PDF文件通常使用＆＃34;更正＆＃34;字体字形的字符代码？

Question

假设我有一个包含一个或多个嵌入字体的PDF文件。以下是我对如何呈现单个文本字符的理解：

• 首先，确定角色使用的字体。
• 使用嵌入在PDF中的字体“cmap”来确定给定字符的字体字形名称。例如，角色'＆amp;'在PDF文本中可能会映射到字体内部称为“＆符号”的字形。
• 使用字体的“glyf”表来确定字形名称的边界框/绘图说明。

这是我的问题：PDF cmap一般是否一致？换句话说，如果我遇到角色“＆amp;”在PDF中，我可以放心，cmap将始终映射“＆amp;”到了＆符号吗？或者一些PDF生成软件是否在字符代码和字形名称之间创建了自己的任意映射（这可能是相当邪恶的，可能会破坏PDF搜索和文本选择）？

当然我意识到cmap的可能使用非直观的映射 - 我想我想问，这真的发生在真实世界吗？

我的具体用例是音乐字体世界。我正在分析PDF中的字符以确定每个人代表哪个音乐字形（例如，高音谱号，音符等）。我想知道我是多么自信，字体名称和字符代码的组合将始终产生相同的字形。例如，如果我知道字体名称是“Opus”而字形是“＃”，我可以假设将总是映射到高音谱号字形吗？或者我是否必须分析字形的指标以确保它实际上是一个高音谱号？

Answer 1

它与一个PDF创建者不同。

一个相当常见的方法（唉！）是＆＃34;订单遇到＆＃34;，其中文本流中的第一个字符映射到\001，\002旁边的字符等等。因此，文字"Hello"将被编码为\001\002\003\003\004。

  

我想知道我有多么自信，字体名称和字符代码的组合将始终产生相同的字形。

在单个PDF文档中，如果在不同的上下文中使用相同的字体对象，则确实如此 - 映射是在字体对象内定义的。如果您遇到另一个使用相同字体的字体对象，但它指向另一个字体流（即字体子集嵌入两次），那么它可能不为真。每个子集可能都有自己的编码。

仅当字体对象包含/ToUnicode映射时，您才能确信值映射到正确的字符。