能否确保PDF文件在任何环境里都不会乱码？

驿窗 · 2019-09-30 09:09:09

我之前认为，只要确保PDF文件嵌入字体，应该就可以解决乱码的问题，最近我发现好像不是这样；

举个例子，如果PDF文件在制作时，系统环境使用的是UTF-8，但有人在打开这个PDF文件时使用的环境不是UTF-8，那么是不是就可能会出现乱码？
(我理解UTF-8是代表传输，在编码本质上是unicode，但unicode与GB2312或者GBK好像并不兼容)

或者，给所有PDF文件阅读者加个限制条件：必须使用unicode编码来打开PDF文件，这样行得通？

我好像还没搞懂乱码这件事。

ps:
有一种方式，是把PDF保存成图片版本，而非文字版本，但这种方法对大量文件会有问题，制作成本和储存成本都比较高，所以有时不太适用。

最近编辑记录驿窗 (2019-09-30 09:18:51)

farseerfc · 2019-09-30 11:11:07

相關細節都在 PDF 標準裏面應該有說明 https://www.adobe.com/content/dam/acom/ … 0_2008.pdf
具體看上述標準 9.6.6 Character Encoding 和附錄D。

根據我的理解，PDF 沒有規定用什麼字符集，但是 PDF 文件中使用的每個字體都有對應的字符集編碼。
根據字體的格式，可以有 Type 1 字體、 Type 3 字體、 TrueType 字體，他們的字符集編碼有分別不同的描述方式。

對 Type1 字體，嵌入字體的時候可以指定一個預設命名字符集(predefined / named encoding），同時可以在預設命名字符集的基礎上指定一個字符變更表。
對 Type3 字體，要求指定一個預設命名字符集。
對 TrueType 字體，字體文件有 cmap 描述字符集映射，也可以指定預設命名字符集。
然後預設字符集有 Adobe 標準字符集： StandardEncoding, MacRomanEncoding, WinAnsiEncoding, and PDFDocEncoding ，
還有 Adobe 對額外語言（主要是東亞語言）定義的額外預設字符集。poppler 庫針對後面這些擴充的預設字符集在 poppler-data 包有提供 unicodeMap 和 cMap 映射表。

順便 Type1 的字符集不同於別的軟件的字符集定義的一點在於， Type1 是把字符映射到字形名（glyph name）而非字符編碼(character code），
因此 PDF 可以包含那些有同一個字符編碼但是稍微不同字形的字（比如中日韓漢字的字形區分）。也因爲這個 PDF 的字符集轉換不像普通程序那樣處理，
也因此可能遇到能顯示打印字形卻不能選擇複製的問題。

而 TrueType 字體用的 cmap 字符映射表描述的不是字形名，是一個或多個對應平臺的字符集，PDF 閱讀軟件可以選合適的。

總之 PDF 的字符編碼格式有些複雜，不像文本文件那樣挑選一個正確的字符編碼就可以做對應。這套東西用對了的話，理論上應該是可以保證在任何環境都不會亂碼的，但是如果有哪兒出錯了，出現亂碼的情況下也有很多可能出錯的地方，要拿 PDF 文件具體分析。

zplinux · 2019-09-30 11:11:23

pdf 格式应该是不受本地编码方式的影响，几乎以一致的效果显示文档内容。

没有去深究这个问题，但我觉得无外乎两种方式：
1. pdf 文档格式内置了字体和编码信息
2. pdf 文档保存的是基于原始显示效果的矢量对象

楼主能描述一个实例，这样讨论可能会更有针对一些。

驿窗 · 2019-09-30 13:16:40

信息量比我想象的大，我先消化一下，要不然接下来我可能都不知道应该问什么以及从哪开始问～

依云 · 2019-09-30 14:52:36

我只见过制作不良的 PDF（未嵌入应当嵌入的字体）乱码的。

zplinux · 2019-09-30 16:26:55

依云说：

我只见过制作不良的 PDF（未嵌入应当嵌入的字体）乱码的。

依稀记得我以前查笔记本的硬件信息，从日文网站下载的 pdf 似乎呈现出大量文字信息不显示的情况，
可能是没嵌入字体信息，而本机又缺少相应适配字体导致的乱码。

xtricman · 2019-09-30 18:48:49

PDF是挺复杂的，它不一定使用Unicode编码文本，只要能正确找到字体（内嵌或外部搜索），将字节串正确映射到字形序列就行了。它设计上就不是一种文本格式，就是给你能看见文档就可以，所以Unicode啥的不是一件重要的事情，甚至需要被避开。阅读器的选择功能其实都实现的很差，只能应付极其有限的情况。PDF 甚至没有段落的概念，文本其实不能跨行的。你看见的Adobe Reader 的段落选择功能其实是究极黑魔法。

最近编辑记录 xtricman (2019-09-30 18:49:19)

依云 · 2019-09-30 20:41:19

现代 PDF 有字符对应的 Unicode 码点映射表了，以用于数字化阅读器的文本处理。
从 PS 发展而来的 PDF 本质就是在页面上写写画画的指令而已。有些例如表单、脚本、附件等高级功能，但很少见到有人使用，大部分阅读器也不支持。

Arch Linux

#1 2019-09-30 09:09:09

能否确保PDF文件在任何环境里都不会乱码？

#2 2019-09-30 11:11:07

Re: 能否确保PDF文件在任何环境里都不会乱码？

#3 2019-09-30 11:11:23

Re: 能否确保PDF文件在任何环境里都不会乱码？

#4 2019-09-30 13:16:40

Re: 能否确保PDF文件在任何环境里都不会乱码？

#5 2019-09-30 14:52:36

Re: 能否确保PDF文件在任何环境里都不会乱码？

#6 2019-09-30 16:26:55

Re: 能否确保PDF文件在任何环境里都不会乱码？

#7 2019-09-30 18:48:49

Re: 能否确保PDF文件在任何环境里都不会乱码？

#8 2019-09-30 20:41:19

Re: 能否确保PDF文件在任何环境里都不会乱码？

页脚