ekp/DEVELOPER_ZH.md

Emacs-KP 开发者文档

本文档描述 emacs-kp 的实际内部架构、算法与 API,面向贡献者和高级用户。

1. 处理管线

一次排版调用经过五个阶段:

 字符串
   │
   ▼
 ① 分词          ekp-split-to-boxes           (ekp-utils.el)
   │             拉丁词 / CJK 单字 / 空格串 → 盒子(box);
   │             CJK 标点按避头尾规则附着
   ▼
 ② 断词          ekp--split-with-hyphen        (ekp.el + ekp-hyphen.el)
   │             拉丁词盒子 → 音节盒子(Liang 模式)
   ▼
 ③ 测量与索引    ekp--make-para                (ekp.el)
   │             像素宽度、glue 类型、前缀和数组
   │             → 缓存为 `ekp-para` 结构
   ▼
 ④ 断行(DP)    ekp--dp-run-1d / C 模块       (ekp.el / ekp_c/)
   │             Knuth-Plass 动态规划 → 断点序列
   ▼
 ⑤ 渲染          ekp-line-glues, ekp--pixel-justify
                 分配 glue 像素、剥离行首尾空格盒、附加连字符
                 → 以 "\n" 连接的行

ekp-pixel-justify 按 "\n" 拆分输入,每个非空段独立走这条管线 (C 模块可用时通过 batch API 并行处理)。

2. 数据结构

ekp-para(段落缓存条目)

DP 和渲染需要的一切,每段只算一次:

字段	内容
string, latin-font, cjk-font	原文与检测到的字体
boxes	盒子字符串向量
boxes-widths	每个盒子的像素宽(带去重测量)
boxes-types	每盒 (首类型 . 尾类型):latin/cjk/cjk-punct/space
glues-types	每个盒子之前的 glue 类别:lws/mws/cws/nws
hyphen-pixel, hyphen-positions	连字符宽度;可断词盒索引的有序向量
ideal/min/max-prefixs	盒+glue 宽度在理想/最收/最伸状态下的前缀和(n+1 个元素)
glue-ideals/shrinks/stretches	按盒索引的前导 glue 值(n 个)——原样传给 C
lws/mws/cws-prefixs	各可伸缩 glue 类别的前缀计数 → 每候选行 O(1) 数间隙
lead-spaces	lead-spaces[i] = 从盒 i 开始的连续空格盒总宽;下标 0 强制为 0(首行缩进保留)
trail-spaces	trail-spaces[k] = 到盒 k−1 结束的连续空格盒总宽
glue-params	创建时九个间距值的 plist 快照
dp-cache	哈希:行宽 → dp-result plist

段落缓存(ekp--para-cache)以 equal 比较结构化 key——字符串内容、 文本属性区间的打印形式、检测字体、断词语言(ekp-latin-lang)、九个 显式间距值(或符号 auto)。结构化 key 使哈希碰撞无害(旧的 sxhash 整数方案理论上可能串段)。超过 ekp-para-cache-limit 时整体清空。 单条快路径(ekp--last-para,按字符串 eq + 语言校验)覆盖同一次 排版内的大量同字符串查询。

dp-result

(:rests R :gaps G :breaks B :cost C :line-count N)。breaks 为每行 的排他终点索引;rests[i] = 行宽 − 行理想宽(glue 需要吸收的像素); gaps[i] = (lws数 mws数 cws数) 用于 glue 分配(单盒行和末行为 nil)。

3. 行度量

候选行覆盖盒子 [i, k) 时:

raw     = prefix[k] − prefix[i] − 前导glue(i)
space-w = min(raw, lead-spaces[i] + trail-spaces[k])
width   = raw − space-w  (若盒 k−1 处断词,再加连字符宽)

理想/最小/最大三个值均 O(1) 得出。行边缘的空格盒串被排除,因为渲染层 会剥离它们;DP 与渲染层因此严格一致,每一行的渲染宽度精确等于目标宽 (测试 ekp-test-justify-line-width-invariant)。

4. Knuth-Plass 动态规划

ekp--dp-run-1d 从左到右松弛位置。对每个可达起点 i 扫描终点 k, 直到行的最小宽度超过目标。断点合法条件:min ≤ 目标 ≤ max,或末行 ideal ≤ 目标。

Demerits(每行,与 ekp_c/ekp_kp.c 完全一致):

demerits = (line-penalty + badness)²
         + penalty²                       ; 断词处为 hyphen-penalty
         + adjacent-fitness-penalty       ; 当 |fitness − 前行fitness| > 1
         + consecutive-hyphen-penalty × 连续次数²
badness  = min(10000, 100·|adjustment/flexibility|³)

松紧等级(tight/decent/loose/very-loose)沿用 TeX 的比例阈值。特殊情 况:单盒行 flexibility 固定为 1、fitness 为 decent;末行代价为 (line-penalty + 短行badness)²,填充率低于 ekp-last-line-min-ratio 时 短行badness = last-line-short-penalty × (1 − 填充率)。

与 1981 论文的差异(有意为之):penalty 一律以 +p² 计入(无负 penalty/flagged 断点),主流程无 q/looseness(见 §6),相邻松紧惩 罚为平坦常数。

两遍紧急策略

某些输入不存在合法排版:比行宽更宽的不可断盒子,或无法伸展到目标宽 的刚性(全 nws)区段。先跑严格遍;若段尾不可达,第二遍额外允许 紧急断行——demerits 为 (line-penalty + 10000)² + rest² 的单盒行, 不低于任何常规行的代价。由位置归纳可证:任何输入必有输出(回归:窄 栏 CJK 曾整段返回空串),常规输入不付任何代价、保持纯 K-P 最优。两个 引擎实现完全相同的策略。

5. 渲染

ekp-line-glues 把每行的 rest 转成各 glue 的像素值:

• rest > 0 → 拉伸,按 拉丁 → 中西 → CJK 优先级分配;CJK 间隙可吸收超 出名义容量的剩余(紧急摊布)。
• rest < 0 → 收缩,同样的优先级,不低于各类收缩下限;glue 宽度钳制 ≥ 0。
• 末行右侧不齐(理想 glue + 尾部填充);单盒行的尾部填充钳制 ≥ 0。

ekp--pixel-justify 随后剥离行首空格盒(首行除外——缩进)与行尾空格 盒,在断词处附加连字符(继承所断单词的文本属性)。剥离的宽度不再 重新分配:DP 已经排除了它们(§3)。

Glue 渲染为 (space :width (N)) display 属性,GUI 下像素级精确, batch/tty 下按字符列精确。

渲染输出是无损的:先用 ekp--box-offsets 在原串中定位每个盒子, 然后每一处合成/隐藏内容都记录它所对应的原文——

属性	位置	值 / 含义
ekp-glue	合成的 glue 空格	它所替换的原文
ekp-soft-break	插入的 \n	断点处被吞掉的空白
ekp-soft-hyphen	插入的连字符	仅作标记
ekp-hidden	段落边缘文本	原样保留,display "" 隐藏

零宽 glue 若对应非空原文,直接渲染为隐藏的原文本身,因此任何字符都 不会丢失。ekp-region.el 对这四类标记做纯结构逆变换 (ekp-unjustify-region)——即使排版后又被编辑过也能精确还原——并在 其上实现 ekp-justify-region / ekp-auto-justify-mode。

5.1 断行许可、对齐、悬挂、段形

• 断行许可:每个 CJK 字符(含标点)独立成盒; ekp-para-breaks-allowed 按禁则(全角与半角)、ekp-no-break 区间及 NBSP 族连接符禁止相应间隙,被禁间隙不携带 glue。DP 跳过 被禁候选但继续延伸行;紧急兜底把"内部无许可断点的连跑段"视为 原子。C 侧接收稀疏 forbidden-positions 向量。
• 对齐(ekp-alignment):非两端对齐把 glue 伸缩数组与类参数 置零,DP 给 max_w 加每行额外伸展 R(ekp-c-set-penalties 第 7 参),badness = 100·(欠宽/R)³;渲染层按模式分派剩余(尾部/对半/ 头部)。
• 悬挂(ekp-protrusion):逐间隙 tail-protrudes[k](穿透尾 随空格盒取最后内容盒)加 hyphen-protrude 标量,在 DP、 ekp-line-glues、C 结果重建三处同步放宽每个候选的有效目标宽 (lw = width + release)——三处必须保持一致。
• 每行宽度(ekp-parshape / ekp-first-line-indent):由 ekp--line-spec(行号 → 缩进 . 宽度)解析;需要(位置×行数)DP, 与 looseness 一样旁路 C。缩进渲染为行首 ekp-glue 垫片。

C 模块 1.4:ekp-c-break-with-arrays 14 参(…、 forbidden-positions、tail-protrudes、hyphen-protrude);batch 向量 14 元;ekp-c-set-penalties 4–7 参。

特性完成后的性能(字节编译 + C,Apple Silicon,batch):justify zh w=200 ≈ 54 ms、range zh ≈ 117 ms——justify 与特性前持平,range 因盒 数增加约 +55%。热路径缓存:ekp--str-type 按字符记忆化、glue 字符 串驻留、(段落, 宽度) 渲染结果缓存进 dp-cache(上限 64 个宽度)。连 续变宽实测(60 段 2.6 万字文章,含 region 层全链路):每次变宽约 73 ms,重访宽度更快;编辑后单段增量重排约 17 ms。

6. Looseness

ekp-looseness ≠ 0 时切换到 ekp--dp-run-loose:完整的 (位置 × 行数)DP,为每个行数保留最优路径,最终选取与 (最优行数 + looseness)最接近的行数,平局取 demerits 更小者。该路径 比 1D 重,仅有 Elisp 实现;looseness 激活期间 ekp--c-available-p 返回 nil,两引擎永不分歧。

7. C 模块集成

C 模块(ekp_c/,版本 1.1)只执行阶段 ④。所有字体相关数据以 Elisp 为唯一事实来源。

• ekp-c-break-with-arrays(11 参数):para 的前缀数组、glue 数组、 断词数据、行宽和两个空格串数组。返回 (breaks . cost)。
• ekp-c-break-batch:11 元素向量的向量,由 pthread 线程池并行处理 ——每段一个任务(这是正确的并行粒度;DP 本身天然串行)。
• ekp-c-set-penalties(4–6 参数):ekp--c-sync-params 在每次 进入 C 之前调用,保证 ekp-line-penalty 等变量始终生效(回归:此 前从未同步)。
• ekp-c-module-load 拒绝低于 ekp-c-module-required-version 的模块 并回落到 Elisp,避免升级后的参数数量不匹配。

C 端任何失败(返回 NULL)都会静默回落到 Elisp 引擎。两引擎输出逐字 节一致,由 ekp-test-c-parity-simple / ekp-test-c-parity-files 验证。

ekp-c-break-lines(经 ekp_paragraph.c、ekp_hyphen.c 的 C 端自行 分词路径)是实验性的独立路径,ekp.el 不使用;见 ekp_c/README.md。

8. 断词(ekp-hyphen.el)

Liang 模式算法,兼容 Pyphen:

• dictionaries/hyph_*.dic 首次使用时编译为模式哈希并按路径缓存。 文件可为 UTF-8 或 ISO-8859(Emacs 自动检测;由 ekp-test-hyphen-de-iso8859-dict 验证)。
• ekp-hyphen-create LANG 先精确匹配,再逐级缩短("de_CH" → "de")。
• 断点两侧默认至少保留 2 个字符。

词盒按 ^[左标点]* (拉丁词) [右标点]*$ 匹配,因此被标点包裹的词 ((word)、word!、»word«)仍可断词;标点粘在首/末音节盒上。

9. 测试与基准

tests/run-tests.sh [emacs]        # 36 个 ERT 测试,batch 可跑
emacs -Q --batch -L . --eval '(setq ekp-use-c-module nil)' -l tests/ekp-bench.el
emacs -Q --batch -L . --eval '(progn (require (quote ekp)) (ekp-c-module-load))' \
      -l tests/ekp-bench.el

核心被测不变式:渲染行宽 == 目标宽(像素级对齐)、任意宽度下不丢内 容、O(1) 前缀机制与暴力算法交叉验证、内置文本上的 Elisp/C 一致性、 参数持久化/同步回归。

基准结果(batch Emacs 30.2、Apple Silicon、tests/text-zh.txt ≈ 3.6KB 中文及各示例;3 次冷缓存取最小值)——"改造前"为重写前的实现 (解释执行):

场景	改造前 (Elisp)	改造后 (Elisp 解释)	改造后 (Elisp 编译)	改造后 (C)
justify 中文 w=200	7547 ms	1780 ms	96 ms	57 ms
justify 中文 w=400	2928 ms	815 ms	71 ms	57 ms
justify 混排 w=300	5540 ms	1275 ms	53 ms	23 ms
range 中文 340–380	29696 ms	8937 ms	294 ms	75 ms
range 混排 280–320	68534 ms	14552 ms	480 ms	34 ms
仅 DP,中文 w=400	2382 ms	591 ms	15 ms	1.3 ms

("改造后 (C)" 列在字节编译的 Elisp 环境下测得。作为参照,重写前的 C 模块在 justify-中文-200 / range-中文 / 仅-DP 上分别为 197 ms / 430 ms / 25 ms——重写通过 para 级预建 glue 数组、para 缓存的 `eq' 快路径和 O(1) 重建 rest/gap,把 C 路径也提速了 3–19 倍。)

主要收益来源:前缀数组带来的 O(1) 行度量(旧内层每候选分配 O(n) 子 序列,总计 O(n³))、两遍紧急策略(保持 DP 稀疏)、盒宽测量去重。

10. 文件地图

ekp.el            核心:para 结构、缓存、DP(1D + looseness)、
                  glue 分配、渲染、公共 API
ekp-utils.el      分词器(盒子、避头尾)、带 batch/tty 回退的字体
                  检测、C 模块加载
ekp-hyphen.el     Liang 断词 + 词典注册
ekp_c/            C 动态模块(见 ekp_c/README.md)
dictionaries/     Hunspell 断词模式(来自 Pyphen)
tests/            ekp-tests.el(ERT)、ekp-bench.el、ekp-demo.el、
                  示例文本、run-tests.sh