PDF中的内嵌字体问题

写过论文的人大都清楚，最终提交的cameraready版本中的字体必须是Type 1或True Type的，而且所有字体都要内嵌到pdf文件中。最近正好遇到这样一个问题，cameraready提交后，编辑发现一些字体没内嵌，只能退回来修改。支持查看字体是否内嵌的工具很多，比如Adobe Reader、Evince、Foxit Reader等等，通常在“文件->属性->字体”这样的菜单下。下图是Evince的截图，可以看到Fonts标签里显示了字体列表，包括字体的类型和是否内嵌。

要找到哪些字体没有内嵌是非常容易的，但要搞清楚这些字体对应哪些内容就不容易了。经验有时候能起些作用，比如采用常用的Latex工具（例如CTex套件、TexEditor、TexStudio、Sublime-Text Latex Tools等等）编译出来的pdf中，正文部分的字体往往都是内嵌的，真正容易出问题的是那些图片，尤其是用Visio等工具生成的图片，这些工具导出pdf的时候，不一定会把字体内嵌。所以，可以打开论文的图片文件夹，把pdf图片挨个点开看看。

如果还是找不到还可以利用一些工具，比如xpdf（http://www.foolabs.com/xpdf/）中的pdffonts。在命令行输入：pdffonts xxx.pdf就能打印出pdf文件使用的所有字体，以及它们是否被内嵌了（下图中emb列）。除此以外，还有一个重要的信息，就是字体对应的编号（下图中的object列）。这个数字描述了在pdf文档中字体的唯一编号，所以通过该数字可以找到使用该字体的内容。

图中显示的Times New Roman字体没有内嵌，并且对应的object编号为161。用文本编辑器（如Vim、Sublime Text、Notepad++等）打开pdf文件后搜索“161 0 obj”，会看到类似下图的结果。在pdf中，obj和endobj之间的部分构成了一个最基本的object单元。要想更多了解pdf的结构，可以参考这篇文章，相比其它文章，作者写得更加浅显易懂。

上图中的object只是定义了字体本身，要找到使用该字体的内容还需要在pdf文档中搜索“161 0 R”，看看引用"161 0 obj”的object是什么。按照这个方法，在pdf中找到的内容如下图所示（由于object内容太长，引用的部分没有显示在图中），很容易就能发现字体其实用在图片中。

如果这些字体出现在正文里，可能需要一些额外的步骤，因为pdf的正文（记作stream object）一般是压缩过的（通常采用zlib中的flatecode），所以看到的都是乱码。为了看到这些内容，可以用pdftk或qpdf提供的工具来解压，对应的命令分别为：

pdftk test.pdf output test-d.pdf uncompress

qpdf --stream-data=uncompress input.pdf output.pdf

我在linux下发现pdftk工作不正常，最终是用qpdf解压的，stackoverflow上说可能是由bug造成的，不过用什么工具其实无所谓的。

后记：在了解pdf格式的过程中，发现其实pdf的设计非常灵活，或者说有点灵活过了头，导致编写parser成为一个极其复杂无趣的过程。那些成熟的pdf阅读器都是经过相当长的演化，不断修改才能兼容各种奇葩的pdf格式定义。为什么不把格式定的“死板”一些呢？这样对文件处理很有好处的呀，哪怕牺牲那么点效率。