token 能单独放下一行
                    cur_line = token.lstrip()  # 去掉起始空格
            else:
                # cur_line 为空但 token 仍超过 max_width（非常长的单词/无空格序列）
                # 按字符拆分
                sub = ""
                for ch in token:
                    cand2 = sub + ch
                    if draw.textbbox((0,0), cand2, font=font)[2] - draw.textbbox((0,0), cand2, font=font)[0] <= max_width:
                        sub = cand2
                    else:
                        if sub:
                            lines.append(sub)
                        sub = ch
                if sub:
                    cur_line = sub
                else:
                    cur_line = ""
    if cur_line:
        lines.append(cur_line.rstrip())
    return lines

def text_to_image_precise(text, output_path="output.png",
                          font_path=None, font_size=24,
                          max_width=1600, padding=40,
                          bg_color="white", text_color="black",
                          line_spacing=1.0, min_width=200):
    """
    基于像素测量的文本渲染，避免超出边距。
    """
    # 字体
    if font_path is None:
        font_path = "/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc"
    font = ImageFont.truetype(font_path, font_size)

    # 先创建临时画布用于测量
    tmp_img = Image.new("RGB", (10, 10), color=bg_color)
    draw = ImageDraw.Draw(tmp_img)

    # 对每一段（以换行分隔）分别换行，然后合并成最终行列表
    final_lines = []
    for paragraph in text.split("\n"):
        paragraph = paragraph.rstrip("\n")
        if paragraph == "":
            final_lines.append("")  # 保持空行
            continue
        wrapped = wrap_text_pixel(draw, paragraph, font, max_width)
        final_lines.extend(wrapped)

    # 计算实际内容宽度（取最长行的像素宽度）
    max_line_w = 0
    for line in final_lines:
        bbox = draw.textbbox((0,0), line, font=font)
        w = bbox[2] - bbox[0]
        if w > max_line_w:
            max_line_w = w

    content_width = max(min_width, max_line_w)
    img_width = int(content_width + 2 * padding)

    # 字高与行距
    ascent, descent = font.getmetrics()
    line_height = int((ascent + descent) * line_spacing)

    img_height = line_height * len(final_lines) + 2 * padding

    # 创建最终图片并绘制
    img = Image.new("RGB", (img_width, img_height), color=bg_color)
    draw_final = ImageDraw.Draw(img)

    y = padding
    for line in final_lines:
        draw_final.text((padding, y), line, fill=text_color, font=font)
        y += line_height

    os.makedirs(os.path.dirname(output_path), exist_ok=True)
    img.save(output_path)
    print(f"✅ 图片已保存到: {output_path} (size: {img_width}x{img_height})")
    return img  # 方便调试时返回 PIL.Image 对象




# 示例用法
if __name__ == "__main__":

    mapping = {
        "形近字替换": "similar_char",
        "音近/同音字替换": "phonetic_char",
        "语序颠倒": "word_order",
        "字符增衍": "char_insertion",
        "字符缺失": "char_deletion"
    }
    image_root = "/vol/zhaoy/ds-ocr/data/CCI3-Data/CCI3_5k-10k_sample100_interval500_per10_last_mode/"
    meta_path = "/vol/zhaoy/ds-ocr/data/CCI3-Data/CCI3_5k-10k_sample100_interval500_per10_last_mode/output_processed_last-mode.jsonl"
    data = read_jsonl(meta_path)
    for item in tqdm(data):
        for dim, v in item["rewrite"].items():
            for extent in v["extents"]:
                text = extent["edited"]
                ned = extent["NED"]
                image_path = os.path.join(image_root, "images", mapping[dim], os.path.basename(item["image_path"]).replace(".png", f"_ned-{ned}.png"))
                extent["image_path"] = os.path.join("images", mapping[dim], os.path.basename(item["image_path"]).replace(".png", f"_ned-{ned}.png"))
                text_to_image_precise(text, image_path, font_size=28)

    save_jsonl(data, meta_path)  # 随便覆盖，只是加了个["image_path"]
#     sample_text = """这是一段示例文本。这是一段示例文本。这是一段示例文本。这是一段示例文本。这是一段示例文本。这是一段示例文本。这是一段示例文本。这是一段示例文本。v
# 可以包含多行内容，用于渲染成白底黑字的论文插图风格。
# 支持中文和英文混排 English example line."""
#     text_to_image_precise(sample_text, "/vol/text_image.png", font_size=28)