Zwei chinesische Zeichen in SimSun gesetzt und durch einen gewöhnlichen TrueType-Subsetter geschickt hinterlassen weiterhin rund 25 KB eingebetteter Fontdaten im PDF. Die Umrisse dieser beiden Ideografen sind ein Bruchteil davon. Der Rest ist Slot-Buchhaltung: Das Subset behielt die originale Glyphennummerierung, es trägt also weiterhin einen Ortseintrag und einen Breiteneintrag für jede Glyphen-ID bis zur höchsten behaltenen, und in einer CJK-Schrift sitzen die Ideografen tief in einer sehr großen Tabelle. Nummeriert man die Überlebenden ab null um und lässt einen /CIDToGIDMap-Stream übersetzen, passen dieselben zwei Zeichen in etwa 3 KB
Wohin die Bytes in einem dünnen Font-Subset gehen
Ein dünnes Subset bleibt schwer, weil es sich weigert, irgendeine Glyphe zu verschieben. HotPDF schreibt Unicode-Text als Type-0-Font über einem CIDFontType2-Nachfolger, und der Content-Stream zeigt jede Glyphe über ihre originale Glyphen-ID, als CID benutzt. Mit /CIDToGIDMap /Identity weist ISO 32000-1 in §9.7.4.2 den Viewer an, diese CID direkt als Glyphenindex zu behandeln. Nummeriert man die Glyphen im Fontprogramm um und lässt alles andere in Ruhe, zeigt jedes Zeichen auf der Seite auf den falschen Umriss. Die Nummerierung zu behalten ist die billige, sichere Antwort. Ihr Preis: loca und hmtx müssen jeden Slot bis zum höchsten behaltenen GID abdecken, leer oder nicht
Angenommen, eine CJK-Schrift deklariert 28.000 Glyphen, und eines der beiden Zeichen sitzt nahe am Ende. Eine loca-Tabelle im Langformat gibt 4 Bytes pro Slot aus, rund 112 KB, und volle horizontale Metriken weitere 4 Bytes pro Slot. Das sind über 200 KB Tabellen vor der Kompression, fast alles Nullen und wiederholte Offsets. Flate staucht solche Läufe sehr gut, aber es kann sie nicht verschwinden lassen, daher stammt der Großteil jener 25 KB. Eine Latein-Schrift mit ein paar tausend Glyphen trägt dieselbe Struktur auf einem Zehntel der Skala, die Kosten landen also wirklich bei Dokumenten, die chinesischen, japanischen oder koreanischen Text beimischen
Welche Glyphen überhaupt überleben (Komposit-Komponenten, durch Shaping hereingezogene Alternaten), wird früher entschieden, von den Font-Subset-Closure-Regeln für geformte Glyphen. Die Kompaktierung ändert nur, was die Überlebenden kosten, sobald diese Menge feststeht
Kompakte Font-Subsets hinter einem CIDToGIDMap-Stream
THotPDF.CompactFontSubsetting nummeriert die behaltenen Glyphen in einen dichten Bereich ab null um, baut die Glyphentabellen nur für diese Glyphen neu und schreibt einen ausdrücklichen /CIDToGIDMap-Stream auf den CIDFont. ISO 32000-1 in §9.7.4.2 definiert diesen Stream als ein Array aus zwei Byte großen, big-endian Glyphen-IDs, indiziert per CID: Die GID für CID n sitzt am Byte-Offset 2n. Content-Streams, das /W-Breitenarray und die ToUnicode-CMap behalten allesamt die Originalzahlen als CIDs. Nur der Schritt von der CID zur Glyphe wandert in die Map, es muss also nichts angefasst werden, was bereits auf eine Seite geschrieben wurde
Die Property funktioniert für sich allein. Man braucht den Rest der Kompressionsmechanik nicht, um kleinere Schriften zu bekommen, und für einen Bericht, der meist CJK-Text ist, erledigt dieses Einstellungspaar den Großteil der Arbeit:
Pdf.EnableFontSubsetting := True;
Pdf.CompactFontSubsetting := True; // auch ohne CompressDocument benutzbar
Pdf.BeginDoc;
Pdf.CurrentPage.SetFont('SimSun', [], 12);
Pdf.CurrentPage.TextOut(40, 40, 0, WideString('Total: '#$4E2D#$6587));
Pdf.EndDoc;
Die Kompaktierung gilt für eine bestimmte Art Schrift. HotPDF baut kompakte Subsets für Type-0-TrueType-Schriften: die über SetFont gesetzten, während EnableFontSubsetting an ist, und die über RegisterUnicodeTTF registrierte Schrift. Eine simple TrueType-Schrift wird über die cmap in ihrem eigenen Fontprogramm lokalisiert, eine Umnummerierung würde diese cmap auf die falschen Glyphen zeigen lassen, also behalten simple Schriften das dünne Subset. OpenType-CFF-Schriften behalten es ebenfalls. Schlägt der kompakte Bau für eine bestimmte Schrift fehl, schreibt HotPDF für diese das dünne Subset und arbeitet am Dokument weiter. Die Property ist ab Werk aus, bestehende Ausgabe bleibt also Byte für Byte identisch, bis man sich entscheidet; unter PDF/A bekommt die registrierte Unicode-Schrift stets ein kompaktes Subset
Eine Falle sitzt auf der Leseseite. Ein /CIDToGIDMap-Stream sieht so aus, als gehöre er neben die CMaps, aber er ist rohes Binary ohne begincidchar-Blöcke, und ihn einem CMap-Tokenizer zu übergeben ergibt eine leere Zuordnung ohne jede Fehlermeldung. Wenn Ihre eigenen Werkzeuge aus diesen Dateien Text extrahieren oder Glyphen messen, lesen Sie die Map als schlichte 16-Bit-Paare
Was ändert CompressDocument für ein einzelnes Dokument?
THotPDF.CompressDocument leiht bei BeginDoc sechs Writer-Einstellungen plus die Object-Stream-Obergrenze und gibt jede davon bei EndDoc zurück. Bevor sich die PDF-Version festlegt, notiert HotPDF Ihre Werte und setzt dann:
CompressionaufcmFlateDecodeundCompressionLevelaufclMaximumEnableFontSubsettingundCompactFontSubsettingaufTrueUseXRefStreamundUseObjectStreamsaufTrue, nach ISO 32000-1 §7.5.7 und §7.5.8- Die Objekte-pro-Container-Obergrenze auf 250 statt der üblichen 100, sofern Sie nicht bereits eine eigene über
ConfigureAdaptiveObjectStreamPackinggesetzt haben
Object Streams brauchen PDF 1.5, eine ältere Version wird also auf 1.5 angehoben, sofern die Version nicht festgeschrieben ist. PDF/A-1 verbietet Cross-Reference- und Object Streams rundheraus, ein PDF/A-1-Dokument behält also seine klassische Cross-Reference-Tabelle und bekommt nur die Flate- und Font-Arbeit. Bilder werden exakt so geschrieben, wie Sie sie eingebettet haben; nichts wird resampelt oder verlustbehaftet neu komprimiert
var
Pdf: THotPDF;
begin
Pdf := THotPDF.Create(nil);
try
Pdf.AutoLaunch := False;
Pdf.FileName := 'invoice-2026-1042.pdf';
Pdf.CompressDocument := True; // angewendet von BeginDoc, zurückgenommen von EndDoc
Pdf.BeginDoc;
Pdf.CurrentPage.SetFont('Arial', [], 12);
Pdf.CurrentPage.TextOut(40, 40, 0, 'Invoice 2026-1042');
Pdf.CurrentPage.SetFont('SimSun', [], 12);
Pdf.CurrentPage.TextOut(40, 60, 0, WideString(#$5408#$8BA1));
Pdf.EndDoc;
finally
Pdf.Free;
end;
end;
Die Wiederherstellung läuft im äußersten finally von EndDoc. Das zählt für eine Komponente, die in einem Data-Module wohnt und Hunderte Berichte am Tag schreibt: Eine Ausnahme mittendrin in einem Bericht lässt den nächsten Job nicht auf maximaler Kompression mit erzwungenem Subsetting weiterlaufen. Die Property CompressDocument selbst bleibt True, das nächste Dokument bekommt also dieselbe Behandlung, und nur die geliehenen Einstellungen gehen zurück
Die Version wird sorgfältiger behandelt. HotPDF nimmt seine eigene Anhebung auf 1.5 nur zurück, wenn das Dokument am Ende noch bei 1.5 liegt. Schiebt ein anderes Feature die Datei während des Laufs höher (etwa ein eingebetteter OpenType-Font, der 1.6 braucht), bleibt die höhere Version, was genau das Ergebnis ist, das man auch ohne Kompression bekäme. Für eine langlebige Komponente ist das eine sicherere Bauart, als die sechs Properties einmal beim Start von Hand zu setzen, denn handgesetzte Werte bleiben für jeden späteren Job stehen, auch für die editierbaren
Syntax, Offsets und Object-Stream-Packing stutzen
Sind Fonts und Streams erst einmal klein, werden die Dictionaries und die Cross-Reference-Daten zum größten verbleibenden Posten, und der Object-Stream-Writer hinter CompressDocument stutzt auch dort. Das Containerformat selbst behandelt der Leitfaden zu Object Streams und inkrementellen Updates. Obendrauf legt der Kompressionspfad vier Verfeinerungen:
- Kompakte Syntax nach ISO 32000-1 §7.2.2: Ein Leerzeichen wird nur geschrieben, wo zwei Tokens sonst als reguläre Zeichen zusammenlaufen würden, aus
/Type /Pagewird also/Type/Page - Cross-Reference-Stream-Felder nehmen jede Breite, die §7.5.8.2 erlaubt, eine Datei unter 16 MB speichert jeden Offset also in 3 Bytes statt 4
- Bis zu 250 Objekte wandern in jeden Object Stream; weniger, größere Container geben Flate mehr Wiederholung zum Arbeiten
- Ist die Datei unverschlüsselt, wandern Catalog und Info-Dictionary ebenfalls in Object Streams; verschlüsselte Ausgabe behält sie auf der obersten Ebene
Kompakte Syntax kollidiert mit allem, was eine Datei repariert, indem es ihren Text durchsucht. Signieren ist der offensichtliche Fall. Der Signaturwert wird eingetragen, nachdem die Datei geschrieben ist, indem man die Literal-Platzhalter /ByteRange ( und /Contents < in den Ausgabebytes findet. Kompakt geschrieben werden daraus /ByteRange( und /Contents<, und eine Literal-Suche findet sie nie. HotPDF schreibt Signatur-Dictionarys (Type Sig oder DocTimeStamp, oder FT Sig) und das Verschlüsselungs-Dictionary daher mit dem Layout mit Leerzeichen. Ein eigenes Nach-Speichern-Skript, das nach /Type /Page oder ähnlichen Tokens mit Leerzeichen grept, braucht ein Muster, das das fehlende Leerzeichen toleriert
Können Sie eine bereits geladene PDF komprimieren?
Ja. Der Options-Overload CompressLoadedDocument(Options, AInfo) fährt dieselben verlustfreien Schritte auf einer bestehenden Datei. Mit THPDFLoadedDocumentCompressionOptions.Default entfernt er ungenutzte Seitenressourcen, führt identische Fonts und Form XObjects zusammen, subsettet eingebettete Fonts mit eingeschalteten kompakten Subsets, komprimiert unfilterte, Flate-, LZW-, ASCII85-, ASCIIHex- und RunLength-Streams mit Flate neu, wann immer das Ergebnis kleiner ausfällt, und stellt das nächste Speichern auf Object Streams um. HighRatioFlate ist ab Werk aus, und Object Streams entfallen bei PDF/A-1 und bei inkrementellen Saves. Der parameterlose CompressLoadedDocument-Overload ist der schmalere Aufruf: Er Flate-komprimiert nur Streams, die unkomprimiert gespeichert sind
var
Doc: THotPDF;
Options: THPDFLoadedDocumentCompressionOptions;
Info: THPDFLoadedDocumentCompressionInfo;
begin
Doc := THotPDF.Create(nil);
try
Doc.AutoLaunch := False;
Doc.LoadFromFile('quarterly-report.pdf');
Options := THPDFLoadedDocumentCompressionOptions.Default;
// Options.AllowSignatureInvalidation := True; // nur wenn der Verlust von Signaturen akzeptabel ist
Doc.CompressLoadedDocument(Options, Info);
if Info.RefusedBySignaturePolicy then
Writeln(Format('Left untouched: %d signature fields', [Info.SignatureCount]))
else
begin
Writeln(Format('Compact fonts: %d, bytes saved before object streams: %d',
[Info.Fonts.CompactSubsetFontCount, Info.BytesSaved]));
Doc.SaveLoadedDocument('quarterly-report-compact.pdf');
end;
finally
Doc.Free;
end;
end;
Signierte Dateien werden als eine einzige Entscheidung behandelt. Jeder Schritt schreibt Bytes um, die eine Signatur abdeckt, ein Dokument mit Signaturfeldern wird also als Ganzes abgelehnt: Der Aufruf gibt 0 zurück, setzt RefusedBySignaturePolicy und ändert nichts. AllowSignatureInvalidation zu setzen lässt die Arbeit laufen, und Info.SignaturesInvalidated hält dann fest, dass die Signaturen nicht mehr verifizieren. Lassen Sie diese Option in Batch-Jobs aus. Ein Ordner Verträge, über Nacht komprimiert, ist ein schlechter Ort, um zu entdecken, dass die Hälfte Signaturen trug
Die Kompaktierung auf dem Loaded-Pfad ist strenger als auf dem Erzeugungspfad, aus einem Grund, der direkt aus dem Dateiformat kommt. Bis die Fonts gesubsettet sind, hat der Decoder bereits jede CID über diejenige /CIDToGIDMap, die die Datei mitbrachte, in eine GID übersetzt, aber eine neue kompakte Map muss per CID indiziert sein. Beides geht nur auf, wenn CID gleich GID ist. HotPDF kompaktiert ein Fontprogramm daher nur, wenn jeder Font, der es benutzt, ein CIDFontType2 mit Identity-/CIDToGIDMap ist. Programme mit bereits vorhandenem Map-Stream, simple TrueType-Fonts und Fonts mit einem /CIDSet bekommen das dünne Subset. Ebenso Schriften mit Farbglyphen-Tabellen (COLR, sbix, CBDT oder SVG), denn der kompakte Neubau behält nur Umriss-Tabellen und würde die Farbebenen fallen lassen
Lesen Sie Info.BytesSaved für das, was es ist. Es summiert die Ressourcen-, Font- und Stream-Schritte, während der Object-Stream-Gewinn erst sichtbar wird, wenn SaveLoadedDocument die Datei schreibt, vergleichen Sie also Dateigrößen auf der Platte für die volle Zahl
Finale Kopien gegen Dokumente, die sich noch ändern
Die Gewinne richten sich danach, wie viel einer Datei unkomprimierte Struktur und übergroße Fontdaten sind, die Seitenzahl hat damit wenig zu tun. Für ein dreiseitiges Dokument aus gemischtem englischen und chinesischen Text in Arial und SimSun mit beiden Fonts vollständig eingebettet kommt die unkomprimierte Datei auf rund 10 MB; mit CompressDocument erzeugt sind es grob 20 KB, der Großteil des Falls vom Font-Subsetting, und CompressLoadedDocument landet beim unkomprimierten Original im selben Bereich. Eine bereits kompakte PDF bewegt sich kaum. Fotoreiche Dateien gewinnen wenig, denn keiner der Pfade fasst Bilddaten an
Der Preis ist die Editierbarkeit. Eine Subset-Schrift kann nur die Zeichen zeigen, die das Dokument bereits benutzt, also kann ein AcroForm, das jemand später ausfüllt, oder eine inkrementelle Bearbeitung, die neuen Text in derselben Schrift ergänzt, auf fehlende Glyphen stoßen. Gepackte Object Streams hören zudem auf, in einem Texteditor lesbar zu sein, was jede Debugging-Session verlangsamt, die damit beginnt, das PDF im Notepad zu öffnen. Schalten Sie CompressDocument für finale Kopien ein: archivierte Rechnungen, Kontoauszüge, alles, was einmal erzeugt und danach nur noch gelesen wird. Für Vorlagen und Formulare, die jemand nachgelagert ausfüllen wird, lassen Sie es aus und behalten die vollen Fonts
Erzeugen Sie dieselben CJK-Reports jede Nacht, kombinieren Sie kompakte Subsets mit dem persistenten Font-Subset-Cache auf der Platte, damit die Subsetting-Arbeit nicht je Lauf neu anfällt. Und wenn Sie zwei nächtliche Ausgaben vergleichen, diffen Sie sie nach Objektinhalt. Ein einziges geändertes Feld Flate-komprimiert seinen ganzen Object Stream neu, ein Byte-Diff zeigt also weit mehr Änderung, als tatsächlich geschah
Property-, Record- und Options-Details zu allem Obigen stehen in der Referenz auf der Produktseite HotPDF Delphi PDF component