1. 为什么够用的控件在复杂排版面前失灵——自研引擎的真实动机1.1 从一次真实需求说起我最早接触自定义文字排版引擎是因为一个看似简单的需求在一款设计师协作工具里用户希望选中任意一段文字后能像专业排版软件那样控制“字间距微调”“标点悬挂”“两端对齐时的避头尾”并且在同一行里混排中文、英文和数字时基线和行高必须严格对齐。这些能力听起来都是常规操作但等我真正去系统控件里翻了一圈才发现事情没那么简单。系统自带的富文本控件能做的事基本停留在“设置文字大小、颜色、粗体斜体、行距”这个层面。一旦涉及“按字形而不是按字符去量宽度”“对开闭引号做压缩”“让段末的标点悬挂到页边距之外”这类专业排版语义控件要么不支持要么给的API完全绕不开内部实现。那一刻我意识到如果要做真正可控的排版效果底层的文字排版引擎必须自己搭。1.2 先给自研划清边界在开写之前必须先明确一个边界我们说的“文字排版引擎”到底负责什么不负责什么。市面上的矢量字体渲染库比如 FreeType、CoreText、HarfBuzz 这类负责的是“把字形数据变成像素”或者“把字符序列变成字形序列”。而真正意义上的排版引擎核心职责是回答三个问题一行里能放下多少个字、从哪里断行每个字形落在坐标系里的哪个位置段落整体如何对齐、缩进、分布空白。换句话说排版引擎是一个“布局器”。它不直接画像素也不负责载入字体文件它负责把“字符串 字体 宽度约束”这组输入转化成“每个字形的位置坐标”。想明白了这条边界后面的架构设计才不会走偏。我当时给自己定的目标是不碰字体解析不碰栅格化只专注在文本分析和布局计算这一层。2. 一条文本的生命线从Unicode字符串到屏幕像素的完整链路2.1 四个阶段Normalize、Break、Shape、Layout每一段文字从字符串变成最终的图形都要经过一条固定的管道。把我自己实现的流程抽象出来大致是四个阶段归一化Normalize把 Unicode 字符串统一成规范形式保证同一个字符的不同编码表示能被一致处理断行Break根据宽度约束和断行规则决定哪些字符进入同一行整形Shape把字符序列转换成字形序列处理合字、变体、位置重排布局Layout计算每个字形在容器里的精确坐标生成最终排版结果。这四个阶段听起来是顺序执行的但真实实现中并不完全是这样。比如断行依赖“字符宽度”的预测量而字符宽度在没有完成整形之前是不准确的——所以很多引擎的做法是“预整形一遍拿宽度断完行再整形一遍出最终字形”。这也是为什么文本排版引擎的性能瓶颈往往集中在整形阶段。2.2 用一句中英混排样例走一遍流程我用一句“我们正在设计3款Web应用version 2.0。”来演示完整链路。归一化阶段Unicode 里的全角拉丁字母会规整到半角组合用字符被合并成规范序列避免同一个视觉字形出现多种编码路径。断行阶段引擎拿到渲染宽度比如 500 像素。它从前往后扫描发现“version 2.0”是一个不可断的整体数字和点之间默认不允许断行于是行尾会被推进到“version”之前。整形阶段有两点值得注意英文“Web”和“version”会应用 kerning字距调整“W”和“e”不会单纯按两个方框宽度叠加数字“2.0”里的句点在特定字体下会变成更适合数字排列的形态。中文部分虽然没有连字变形但标点“”在全角上下文里会受到压缩规则影响。布局阶段引擎把每个字形按 baseline 对齐放在 x 轴上记录每个字形的宽度、位移、旋转等参数最终交给绘制层。2.3 为什么阶段顺序不能随意调整我在第一版实现里犯过一个错误先把字符串直接切成本地 Unicode 码点然后逐字测宽、断行最后才做整形。结果英文连字全部错乱因为“fi”fi合字这类字符在断行前必须已经合并成单独字形否则“fi”被当成两个字符处理断行点就可能落进一个不可断开的合字内部。后来我改变了策略对每个候选断行点先按“可断性”过滤再针对候选段落做完整整形。换句话说不是每个字符都提前整形而是“断行候选先粗筛、断完再精整形”效率和准确率都能兼顾。3. 字体度量行高、基线与em square所有布局计算的出发点3.1 em square 才是字体的“坐标系原点”字体文件的内部设计是建立在 em square 也就是“设计方框”之上的。历史上一枚铅字块的高度被定义为 em现代字体里整个设计空间通常被归一化到一个 1000 或 2048 单位的方格里。字体中每个字形的大小、位置、线宽全都以这个虚拟方格为坐标参照。举个例子某字体设计方框是 1000 单位字体的 ascent上升部是 800descent下降部是 -200那么字号设置为 100 像素时ascent 换算出来就是 80 像素descent 是 -20 像素。这个换算比例就是缩放因子 字号 / em square 单位数比如字号 24pxem square 为 2048缩放因子就是 0.01171875所有字体度量都要乘以这个因子才是屏幕上的实际值。3.2 行高的计算公式leading 与 half-leading行高大概是排版引擎里最容易理解错的概念。操作系统控件里设置行高表面上是“两行文字基线之间的距离”实际上底层经历了两步字体自带的 hhea 表里有一个 lineGap它表示“建议的行间空隙”引擎把 ascent 和 descent 的绝对值相加再加上 lineGap得到自然行高如果外部指定了目标行高就把差值作为 leading分成两半一半加到 ascent 上一半加到 descent 上。这个逻辑落到公式上naturalLineHeight ascent (-descent) lineGap halfLeading (targetLineHeight - naturalLineHeight) / 2于是每行文字的基线位置不是“上一行基线 行高”而是上一行基线 ascent halfLeading。如果不理解这一步做多行文本的时候行间距就会忽大忽小尤其是在系统控件和自绘引擎之间切换时。3.3 中文字体的度量陷阱中文字体有一个容易踩的坑很多中文字体的 ascent 和 descent 并不是按照西文基线体系设计的而是以“汉字方框”为核心。汉字字面通常撑满 em而西文的小写字母只占 x-height这就导致中西文混排时如果直接用字体自带度量计算行高中文字会显得偏上偏大英文字反而显得飘。解决方式是在引擎里加一层“跨字体对齐”的修正以西文字体做宽度测量主体以中文字体做行高锚点再按两者的 baseline 对齐。这个细节不处理混排效果会非常业余。4. Line Breaking背后的智慧贪心、最优与中文禁则4.1 断行问题本质上是一个“代价最小化”问题断行的目标是在一行宽度受限的前提下选择断点让每行的“不美观程度”总和最小。所谓不美观可能是行尾留白过大、字间距被拉伸得过多、或者断在不合适的地方比如介词单独落在行尾。学术界对这个问题的经典建模是代价 f(当前行剩余空白的平方, 断点违规惩罚)为什么用平方而不是绝对值因为空白稍微多一点读者勉强能接受但空白很大时会非常刺眼平方能放大这种非线性感受。4.2 贪心算法与Knuth-Plass动态规划大多数操作系统控件里的断行算法是贪心式的从左往右填充字符直到放不下下一个单词就换行。它高效但粗糙最大问题是用“剩余空白”永远只由本行决定不考虑下一行的后果。常见的结果是第一行空很多、第二行挤得要命。我参考了 TeX 的 Knuth-Plass 算法做优化版断行维护断行候选点集合用动态规划搜索所有可能的断行组合找到全局代价最小的路径。由于每行的候选断点数量远小于字符数量实际运行时间可控。不过要提醒的是纯动态规划在最坏情况下有平方级复杂度长文档实时渲染时会卡。工程上的做法是加一个“回溯窗口”——只允许引擎往前考虑最多 6 到 8 个断行候选点超过窗口就强制用当前最优解。实测下来窗口 6 的效果和全量搜索几乎一样性能却快了一个数量级。4.3 中文禁则与标点压缩中文断行和英文最大的不同在于中文单词之间没有空格断行候选点天然是任意的“字间缝隙”但这不代表每个缝隙都能断。至少有三条规矩行首不能出现句号、逗号、顿号、感叹号等后置标点避尾行尾不能出现引号、括号、书名号的前半部分避头破折号和省略号不能从中间断开。这些规则在排版引擎里被实现为“禁则优先级表”。每扫描到一个候选断点引擎要查表和前一字符、后一字符的标点类型决定该断点是否合法。理论上避头尾规则可以用一个二维状态机描述但工程上我建议直接查一张 20x20 的矩阵标点分类过细反而徒增维护成本。标点压缩是中文排版另一个特色句末或行末的标点可以“悬挂”在段落的边缘之外让视觉上更整齐而不会强制把前面的字挤到下一行。实现方式是给标点字形单独标记一个“压缩宽度”断行时允许剩余空间用这个压缩宽度部分抵偿。4.4 两端对齐时的空白分布两端对齐Justify的关键不是单纯加字间距而是把剩余空白合理分配到字间距和词间距上。英文习惯优先拉伸词间距其次拉伸字间距中文则优先拉伸字间距因为汉字没有“词间距”概念。分配时还要设置一个“可拉伸倍数”上限比如字间距最多拉成原来的 1.5 倍词间距最多拉成原来的 3 倍。超过上限的空白只能留到行尾否则读者会明显感觉到字与字之间出现“大河”。5. Shaping阶段当字符不再是一对一映射5.1 字形不是字符的简单翻译很多非专业读者以为“一个字符对应一个字形”这个假设在中文和英文的大部分场景里成立但一旦遇到复杂文字就完全失效。Shaping 阶段的核心任务就是处理“字符到字形”之间的多对多映射。典型情况有三类合字两个或更多字符被替代为一个字形比如英文的 fi、fl 连字变体同一个字符在不同上下文中有不同形态比如阿拉伯文字母在词首、词中、词尾的写法完全不同重排字符的书写顺序和存储顺序不一致比如希伯来文、阿拉伯文的 visually 排列是从右向左但存储仍是逻辑序。5.2 OpenType feature 到底在做什么OpenType 字体靠一系列 feature 表实现 shaping 规则。引擎在整形时要调用字形替换GSUB和字形定位GPOS两类操作。GSUB 负责“把哪个字符换成哪个字形”GPOS 负责“前后两个字形之间要偏移多少”。举个实际例子字符序列: f i GSUB: 查找字体是否包含f_i合字 如果包含: 替换为单个合字形字形 GPOS: 对合字形应用 kern 修正这个查表替换过程不是免费的所以纹理文字排版引擎都会做 shaping 缓存的不可变键字体ID 字体大小 字符序列 语言标签结果缓存下来后同一段文字重复渲染时可以直接跳过整形。5.3 为什么复杂文字必须做插件化如果把 shaping 逻辑全部塞进引擎主流程下次想支持一个新语系时改动面会非常恐怖。我的做法是把 shaping 层抽象成接口每个语系族拉丁、汉字、阿拉伯、印度语系等对应一个独立 shaper 模块。引擎主流程只约定输入是“字符序列 字体 语言标签”输出是“字形序列 每个字形的位移”中间怎么查 feature 表、怎么重排都交给 shaper 自己决定。这样做的直接好处是中英文排版的稳定不会影响复杂文字模块的开发反过来也一样。5.4 Shaping 对测量宽度的影响有一个我花了很多天才彻底想明白的问题shaping 之前的“估计宽度”和 shaping 之后的“真实宽度”经常不一样。原因是 kerning 和合字会吃掉一部分空间。比如“AV”这个组合字形 WITHOUTv 会向左逼近 A两个字符的宽度几乎等于一个字形的宽度。如果断行阶段用的是字符串逐字宽度估算行位就会偏大于是排版引擎必须在断行后、布局前恢复一次真实宽度。这也是很多引擎采用“两次整形”策略的根本原因——一次为了测宽一次为了输出最终字形位置。6. 引擎的分层架构与我在生产环境踩过的坑6.1 三层架构文本模型、布局计算、绘制适配自研引擎最终跑起来之后我把代码整理成清晰的三层文本模型层管理段落、富文本属性、样式解析输出纯文本的“逻辑行”布局计算层负责断行、整形、坐标计算生成每个字形的位置和绘制参数绘制适配层对接不同平台的输出比如 Canvas、CoreGraphics、Skia或虚拟打印。分层带来的直接收益是单元测试好写多了。布局计算层完全脱离平台 API喂进去字符串和宽度断言输出坐标跑一遍快照测试就行。6.2 缓存的三个级别性能优化做过三轮核心是三个级别的缓存第一级别是字形缓存。按字体、字号、字形ID缓存栅格化结果适合静态文本区域。第二级别是 shaping 缓存。按“字体 字号 文本片段”缓存字形序列。这个缓存对滚动类界面效果最明显因为同一个文本片段会反复出现在视区内。第三级别是行布局缓存。按“段落ID 首尾字符位置 行宽”缓存整行布局结果。文本编辑时只有被修改的行会失效后面的行可以整块复用。6.3 踩坑一中西文混排基线对不齐最早做混排时中英文在同一行总是上下错位。排查后发现问题出在“对齐方式”上。中文字体的 baseline 其实更接近于西文的“alphabetic baseline”但中文字形的视觉重心略高。我在布局层做了一次修正把中文字形整体往下偏移一点通常 0.05 到 0.08 em具体视字体而定让它在视觉上跟西文小写字母的重心对齐。这个偏移量必须做成字体级配置项不能全局写死因为不同中文字体的视觉重心差异不小。6.4 踩坑二字体回退导致测量与绘制结果不一致文字里只要出现一个字体里没有的字符引擎就会进入回退流程从备用字体里找一个能显示该字符的字体。问题在于回退字符的度量宽度、基线高度和主字体不一致。如果测量时用主字体估宽、绘制时却用回退字体渲染就会出现文字挤出边界、和背景高亮不同步之类的问题。我的解法是测量和绘制共用同一个“字形解析器”回退决策也要做缓存并且把“已回退字符区间”记录下来布局阶段单独给这些区间分配坐标修正。说白了一句话测量时用什么规则绘制时就用什么规则千万不要两边各写一套。6.5 踩坑三三端坐标系的差异同一套引擎同时跑在 Web、iOS 和 Android 上最容易翻车的是坐标系方向。Web 和 Android 的 y 轴向下为正iOS 的 CoreGraphics 默认 y 轴向上为正虽然 UIKit 层把它翻转了。字形绘制时平台绘制的原点通常是在 baseline 而不是行框顶部。我在适配层做了一件事统一换算成“以 paragraph 左上角为原点y 向下为正”的内部坐标系到平台层再翻转。之后字体位置、选中框、点击热区三者的坐标完全对齐了。6.6 一个值得长期投入的验证方案最后分享一个我觉得比任何优化都值得做的事建立 golden image 测试。把典型文本样本中文长篇、英文混合、代码片段、长数字串、阿拉伯文扩展渲染成位图和人工校对过的基准图做像素级对比。每次改动跑一遍能抓到大量“看起来差不多对了但实际差 1px”的隐性回归。我到现在依然认为对一个排版引擎来说稳定性和一致性比功能数量更重要——毕竟用户可不会去读你的算法论文他们只会盯着“这行怎么又错位了”的画面。
