PDF内嵌字体分析
很多PDF文件都会把字体Font内嵌到PDF文件里面去,这样的好处是:万一用户系统没有该字体,显示的时候能够保持字体风格不变,在TrueType和Type0类型的字体里面很多这样的:如下格式:
我们通过软件提取出字体:
然后发现PDF内部有部分字体并不是按照标准的一些编码来制作的:
我们采用开源的字体编辑工具FontForge来打开查看:
Font Forge: http://fontforge.github.io/en-US/
这个Calibri.ttf字体的字形的编码排序并不是UTF-8等标准编码,比如:
0x02 显示的是 & : UTF-8【0x26 】
0x03 显示的是 A : UTF-8【0x32 】
0x10 显示的是 P : UTF-8【0x33 】
PDF文件设计的是可以将字形和字符对应分离;
对于自定义字体,如果编码和标准编码不一样,想要获取字形对应的字符,就需要相应的Cmap(比如/ToUnicode),Cmap就好比密码本一样来映射字形对应的标准的UTF-8等编码。如果没有,或者缺少,或者错误,那么得到的字符就是乱码。