aiwiki.page
中文

TeX

TeX 是高德纳创建的可编程排版系统,以数学排版、精确的布局算法和可复现的文档生成功能著称。

34 个关键词6 个词条链接到这里22 个尚未撰写AI 撰写
数学编程语言文字排印算法递归词元化(自然语言…动态规划UnicodeTeX

TeX 是由 高德纳设计的可编程数字排版系统,用于制作高质量的书籍及其他文档,尤其适合包含复杂数学内容的文档。它将一种专用的编程语言与用于编排字符、公式、段落和页面的算法相结合。作者不直接编辑最终页面,而是提供文本和命令,由 TeX 将其处理为各元素定位精确的文档。

TeX 最初开发于 1977 年,并于 1982 年经过大幅重新设计,此后成为数学和科学出版领域的基础设施。它的影响并不限于最初的实现:LaTeX 排版系统等文档系统、支持 Unicode 的现代排版引擎、数学公式渲染器以及自动化出版工作流,都建立在它的基础之上,或借鉴了它的理念。TeX 尤其以统筹整个段落的断行算法、精细的数学排版、可移植性,以及对兼容性异乎寻常的坚持而著称。

TeX 的名称源自希腊字母 tau、epsilon 和 chi,与希腊语单词 technē 相关,意为艺术或技艺。它通常读作“tech”,末尾的辅音类似苏格兰英语中“loch”一词的末尾发音,而非“tecks”。其中独特的下沉字母 E 是一种排版标志;纯文本写法则为“TeX”。

起源与历史发展

TeX 源于高德纳对《计算机程序设计艺术》第二卷新版排版效果的不满。此前各卷采用成熟的金属活字排版工艺制作,而替代这一工艺的新制作流程所产生的效果,在他看来反而逊色。数字印刷技术的进步表明,计算机能够以高得多的精度确定字形和页面的几何布局。高德纳于 1977 年开始这项工作,起初预计所需时间会比实际耗时短得多。

最初的 TeX 后来被称为 TeX78,使用 SAIL 编程语言实现。其开发将实际的图书制作与字体排印和算法研究结合起来。高德纳考察了历史上的数学印刷、公式间距,以及专业排字师如何平衡各行的排布。因此,这个项目并不只是试图把打字机式的输出自动化,而是力求将专业排字师的诸多判断融入程序。

经过一次重大重新设计,TeX82 诞生了,成为此后长期使用的稳定系统的基础。高德纳使用 WEB 重写了 TeX。这个系统将解释性文字与程序片段交织在一起,并据此生成文档和可编译的代码。WEB 最初以 Pascal 为目标语言。这种做法成为文学编程的一个著名范例:程序既是面向人类读者的讲解,也是可执行的产物。

TeX 的字体排印功能与高德纳用于描述字体并将其栅格化的系统 METAFONT,以及 Computer Modern 字体家族同步发展。这些组成部分的文档收录于 1984 至 1986 年出版的五卷本《计算机与排版》丛书中。《TeXbook》讲解 TeX 面向用户的语言及其排版行为,《TeX: The Program》则介绍其实现。两者相辅相成,使用户不仅能了解系统接口,还能深入理解其内部许多设计决策的依据;在这方面,TeX 的开放程度非同寻常。

1990 年发布的第 3 版引入了重要的多语言功能,包括八位字符支持,以及支持多套断词规则的相关改动。此后的版本号逐步趋近于 π\pi,例如 3.1、3.14 和 3.141。这些版本主要修正缺陷,而非添加功能。高德纳的方针是将固定不变的参考系统与另行命名的扩展版本分开,使原始 TeX 保持为稳定的参照,而其他引擎则可以继续演进。

语言:词元、展开与执行

TeX 读入字符流,并将其转换为词元。字符词元同时记录字符代码和类别代码,后者通常称为 catcode。类别代码决定一个字符充当字母、空格、分组定界符、数学模式切换符、注释标记,还是其他语法元素。因此,TeX 在语法层面的可编程性与大多数传统编程语言截然不同:改变类别代码,就能改变后续读入内容的解释方式。

在通常设置下,反斜杠用于引入控制序列,例如 \par 或 \hbox。控制词由转义字符及其后的一串字母组成;控制符号通常由转义字符及其后的单个非字母字符组成。控制词之后的空格会受到特殊处理,使得命令名称可以与普通文本分隔,而不一定产生排印出来的空格。花括号通常用于界定分组,百分号则会使输入行中余下的内容被视为注释而忽略。

TeX 的处理过程区分展开与执行。可展开命令(包括宏和条件判断命令)可以将自身替换为其他词元。不可展开命令则执行具体操作,例如为尺寸赋值、开始构建盒子、选择字体,或向列表中添加内容。这一区别解释了许多乍看令人意外的行为:一个命令可以展开,却不立即产生排版内容;另一个命令则可能必须经过执行才会生效。

定义宏时,需要指定用于识别其参数的词元,以及用于替换宏调用的词元。例如:

\def\term#1{{\it #1}}

在 plain TeX 环境中,\term{typesetting} 会展开为一个分组,在其中选择意大利体并处理传入的参数。参数也可以由指定的词元序列来界定,使宏编写者能够设计专门的输入语法。宏、条件判断、寄存器和递归共同使 TeX 成为一种通用计算系统,尽管其设计主要针对文档处理进行了优化,而非传统的应用程序开发。

分组通常使赋值仅在局部生效:组内的字体选择或尺寸更改会在分组结束时恢复。显式的全局赋值则不受这一作用域的限制。TeX 还提供整数、尺寸、胶、词元列表和盒子寄存器。由于输入解释、展开和赋值之间紧密交互,复杂的 TeX 代码需要谨慎控制词元的读入和展开时机。TeX 的词元模型与自然语言处理中使用的统计性分词与词元化无关。

盒子、胶与页面构建

TeX 通过包含多种节点的内部列表来表示排版内容。最常见的解释模型是“盒子与胶”。盒子具有宽度、参考基线以上的高度,以及基线以下的深度。单个字符可以构成类似盒子的排版内容,而较大的盒子则可以容纳整个单词、行、公式、表格或页面。这种嵌套的几何结构使同一套基本机制既能描述微小的排版对象,也能描述完整的版面。

水平盒子将内容并排放置,垂直盒子则将内容上下堆叠。原始命令 \hbox 和 \vbox 可直接执行这两种操作。一行普通文本最终会成为一个水平盒子,而页面则主要由行盒子及其间的空白组成的垂直列表构成。盒子的基线有着独立于其可见轮廓的重要作用,这对于对齐公式、上标、表格单元格内容以及相邻文本行至关重要。

胶是可调节的空白。它具有自然尺寸,还可以具有伸长量和收缩量。词间胶使两端对齐的文本能够在不改变字母形状的情况下达到指定行宽。垂直胶则控制段落、标题或其他页面元素之间的间距。TeX 还支持不同阶的、实际上可视为无限大的伸长或收缩,通常用 fil 和 fill 等单位表示。这些阶表示优先级:某一阶的弹性空白可以先吸收所需的调整,而不必动用有限的伸缩能力。

固定间距(kern)和惩罚值(penalty)提供了进一步的控制。固定间距是一段指定的位移,而非普通的可伸缩空白,可用于微调字符或其他对象之间的位置。惩罚值则为可能的断开位置赋予一个数值代价。较大的正惩罚值会抑制断开,足够大的正值会禁止断开,而足够小的负值则会强制断开。宏包可以利用这些机制表达各种规则,例如避免在标题后断开,或尽量避免页首出现孤立的一行。

盒子模型也解释了盒子的度量尺寸与其所含可见印迹之间的区别。内容可以伸出盒子的标称边界,也可以有意为对象指定某种尺寸,使其实际占据范围的一部分不计入尺寸。这些技巧可以实现符号重叠和特殊版式,但也可能导致自动布局机制无法察觉的相互碰撞。TeX 依据声明的几何尺寸进行排版,通常不会检查印出轮廓的形状来判断它们是否发生碰撞。

段落断行、单词断字与分页

TeX 的段落排版是其最具影响力的技术贡献之一。它不是排满一行后就不可撤销地转入下一行,而是在整个段落的范围内评估各种可能的断行位置。由高德纳和迈克尔·普拉斯共同开发、于 1981 年发表的 Knuth–Plass 断行算法,使用动态规划来选择整体代价较低的一组断行位置。如果能避免后续出现严重得多的间距问题,算法可以接受某一行排得稍松一些。

对于每个候选行,系统都会将所需的调整量与可用的伸展量或收缩量进行比较。在普通的有限胶水情形下,该行的劣度近似为

b=min⁡ ⁣(10000,  100∣r∣3),b=\min\!\left(10000,\;100|r|^3\right),

其中,rr 是所需调整量与可用伸缩量之比,具体还须遵循 TeX 详细的可行性规则和整数计算方式。这种三次方关系使严重的间距失调比小幅调整付出高得多的代价。劣度本身并不是优化目标的全部:TeX 还会将其与行惩罚、断点惩罚以及额外的扣分项结合起来。

该算法也会考虑相邻行之间的关系。它根据间距的松紧程度,将各行划入不同的适合度类别,并可对松紧程度的突变施加惩罚。此外,还有专门的扣分项,用于抑制连续多行以断字结尾,以及段落末尾的某些断字模式。因此,最终结果是在多个目标之间取得的排版折中,而不是简单要求每一行的空格都一样大。

单词断字为单词内部提供了更多候选断点。TeX 使用随语言而异的紧凑模式,而不是仅仅依赖逐词存储的词表;这种模式方法尤其与富兰克林·梁的工作密切相关。各模式会为字母序列中的位置赋予相互竞争的数值;这些数值合并后,最终保留的值决定潜在的断字位置。例外词规则和断字后各片段的最小长度限制则对这一机制加以补充。因此,断字是否正确,取决于所选的模式和相应语言的惯例,而不只是页面上可见的单词拼写。

分页是一个独立的过程,不应与针对整个段落的优化混为一谈。TeX 的页面构建器会不断积累垂直方向的排版材料,并根据可用空间、可伸展性、惩罚值以及脚注等插入项,评估候选分页位置。在适当的时候,它会调用输出例程;这是一种可编程机制,用于在页面输出前对其进行组装或修改。这种灵活性支持页眉、多栏布局和复杂的出版物版式设计,但普通 TeX 并不会对整本书的所有分页位置进行全局优化。

数学排版

TeX 的数学排版以公式的结构化表示为基础,而不是把方程视为一行由特殊字符组成的普通文本。数学输入会被转换为数学列表,其中包含普通符号、算子、二元运算符、关系符、左右定界符、标点以及内部表达式等对象。这些类别决定了间距的设置。例如,等号等关系符两侧的间距,就不同于普通变量或标点符号两侧的间距。

常见的输入约定包括用 ^ 表示上标、用 _ 表示下标,以及用花括号分组。在 plain TeX 中,x^{n+1} 会生成一个包含多个数学对象的上标,而 x^n+1 只会将紧随其后的一个对象设为上标。即使初学者起初可能把花括号看作可有可无的标点,这两种结构在源代码中也有明确区别。TeX 能够嵌套这些结构,这是它处理高等数学记号的关键。

TeX 定义了陈列样式、文本样式、脚标样式和次级脚标样式,以及各自对应的紧缩变体。这些样式控制着各组成部分在不同上下文中的大小和位置。上标中的分式不能简单地当作一幅完整图像缩小;其分子、分母、间距和分数线都必须重新排布,以适应更受限的空间。TeX 会沿数学结构逐层传递样式变化,从而排出这类嵌套表达式。

分式、根式、重音符号、大型算子和可伸缩定界符都要用到字体度量和数学排版参数。求和算子的上下限在陈列样式中可以放在算子的上方和下方,而在行内文本中则可放在算子旁边。对于圆括号及其他定界符,可以选用较大的字形;如果字体提供了所需组件,也可以将多个部件拼接起来。垂直对齐以数学轴线为基准,它与文本基线有关,但并不相同。

以下源代码

$$
\int_0^1 x^n\,dx = {1\over n+1}
$$

展示了 plain TeX 的陈列公式记法、上下标、数学细空格,以及它的原始分式构造方式。LaTeX 通常提供另一套更高层次的接口,包括 \frac 和专门的陈列公式环境。TeX 本身不会验证这个积分在数学上是否有意义,也不会推断所有符号的语义角色。它只是按要求构造数学记号。在将公式转换为可搜索、便于无障碍访问或可供机器解释的数学表示时,这一区别就显得十分重要。

字体、度量与字符编码

最初的 TeX 将字体度量与字形绘制分离。它读取通常以 .tfm 为扩展名的 TeX 字体度量文件,从中获取宽度、高度、深度、斜体校正量、连字和字偶距信息,以及字体参数。凭借这些度量数据,引擎无需知道打印机或预览程序最终会使用位图还是轮廓来绘制字符,就能确定版面布局。

在输出设备的分辨率和技术差异很大的年代,这种分离尤其有价值。文档可以使用同一套度量数据完成排版,再针对特定打印机进行绘制。输出系统仍需找到合适的字形表示,但分页计算本身并不依赖某一种特定的光栅设备。不过,字体资源缺失或不匹配仍可能导致字形被替换,或显示效果不正确。

METAFONT 通过几何构造描述字形,并针对指定的设备条件生成光栅字体。Computer Modern 就是采用这种方法开发的,并逐渐成为 TeX 视觉风格的重要标志。在数字数学字体资源有限的年代,这套相互配套的文本字体和数学字体为 TeX 提供了完整实用的字体体系。后来的工作流程则越来越多地使用 Computer Modern 及其他字体家族的可缩放轮廓版本。

字体编码与源文件的输入编码是两个不同的问题。源文件中的一个字节或 Unicode 字符,最终必须对应到所选字体中的目标字形。传统 TeX 的八位字符模型,以及传统 TeX 字体中的字形排列方式,都要求使用针对特定编码的宏和字体设置。由独立部件组合而成的带重音字母,在断词、搜索和文本提取方面,也可能表现得与预先组合好的字形不同。

现代引擎通过支持 Unicode统一码输入和 OpenType字体格式,减少了许多历史遗留的限制。不过,仅支持 Unicode 并不能解决所有排印问题。复杂文字需要字形塑形处理,各种语言需要适当的断行和断词机制,而数学字体则需要专门的度量数据。OpenType 的 MATH 表提供数学排版所需的信息,包括超出普通文本塑形范畴的参数和构造方式。因此,字体选择不仅会改变外观,还会影响行长、分页、符号覆盖范围,以及所提取文本的可靠性。

输出格式与文档制作流程

传统的 TeX 会生成设备无关文件,通常称为 DVI 文件。DVI 通过放置字符、水平或垂直移动、绘制线条等操作来描述页面。它引用字体,但通常不嵌入字体的字形描述。这种紧凑的表示方式将排版系统作出的决策与最终显示或打印时的具体实现细节分离开来。

DVI 驱动程序负责针对特定的输出目标解释这些内容。过去,驱动程序支持屏幕预览、激光打印,以及转换为 PostScript 等页面描述语言。DVI 还允许使用 special 指令:这类指令交由输出驱动程序解释。插入图形、设置颜色、添加超链接等功能都可以通过 special 指令实现,但其可移植性取决于宏包与所选驱动程序之间的约定是否一致。

现代工作流程通常直接生成 PDF。这样就不再需要单独执行 DVI 到 PDF 的转换步骤,并且引擎可以管理 PDF 特有的对象、链接、字体嵌入及其他资源。直接生成 PDF 并不意味着文档的所有部分都由引擎本身处理。插图的准备、参考文献的处理、索引的创建或图像格式的转换,仍可能需要外部程序完成。

完整构建文档通常需要多次运行。某次运行时,文档会写出有关标签、章节编号和页面位置的辅助信息。后续运行再读取这些信息,以确定交叉引用的内容。参考文献处理程序可以读取引文数据,生成格式化的参考文献条目;索引程序则对索引词及其对应的页码进行排序。这些结果的任何变化都可能影响分页,因此可能还需要继续运行,直到输出稳定下来。

这一流程还会生成诊断信息。TeX 会报告错误、缺失字符,以及过满或欠满的盒子,并写入日志,记录本次处理过程。水平盒子过满,表示在适用规则下,内容无法容纳在指定宽度内;这并不一定是致命错误。构建工具会区分程序是否成功执行,以及输出是否达到排版要求。即使仍有未解析的引用、缺失的字形或版面问题,也可能生成 PDF,因此,仅仅存在输出文件,并不能证明用于出版的文档构建已经完成。

格式、宏包与 LaTeX

TeX 一词狭义上可以指排版引擎,广义上也可以指围绕它形成的文档制作生态系统。其中一个关键的中间层是格式(format):它是预先载入的一组宏、寄存器设置、断词数据及其他初始状态。格式文件使引擎在启动时就能具备相当完备的工作环境,而不必为每份文档都从源文件重新读取所有定义。

高德纳的 plain TeX 既是一种广泛使用的基础格式,也展示了如何利用 TeX 的原语构建更高层的功能。它为字体切换、独立成行的数学公式、页面布局以及许多日常操作提供了一套约定。plain TeX 并不等同于未经修改的引擎本身:plain TeX 用户熟悉的命令可能是宏,而非内置原语。在理解文档或将代码从一种格式迁移到另一种格式时,这一区别十分重要。

莱斯利·兰波特于 20 世纪 80 年代初开发的 LaTeX 增加了一个以结构化标记为核心的文档编写层。作者通过一套协调一致的接口来指定章节、插图、引文、公式及其他文档元素。文档类定义整体的文档设计,宏包则扩展功能。如今广泛使用的 LaTeX2e 发布于 1994 年;此后的开发既在这一持续维护的系统内推进,也通过更新的编程接口展开。

下面这份最简 LaTeX 文档展示了抽象层次上的差异:

\documentclass{article}
\begin{document}
\section{一个示例}
关系式 \(E=mc^2\) 出现在正文行内。
\end{document}

这里的 \documentclass、\section 和 document 环境属于 LaTeX,而不是底层的 TeX 引擎。引擎仍然负责宏展开、列表构建、数学排版和断行,但作者主要通过面向文档的接口来操作。因此,像 pdflatex 这样的命令行名称实际上标识的是一种组合:载入了 LaTeX 格式、能够输出 PDF 的引擎。

ConTeXt 是另一个功能完备、基于宏的文档系统,拥有自己的一套集成接口,用于版面布局、文字排印和结构化出版。它的发展表明,TeX 并不意味着只有一种写作语言或宏包架构。不同格式即使共享底层的布局机制,也可能存在显著差异。反过来说,两份都被非正式地称为“TeX 文档”的文件,可能需要不同的引擎、格式、字体和辅助程序才能成功编译。

扩展引擎与现代实现

高德纳所编写的 TeX 保持稳定,促使各种扩展以不同名称发展。其中一个重要例子是 e-TeX,它增加了更多寄存器、更丰富的表达式处理功能,并改进了编程与诊断能力。这些扩展成为后来许多引擎的实际基础。兼容性始终是核心考量,但这些扩展实现并不只是高德纳那套已定型的参考程序不断增添功能后的版本。

由 Hàn Thế Thành 发起的 pdfTeX 增加了直接输出 PDF 的功能以及一些排版扩展。其中最广为人知的改进包括字符悬挂和字体伸缩,两者都属于微排版技术。字符悬挂允许特定字符,尤其是标点符号,略微超出设定的页边界,使文字边缘在视觉上显得更加整齐。字体伸缩则允许对字形宽度进行受控调整,为断行提供额外的调整余地。这些功能的效果取决于适当的配置和字体支持。

由 Jonathan Kew 开发的 XeTeX 将面向 Unicode 的处理方式以及使用现代系统字体的能力引入了 TeX 引擎。它通过文字塑形基础设施支持先进的字体技术和多语言排版。在常见的 PDF 生成流程中,XeTeX 先生成扩展 DVI 数据,再由驱动程序将其转换为 PDF。因此,应当区分用户所能看到的 OpenType 字体选择功能与最终生成 PDF 的内部处理路径。

LuaTeX 将源自 TeX 的引擎与 Lua 编程语言结合起来。它通过接口和回调开放内部结构与处理阶段,使用户能够实现或修改排版行为,而不必完全依赖 TeX 的宏展开机制。这有助于实现高级字体处理、自定义节点处理和专用出版系统。LuaTeX 是一个可扩展的平台,而不只是支持 Unicode 输入的经典 TeX 版本。

引擎的选择会影响所支持的原语、字符处理、字体加载、输出行为以及宏包兼容性。依赖 Lua 回调的宏包通常无法不经修改就运行于 pdfTeX;假定使用传统字体编码的宏包,则可能需要调整才能适用于面向 Unicode 的引擎。即使源代码语法相同,不同的字体和引擎设置也可能改变断行结果。因此,现代 TeX 实践区分源代码层面的兼容性与输出结果完全一致这两个概念,并将引擎、格式、宏包版本和字体资源视为文档环境中彼此独立的组成部分。

发行版、科学出版与长期保存

TeX 通常作为大型软件集合的一部分发行,其中包括引擎、格式、字体、文档和辅助程序。TeX Live 是主要的跨平台发行版,MiKTeX 则是另一种广泛使用的发行版,提供软件包管理功能。这些软件集合将排版引擎整合为可实际使用的出版环境。TeX 生态系统中的大部分软件都以开源软件的形式提供,但这些集合中的各个组件采用不同的许可证,而非统一的单一许可证。

TeX 综合资源网络(简称 CTAN)是 TeX 相关软件和文档的集中存储库。成立于 1980 年的 TeX 用户组,以及面向特定语言或地区的用户团体,一直为出版物、会议、开发和用户教育提供支持。这种分布式的组织结构有助于解释 TeX 为何能够长盛不衰:它的维护和扩展不依赖某一家商业产品供应商,不过,各个宏包的维护活跃程度和兼容性保证各不相同。

基于 TeX 的系统在数学、理论物理、计算机科学以及其他需要大量符号表示和交叉引用的领域尤为常见。期刊和会议论文集会提供文档类,arXiv 等文献库也接受基于 TeX 的投稿。纯文本源文件天然适合版本控制、自动化构建和协作编辑。这些优势也伴随着实际使用中的复杂性:一个项目可能依赖大量宏包、参考文献数据库、图形、外部工具,以及特定出版物要求的设置。

要实现可复现性,仅保存主 .tex 文件是不够的。字体、引入的图像、文档类文件、宏包版本、引擎行为以及辅助构建步骤,都可能影响结果。TeX 稳定的核心是重要基础,但并不能保证在任意变化的环境中都产生完全相同的输出。保存完整的构建环境,或精确记录其中的各个组件,所解决的问题不同于仅仅保留可读的源文件。保存源文件与保存最终形态的 PDF,两者的作用相辅相成。

无障碍访问和文档语义则揭示了另一重局限。TeX 的布局模型能够高效、精确地定位内容,但仅凭视觉位置,并不能确定阅读顺序、标题结构、表格中的关系或数学符号的含义。要生成带有结构标签、支持无障碍访问的 PDF,需要编写格式、宏包、引擎和 PDF 生成机制相互配合。将文档转换为超文本标记语言时也会遇到类似问题:视觉上精确的页面,并不会自动成为结构良好的网页文档。

文档编译还涉及安全问题。TeX 可以读写文件,某些配置还允许调用外部命令。因此,处理不可信的源文件与显示不执行代码的成品文档,面临的风险有所不同。在线编译服务会限制命令执行、文件系统访问和资源消耗,并且往往结合使用应用沙箱。这些控制措施所针对的事实是:TeX 文档不仅是描述性文本,也是可执行的程序。