使用CoreText排版,取得文字区域精确大小

在iOS中,要計算文字區域的大小,說實在的是有一點麻煩,因為還沒繪製文字之前,是很難得到文字的區域大小的,所以我們通常的做法是:
1.先開一個極大的區域,固定寬度,然後文字往下排。
2.設定文字大小及行距。
3.取得行數。
4.取得文字區域高度=行數X(文字大小+行距)-行距。 //註:最後一行沒有行距
5.開一個繪圖(context)大小(文字區域寬高)。
6.開始繪圖。
7.取得繪圖內容(UIImage)。

請參考以下範例

// Implement loadView to create a view hierarchy programmatically, without using a nib.
- (void)loadView
{
    UIView *view=[[UIView alloc] initWithFrame:CGRectMake(0, 20, 768, 1004)];
    self.view=view;
    [self drawTexttoImage];
}
 
-(void)drawTexttoImage{
    CGRect colRect=CGRectMake(0, 0, 354, 32767); 
    CGMutablePathRef path = CGPathCreateMutable();
    CGPathAddRect(path, NULL, colRect);
 
    NSMutableAttributedString *string = [[NSMutableAttributedString alloc] initWithString:@"可以放多一點文字試試看"];
 
    //設定字型及大小
    CTFontRef fontRef = CTFontCreateWithName((CFStringRef)@"STHeitiTC-Medium",24.0f, NULL);
    [string addAttribute:(NSString *)kCTFontAttributeName value:(__bridge id)fontRef range:NSMakeRange(0, [string length])];
 
    //設定對齊方式
    CTTextAlignment alignment = kCTJustifiedTextAlignment;
 
    CTParagraphStyleSetting alignmentStyle;
    alignmentStyle.spec=kCTParagraphStyleSpecifierAlignment;
    alignmentStyle.valueSize=sizeof(alignment);
    alignmentStyle.value=&alignment;
 
    //設定行距
    CGFloat lineSpace=12.0f;
    CTParagraphStyleSetting lineSpaceStyle;
    lineSpaceStyle.spec=kCTParagraphStyleSpecifierLineSpacing;
    lineSpaceStyle.valueSize=sizeof(24.0f);
    lineSpaceStyle.value=&lineSpace;
 
    CTParagraphStyleSetting settings[]={
        alignmentStyle,lineSpaceStyle
    };
 
    CTParagraphStyleRef paragraphStyle = CTParagraphStyleCreate(settings, sizeof(settings));
 
    //設定段落樣式
    [string addAttribute:(id)kCTParagraphStyleAttributeName value:(__bridge id)paragraphStyle range:NSMakeRange(0, [string length])];
 
    CTFramesetterRef framesetter = CTFramesetterCreateWithAttributedString((__bridge CFAttributedStringRef)string);
    CTFrameRef frame = CTFramesetterCreateFrame(framesetter, CFRangeMake(0, [string length]), path, NULL);
 
    NSArray *lines = (__bridge NSArray *)CTFrameGetLines(frame);
 
    int area_h=[lines count]*(24+12)-12; //計算本文高度
 
 
    CGRect imageSize=CGRectMake(0, 0, 354, area_h);//設定繪圖區域
 
    UIGraphicsBeginImageContext(imageSize.size); 
    CGContextRef context=UIGraphicsGetCurrentContext();
 
    CGContextSetTextMatrix(context, CGAffineTransformIdentity);
    CGContextTranslateCTM(context, 0, colRect.size.height);
    CGContextScaleCTM(context, 1.0, -1.0);
 
    CTFrameDraw(frame, context);    
    CFRelease(path);
    CFRelease(framesetter);
    CFRelease(fontRef);
 
    //取出圖像及圖像尺寸
    [self setImage:UIGraphicsGetImageFromCurrentImageContext() size:imageSize.size];
 
}
-(void)setImage:(UIImage *)img size:(CGSize)size{
    UIImageView *imageView=[[UIImageView alloc] initWithFrame:CGRectMake(0, 0, size.width,size.height)];
    [imageView setImage:img];
    [self.view addSubview:imageView];
 
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值