ctex + lwarp 生成的 html 出现文字顺序颠倒 about forum HOT 8 CLOSED

我又试验了下，

将

os.execute("pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk  -layout "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

去掉-layout选项，改为

os.execute("pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk   "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

可以解决一些错行bug，尚未发现去掉layout选项是否引发其它BUG……
win 10 下面会出现，对我 https://github.com/CTeX-org/forum/issues/18#issuecomment-477279193中 pdf 附件的例子会出现：
有 -layout

<!--
<script
  src="https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS_HTML-full">
</script>
-->

无 -layout：

<!-<script
src="https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS_HTML-full">
</script>
-->

这就有问题了。但用你的例子测试未发现问题。另外用 wsl 里面的 pdftotext 我这边对上面所有例子都没发现问题。
对于这个问题，我用 https://github.com/jrmuizel/pdf-extract 里面的例子改了下 做了个 pdf2text，目前用着未发现问题

from forum.

这个@sd44 比较熟，at一下他。

from forum.

重新测试后发现可以定位到更小的例子
lwarp-test_html：

\documentclass[a4paper,10pt]{ctexart}
\usepackage[
  mathjax]{lwarp}
\begin{document}
\setcounter{footnote}{10} %% 设置大于等于 10 都可以出现问题
可见\footnote{ Igor R. Shafarevich, Basic Notions of Algebra(p.108), Springer, 2005.  有中译本，《代数基本概念》， 李福安译， 高等教育出版社, 2014年。}。
\end{document}

在 lwarpmk.lua 中的 pdftohtml 函数里面

os.execute("pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk  -layout "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

在命令行里面直接运行
pdftotext -enc UTF-8 -nopgbrk -layout lwarp-test_html.pdf
复现问题。
pdftotext 版本：

pdftotext version 0.75.0
Copyright 2005-2019 The Poppler Developers - http://poppler.freedesktop.org
Copyright 1996-2011 Glyph & Cog, LLC

附上有问题的 pdf 和测试例子 ：
lwarp-test_html.pdf
lwarp-test.zip

from forum.

补充一些信息

1. 使用下面的命令，便能将 issue 提供的例子从 main.tex 编译到 main_html.html（注意文件不能存成 lwarp.tex，lwarp 不接受）

xelatex main.tex
lwarpmk print
lwarpmk html

2. 排查后发现，问题出在 pdftotext，而和 lwarp 无关。
   首先，定位到 lwarpmk html 这一步。根据 lwarp 文档 6.3 节的说明，这一步又分为三个子步骤：
   1. main_html.tex -> main_html.pdf，使用 latex
   2. main_html.pdf -> main_html.html，使用 pdftotext
   3. main_html.html -> 多个 html 文件，使用 lwarp 自己的功能

继续排查，发现问题出在 ii.（因为 i. 生成的 main_html.pdf 是没问题的）。在 lwarp 文档 40.12 节，能找到 ii. 使用的命令，也就是 @views63 贴出来的那两行。（目前的进度就只到这里）

3. 目前得到的关于 pdftotext 的信息

• win 下，pdftotext 是作为 xpdf 功能之一，在安装 texlive 时附带的，texlive 2019 pretest 提供的是 pdftotext 0.75.0，即题主使用的版本
• macOS 下，使用 pdftotext 需要安装 poppler (brew info poppler)，目前最新版为 pdftotext 0.74.0。在我本地，使用 0.74.0 无法复现问题。

from forum.

在 wsl 里面的 pdftotext 测试，输出正常。
没有找的关键的触发问题的点。对测试例子：

\documentclass[a4paper,10pt]{ctexart}
\usepackage[
  mathjax]{lwarp}
\begin{document}
\setcounter{footnote}{10}
可见\footnote{ Igor R. Shafarevich, Basic Notions of Algebra(p.108), Springer, 2005.  有中译本，《代数基本概念》，}。
\end{document}

修改 \footnote{ Igor R. Shafarevich, Basic Notions of Algebra(p.108), Springer, 2005. 有中译本，《代数基本概念》 为 \footnote{ Igor R. Shafarevich, Basic Notions of Alhebra(p.108), Springer, 2005. 有中译本，《代数基本概念》（Algebra 中的 g 改为 h）就正常。而对字符调整位置的排列无影响还是出错。
一个临时的解决办法，在 wsl 内安装 poppler-utils，修改 win 下 texlive lwarpmk.lua 中的 pdftohtml 函数：

os.execute("pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk  -layout "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

改为

os.execute("wsl1 pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk  -layout "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

注：不知什么原因，直接调用 wsl 会提示找不到文件，复制一个改名 wsl1 放在 texlive 的 bin 目录调用就正常。

from forum.

这个问题是个历史bug，在各个操作系统上（我用的是Debian Testing）随机出现。比如 @views63 的mwe所生成的html在我这里没有出现问题。

• 首先更正下lwarp的用法。不知是bug还是程序逻辑，lwarp基本上要求maketitle，不然程序会出现一些问题。可以参考我所提供的附件。我用latexmk编译，并将lwarp生成的html文件设定为了index.html。
  mymwe.zip
• 据经验观察本bug是因上标导致上下行串行所致。除footnote外，也包括 biblatex gb7714-2015的cite、pagescite上标。
  @views63 和 @muzimuzhi 的判断应该是正确的，问题出在 main_html.pdf -> main_html.html，使用 pdftotext
  例如我mwe的bug中，xx_html.pdf中，显示效果正常，内容如下：
  <p>根据《富士康工资、工时与生产管理调研》<sup>[1]</sup> 一文,虽然至2015 年为止,富士康工人超时加班现象仍较严重，但大量裁员现象却与之并存。
  index.html中显示效果错行，内容如下：
  [1] 一文，虽然至 2015 年为止，富士康工人超时加班现象仍较严重，但大量裁员现象却与之并存。 根据《富士康工资、工时与生产管理调研》

我只会应用，不懂代码开发，帮不上多少忙……

from forum.

这个问题应该可以关了，问题在 pdftotext。

from forum.

我又试验了下，

将

os.execute("pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk  -layout "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

去掉-layout选项，改为

os.execute("pdftotext  -enc " .. pdftotextenc .. "  -nopgbrk   "
    .. sourcename .. "_html.pdf " .. sourcename .. "_html.html")

可以解决一些错行bug，尚未发现去掉layout选项是否引发其它BUG……

from forum.