Setup on Grayrecord Technow Blog

Affinity 3のレイアウトペルソナでdvipdfmx由来のPDFをインポートするときの文字化け対策

Fri, 07 Nov 2025 12:13:16 +0900

はじめに

先日無償化が発表された Affinity 3。旧来のPublisher、Designer、Photoが統合され、ペルソナ を切り替えることで各機能を利用できる新しい体系に生まれ変わりました。

本記事では、その中の レイアウトペルソナ（DTP機能）に dvipdfmx で生成したPDFをインポートする際、日本語が文字化けする問題の原因と対策を考察します。

問題の発生条件

項目	内容
対象ソフトウェア	Affinity 3（レイアウトペルソナ）
バージョン	3.0.1.3808
インポートファイル	`dvipdfmx` で日本語フォントを用いて生成されたPDF
発生現象	PDF内の日本語テキストが文字化けする

問題の状況

dvipdfmx で出力したPDFをAffinity 3のレイアウトペルソナにインポートすると、インポート前のページプレビューの段階から既に日本語テキストが文字化けしています。

さらに、Affinity 3が「見つからないフォント」として認識したものを、BIZ UDP明朝など別の日本語フォントに置き換えても、文字化けは解消されません。テキストの見た目のデザイン（フォントの持つ雰囲気）だけが変化し、文字の羅列は意味不明なままです。

なお、インポート時の読み込み対象を 「ページ」 または 「アートボード」 のいずれに設定しても、この現象は同様に発生します。

原因の切り分けと考察

切り分け

まず、問題が dvipdfmx 側にあるのか、Affinity側にあるのかを切り分けます。

他のPDFビューアで確認する: 生成されたPDFをAdobe Acrobat Readerや一般的なウェブブラウザで開きます。
結果の判断:
- 他のビューアでも文字化けする場合: dvipdfmx の設定に問題がある可能性が高いです。
- Acrobat等では正常だが、Affinity 3でのみ文字化けする場合: Affinity 3側のPDF解釈に起因する問題と考えられます。（今回のケースはこちらに該当します）

原因の考察：エンコーディングの問題か？

フォントを正常なものに置き換えても文字化けが解消されないという現象は、単なる「フォントファイルが見つからない」という問題ではないことを強く示唆しています。

これは、PDF内部の 文字エンコーディング情報（どのバイトがどの文字に対応するかを定義する情報。専門的には CMap と呼ばれます）をAffinity 3が正しく解釈できていない可能性が高いです。

つまり、文字の「形」を収めたフォントデータはPDF内に存在していても、どのコードをどの「形」に割り当てるかの対応表が失われている、あるいはAffinity 3に無視されている状態と考えられます。そのため、dvipdfmx 側で単純にフォントの埋め込み方式を変えるだけでは解決しない可能性があり、根深い問題と言えます。

有効な対策

「テキストを曲線に変換」オプションが存在しない問題

回避策として一般的な「テキストを曲線（アウトライン）に変換」ですが、Affinity 3のPDFインポートダイアログには、そもそもこの選択肢自体が存在しません。

そのため、Affinity 3内で完結する手軽な解決策は現状なく、PDF生成側での調整、あるいは代替ツールでの対応が必須となります。

対策1: (非推奨) dvipdfmxでの設定見直しは極めて困難

原因がAffinity 3側のPDF解釈にある可能性が高い以上、dvipdfmx側での対応は非常に困難を極めます。

Raspberry Pi 400上のollamaでGemma 3 270Mを動かす

Thu, 21 Aug 2025 09:00:00 +0900

先日公開されたGoogleの軽量大規模言語モデル「Gemma 3 270M」は、そのコンパクトさからエッジデバイスでの活用が期待されています。前回の記事では、llama.cppを利用してRaspberry Pi 400で直接モデルを動かす方法を確認しました。

今回は、より手軽にLLMを管理・実行できるプラットフォームであるollamaをRaspberry Pi 400に導入し、Gemma 3 270Mを動作させる手順をまとめます。

なぜollamaを使うのか？

ollamaは、モデルのダウンロード、管理、実行をシンプルなコマンドで完結させてくれるツールです。APIサーバーも内蔵しているため、他のアプリケーションとの連携も容易になります。Raspberry PiのようなデバイスでLLMを「サービス」として動かしたい場合に非常に便利です。

ollamaのインストール

ollamaのインストールは、公式が提供しているスクリプトを実行するだけです。非常に簡単です。

curl -fsSL https://ollama.com/install.sh | sh

インストール後、以下のコマンドでバージョン情報が表示されれば成功です。

ollama --version

ollamaサービスの有効化

インストールしただけでは手動で起動する必要があります。マシンの起動時に自動でollamaが起動するように、systemdサービスを有効化しておきましょう。

sudo systemctl enable --now ollama

以下のコマンドでサービスが正常に動作しているか確認できます。

systemctl status ollama

Active: active (running)と表示されていれば問題ありません。

Gemma 3 270Mモデルの実行

ollamaでモデルを実行するにはollama runコマンドを使用します。今回は、Hugging Face Hubで公開されているunslothによるGGUF形式のモデルを利用します。

ollama run hf.co/unsloth/gemma-3-270m-it-GGUF:Q2_K

モデルの選択について

hf.co/unsloth/gemma-3-270m-it-GGUF: Hugging Face Hub上のモデルリポジトリを指定しています。ollamaは直接Hugging Face Hubからモデルをダウンロードできます。
Q2_K: モデルの量子化レベルを指定しています。Q2_Kは2ビット量子化されており、ファイルサイズとメモリ使用量を大幅に削減できるため、Raspberry Pi 400のようなメモリが限られたデバイス（4GB）に最適です。

初回実行時には、モデルファイルのダウンロードと展開が行われます。完了すると、プロンプトが入力可能な状態になります。

まとめ

ollamaを利用することで、Raspberry Pi 400という手軽な環境に、非常に簡単にローカルLLM環境を構築できました。モデルの切り替えや管理も容易なため、様々な軽量モデルを試すのに最適なプラットフォームと言えるでしょう。

常時起動させておけば、家庭内LANからAPI経由でアクセスするAIアシスタントとして活用したり、IoTデバイスの制御に自然言語インターフェースを追加したりと、様々な応用が考えられます。皆さんもぜひ、手元のRaspberry PiでローカルLLMの世界に触れてみてください。

WSL2上のUbuntu 20.04上に分析環境を構築する

Fri, 02 Apr 2021 13:39:44 +0900

前提条件

項目	内容
使用ディストリビューション	Ubuntu 20.04 LTS
Python 環境	Anaconda
PC 環境	SLAT 等必要なハードウェアが揃っていること

更新履歴

日付	内容
2021/08/18	Pyenvの仕様変更に追随 https://github.com/lewagon/dotfiles/pull/90

WSL 2環境を準備

Windowsの機能の有効化を行う: Linux用Windowsサブシステムと仮想マシンプラットフォームを有効化
- コントロールパネルのWindowsの機能の有効化または無効化から行う
Microsoft StoreからUbuntu 20.04LTSをインストール
WSL 2にバージョンを変更 WSLの一覧は以下のコマンドで確認できる。
```
wsl -l -v
```
このコマンドの結果は例えば以下のようになる。

NAME STATE VERSION
* Ubuntu-18.04 Stopped 1
docker-desktop Stopped 2
Ubuntu-20.04 Running 2
docker-desktop-data Stopped 2

Ubuntu 20.04をWSL 2にするには以下のようなコマンドを実行する。
```
wsl --set-version Ubuntu-20.04 2
```

AnacondaでJupyter環境を構築する

Python環境の構築はデータサイエンティストを目指す人のpython環境構築 2016を参考にして、一部のステップをアップデートしています。

アップデートの内容としては、参考記事では旧版のAnacondaがベースとなっているため、サーチパスを変更した結果、pyenvとAnacondaが一部競合を起こしていますが、これは現在のAnacondaでは解決している問題なので、変更を反映しています。また、それに伴い、bashの設定の変更をするためのステップを追加しています。

pyenvをインストールする

git clone https://github.com/yyuu/pyenv.git ~/.pyenv
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc
echo 'export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bashrc
echo 'eval "$(pyenv init --path)"' >> ~/.echo 'eval "$(pyenv init -)"' >> ~/.bashrc
echo 'eval "$(pyenv init -)"' >> ~/.bashrc
source ~/.bashrc

Anacondaをインストールする

pyenv install -l | grep ana
# 最新版を確認する
pyenv install anaconda3-yyyy.MM
# 先のステップで確認した最新版にする
pyenv rehash
pyenv global anaconda3-yyyy.MM
conda update conda
conda init bash
source ~/.bashrc

dotnet coreをインストールする (オプション)

wget -nv https://packages.microsoft.com/config/ubuntu/20.04/packages-microsoft-prod.deb
sudo dpkg -i packages-microsoft-prod.deb
sudo add-apt-repository universe
sudo apt update
sudo apt install apt-transport-https -y
sudo apt install dotnet-sdk-5.0 -y
# 現状の最新版の5をインストールする

venv環境を用意する (オプション)

現在、Pythonのパッケージはconda、pipとなっており、どれを使えるかは状況次第です。ただ、幾つかのパッケージはpip環境しかないこともあり、venv環境もあると便利です。condaとpipの混用は危険であり避けるべきです。

Ubuntu 20.04 Analytics Environment

Sun, 03 May 2020 15:47:21 +0900

Ubuntu 20.04 Analytics Environment

先日、リリースされた、Ubuntu 20.04をベースにWSL上で分析環境を作ってみました。

Microsoft StoreからUbuntu 20.04LTSをインストール
Microsoft Storeからインストール後にとりあえず、一旦起動してインストールを完了

ユーザを作成する
Windows Terminalのsettings.jsonを編集して、Windows Terminalに追加
Ubuntuを最新化する

sudo apt update && sudo apt upgrade

Jupyer環境をWSL上に構築する 2020の手順でJupyter環境を構築
Microsoft Repository keyを取ってくる

wget https://packages.microsoft.com/config/ubuntu/20.04/packages-microsoft-prod.deb -O packages-microsoft-prod.deb
sudo dpkg -i packages-microsoft-prod.deb

現状ではまだ、パッケージがほぼ無いように思える。まだ、Microsoftのサイト上でも19.04までしか紹介されていないのはパッケージがまだないからでしょうね。

Jupyer環境をWSL上に構築する 2020

Sun, 19 Apr 2020 00:00:00 +0900

前提条件

項目	内容
使用ディストリビューション	Ubuntu 18.04 LTS
Python 環境	Anaconda

AnacondaでJupyter環境を構築する

Python環境の構築はデータサイエンティストを目指す人のpython環境構築 2016を参考にして、一部のステップをアップデートしています。

環境構築方法

pyenvのインストール

git clone https://github.com/yyuu/pyenv.git ~/.pyenv
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc
echo 'export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bashrc
echo 'eval "$(pyenv init -)"' >> ~/.bashrc
source ~/.bashrc

anacondaのインストール

pyenv install -l | grep ana
# 最新版を確認する
pyenv install anaconda3-yyyy.MM
# 先のステップで確認した最新版にする
pyenv rehash
pyenv global anaconda3-yyyy.MM
conda update conda
conda init bash
# PowerShellの場合、powershellに変える
source ~/.bashrc

Windows Terminal Previewのインストール

MicrosoftストアからWindows Terminalをインストールする。

分析環境をWindows上に構築する 2020

Sun, 19 Apr 2020 00:00:00 +0900

環境の選択

環境構築については、Windowsに限定しても、いくつかの選択肢があります。

Pythonについては、CPythonを標準の配布物から、Anaconda、Microsoft Storeなど複数の入手経路があります、この文章ではいくつかの理由から、Anacondaを使用しています。現在は、AnacondaをAnacondaのサイト上から入手していますが、 Anacondaはscoopのextraバケットにもあります。

scoopのインストール

スタートからPowerShellを起動する

PowerShellの設定変更

Set-ExecutionPolicy RemoteSigned -scope CurrentUser

PowerShellからのScoopのインストール

iex (new-object net.webclient).downloadstring('https://get.scoop.sh')

gitのインストール

scoop install git

Anacondaのインストール

Anaconda Individual Editionから最新版をインストールする。

Windows Terminalのインストール

MicrosoftストアからWindows Terminalをインストールする。

Visual Studio Codeのインストール

公式サイトから最新版をダウンロードしてインストールする。

Ububtu 18.04 環境上にJupyterとQ#環境を構築する

Fri, 17 Apr 2020 00:00:00 +0900

AnacondaでJupyter環境を構築する

Python環境の構築はデータサイエンティストを目指す人のpython環境構築 2016を参考にして、一部のステップをアップデートしています。

pyenvをインストールする

git clone https://github.com/yyuu/pyenv.git ~/.pyenv
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc
echo 'export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bashrc
echo 'eval "$(pyenv init -)"' >> ~/.bashrc
source ~/.bashrc

Anacondaをインストールする

pyenv install -l | grep ana
# 最新版を確認する
pyenv install anaconda3-yyyy.MM
# 先のステップで確認した最新版にする
pyenv rehash
pyenv global anaconda3-yyyy.MM
conda update conda
conda init bash
source ~/.bashrc

dotnet coreをインストールする

wget -nv https://packages.microsoft.com/config/ubuntu/18.04/packages-microsoft-prod.deb
sudo dpkg -i packages-microsoft-prod.deb
sudo add-apt-repository universe
sudo apt update
sudo apt install apt-transport-https -y
sudo apt install dotnet-sdk-3.1 -y
# 現状の最新版の3.1をインストールする

IQ#をインストールする

dotnet tool install -g Microsoft.Quantum.IQSharp
echo 'export PATH="~/.dotnet/tools:$PATH"' >> ~/.bashrc
# dotnet core へのパスを追加
source ~/.bashrc
dotnet iqsharp install --user

IQ#のインストールを確認する

jupyter kernelspec list

Available kernels:
  .net-csharp        /home/nikeda/.local/share/jupyter/kernels/.net-csharp
  .net-fsharp        /home/nikeda/.local/share/jupyter/kernels/.net-fsharp
  .net-powershell    /home/nikeda/.local/share/jupyter/kernels/.net-powershell
  iqsharp            /home/nikeda/.local/share/jupyter/kernels/iqsharp
  python3            /home/nikeda/.pyenv/versions/anaconda3-2019.07/share/jupyter/kernels/python3

JupyterにMicrosoft.Data.Analysisを入れてみる

Tue, 24 Mar 2020 00:00:00 +0900

Jupyter環境に展開したC#にMicorosoft.Data.Analysisを載せてみました。

#r "nuget:Microsoft.Data.Analysis, 0.2.0"

Installing package Microsoft.Data.Analysis, version 0.2.0………done!

using Microsoft.Data.Analysis;

#r "nuget:MathNet.Numerics,4.9.0"

Installing package MathNet.Numerics, version 4.9.0…….done! Successfully added reference to package MathNet.Numerics, version

#r "nuget:XPlot.Plotly"

Installing package XPlot.Plotly……….done! Successfully added reference to package XPlot.Plotly, version

using MathNet.Numerics;
using XPlot.Plotly;

var df = Microsoft.Data.Analysis.DataFrame.LoadCsv("Data/german.csv");
df

Columns Rows [ [ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 … (990 more) ], [ A11, A12, A14, A11, A11, A14, A14, A12, A14, A12 … (990 more) ], [ 6, 48, 12, 42, 24, 36, 24, 36, 12, 30 … (990 more) ], [ A34, A32, A34, A32, A33, A32, A32, A32, A32, A34 … (990 more) ], [ A43, A43, A46, A42, A40, A46, A42, A41, A43, A40 … (990 more) ], [ 1169, 5951, 2096, 7882, 4870, 9055, 2835, 6948, 3059, 5234 … (990 more) ], [ A65, A61, A61, A61, A61, A65, A63, A61, A64, A61 … (990 more) ], [ A75, A73, A74, A74, A73, A73, A75, A73, A74, A71 … (990 more) ], [ 4, 2, 2, 2, 3, 2, 3, 2, 2, 4 … (990 more) ], [ A93, A92, A93, A93, A93, A93, A93, A93, A91, A94 … (990 more) ] … (12 more) ] [ [ 0, A11, 6, A34, A43, 1169, A65, A75, 4, A93 … (12 more) ], [ 1, A12, 48, A32, A43, 5951, A61, A73, 2, A92 … (12 more) ], [ 2, A14, 12, A34, A46, 2096, A61, A74, 2, A93 … (12 more) ], [ 3, A11, 42, A32, A42, 7882, A61, A74, 2, A93 … (12 more) ], [ 4, A11, 24, A33, A40, 4870, A61, A73, 3, A93 … (12 more) ], [ 5, A14, 36, A32, A46, 9055, A65, A73, 2, A93 … (12 more) ], [ 6, A14, 24, A32, A42, 2835, A63, A75, 3, A93 … (12 more) ], [ 7, A12, 36, A32, A41, 6948, A61, A73, 2, A93 … (12 more) ], [ 8, A14, 12, A32, A43, 3059, A64, A74, 2, A91 … (12 more) ], [ 9, A12, 30, A34, A40, 5234, A61, A71, 4, A94 … (12 more) ] … (990 more) ]

ProphetをWindows上のAnacondaにインストールする

Thu, 26 Dec 2019 00:00:00 +0900

前提条件としてはpipを使わないことを前提としています。condaとpipの混合はどう考えても安全性に乏しいので可能な限りcondaだけでいく前提です。

仮想環境の作成

conda create -n prophet_env python=3.7

仮想環境の利用開始

conda activate prophet_env

libpythonとm2w64-toolchainパッケージのインストール

conda install libpython
conda install -c msys2 m2w64-toolchain

パッケージのインストール

conda install numpy cython matplotlib pandas
conda install -c conda-forge fbprophet

pystanのテスト

import pystan
model_code = 'parameters {real y;} model {y ~ normal(0,1);}'
model = pystan.StanModel(model_code=model_code)
y = model.sampling(n_jobs=1).extract()['y']
print(y.mean())