PDF内嵌字体分析 - 提取的文字是乱码原因分析

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。