Artículo técnico

Fuentes PDF no embebidas con fuentes del sistema en Delphi

Cuando un PDF no embebe una fuente, el componente HotPDF renderiza ese texto con una fuente de Windows instalada elegida por HPDFMapBaseFontToSystem: decodifica el nombre de /BaseFont, quita la parte de estilo, prueba varias grafías hasta que GDI confirma que la familia está instalada, mide los widths faltantes del standard 14 desde fuentes métricamente compatibles, y convierte los códigos de un byte a Unicode antes de dibujar. Cada uno de esos pasos existe porque el enfoque obvio falla con archivos reales. El page renderer RenderLoadedPageToBitmap maneja bien los programas embebidos; esta es la historia de las fuentes que no están en el archivo para nada

¿Por qué GDI dibuja en silencio el typeface equivocado para una fuente no embebida?

GDI nunca reporta una fuente faltante: entréguele a CreateFontIndirect a mano un nombre de cara que no conoce y en silencio selecciona un sustituto, a menudo otra serif sin peso bold. Pase el nombre PDF casi textual y TimesNewRoman,Bold, TimesNewRomanPS-BoldMT y SegoeUI-Semibold no coinciden con nada y salen en lo que GDI elija. Los nombres pueden ser peor. ISO 32000-1 §7.3.5 deja que un nombre escriba cualquier byte como #xx, y los productores CJK rutinariamente deletrean nombres de fuente como bytes UTF-8 escapados o de code page legado; un mapper que se salta el paso de decodificación le pide a GDI una cara nombrada como los escapes mismos. HPDFMapBaseFontToSystem decodifica primero los escapes, devuelve una secuencia de bytes UTF-8 válida como sus caracteres, y lee cualquier otro byte alto en la code page del sistema

Cortar el estilo es donde las heurísticas muerden. Una coma siempre termina la familia (Arial,Bold da Arial), pero un guión solo lo hace cuando la palabra que sigue es un estilo: Bold, Italic, Oblique, Regular, Roman, Medium, Light, Black, Heavy, Semi, Demi, Thin, Extra, Ultra o Condensed. Esa regla deja MS-Mincho entero mientras convierte Calibri-Light en Calibri. HotPDF entonces prueba grafías de la familia, seguidas de grafías de la familia con un sufijo PSMT, MT o PS quitado. Esas grafías cubren cada elección de espacios en los lugares donde una palabra puede arrancar: antes de una mayúscula que sigue a una minúscula (MyriadPro se vuelve Myriad Pro), en la última mayúscula de una tanda seguida por una minúscula (UIGothic), y después de un MS inicial (MSPGothic), desde la forma totalmente espaciada hasta el nombre tal como está escrito; pasados cuatro de esos lugares solo se prueban la forma totalmente espaciada y el nombre pegado. El espaciado no puede aplicarse a ciegas, porque Windows mantiene algunas palabras pegadas: SimSun está instalado con exactamente esa grafía, mientras MicrosoftYaHei, MicrosoftJhengHei y MSPGothic pertenecen a Microsoft YaHei, Microsoft JhengHei y MS PGothic. Un mapper que mete un espacio antes de cada mayúscula interna busca MicrosoftYaHei como Microsoft Ya Hei y nunca lo encuentra. Un candidato cuenta como instalado cuando CreateFontIndirect seguido de GetTextFace devuelve el nombre que se pidió, o cuando la tabla name de la fuente seleccionada lo lista como familia, familia completa o familia tipográfica en cualquier idioma; la respuesta se cachea por nombre, así que documentos con muchas fuentes no instaladas no sondean Windows por cada nombre en cada página

El pipeline de HotPDF que renderiza fuentes PDF no embebidas con fuentes del sistema en Delphi: HPDFMapBaseFontToSystem decodifica los bytes escapados #xx del nombre /BaseFont, recorta los sufijos de estilo Bold, Italic y Light manteniendo MS-Mincho entero, arma grafías candidatas como Myriad Pro y Microsoft YaHei, y acepta una solo cuando GetTextFace o la tabla de nombres de la fuente confirman el nombre instalado
GDI jamás reporta una fuente faltante, sustituye en silencio — el mapeo prueba sus candidatas en orden y solo confía en un nombre que GDI le devuelva o que la tabla name de la fuente seleccionada liste

Como la función de mapeo es pública en la unidad HPDFRenderFontMetrics, un reporte de preflight puede mostrar con qué familia instalada va a renderizar cada fuente no embebida, usando la enumeración de fuentes que THotPDF ya expone para documentos cargados:

uses
  HPDFDoc, HPDFRenderFontMetrics;

procedure ListSystemFontMappings(Pdf: THotPDF; Log: TStrings);
var
  Page, I: Integer;
  Info: THPDFLoadedFontInfo;
begin
  for Page := 0 to Pdf.LoadedPageCount - 1 do
    for I := 0 to Pdf.GetLoadedFontCount(Page) - 1 do
      if Pdf.GetLoadedFontInfo(Page, I, Info) and not Info.IsEmbedded then
        Log.Add(Format('page %d  /%s  %s -> %s',
          [Page + 1, string(Info.ResourceName), string(Info.FontName),
           HPDFMapBaseFontToSystem(Info.FontName)]));
end;

¿Cómo mide HotPDF las fuentes standard 14 que no tienen /Widths?

HotPDF mide los advances faltantes sobre la fuente instalada con las mismas métricas, porque ISO 32000-1 §9.6.2.2 permite a las fuentes standard 14 omitir /Widths y la librería no trae tablas AFM. Arial carga métricas de Helvetica, Times New Roman carga Times y Courier New carga Courier, así que HPDFMeasureBaseFontWidths crea la cara correspondiente con lfHeight = -1000 y llama a GetCharWidth32W; a esa altura el resultado ya está en las unidades 1/1000 em que usan los widths de PDF. El renderer primero convierte cada código a Unicode vía /Encoding, /BaseEncoding y /Differences, con default StandardEncoding. La exportación SVG y la extracción de texto comparten una trampa más: una fuente Type 1 standard sin /Encoding alguno igual tiene una StandardEncoding implícita, y un decoder construido sin ella no carga información de encoding, así que cada width medido se desperdicia. HotPDF provee la StandardEncoding implícita y la marca como encoding predefinido; enrutarla por el camino de nombres de CMap en cambio decodificaría cada código como 0, y cada width se iría detrás

Bold, italic y los flags del font descriptor que cuentan desde uno

La entrada /Flags de un font descriptor numera sus bits desde 1, no desde 0, así que ForceBold es el bit 19 ($40000) e Italic es el bit 7 ($40), según ISO 32000-1 Tabla 123. El desfase de uno es fácil de cometer: cuente desde cero y $20000 parece ForceBold, pero es el bit 18, SmallCap, y un test de peso sobre él renderiza cada cara small-caps en bold. La trampa además se esconde bien, porque /FontDescriptor es casi siempre una referencia indirecta: código que solo lee objetos directos nunca llega a la rama de flags, y la misma ceguera ignora /Widths 12 0 R y acomoda el texto con un advance de fallback. Resolver referencias indirectas y clavar las constantes de bits a la Tabla 123 van juntos:

const
  // ISO 32000-1 Tabla 123 cuenta las posiciones de bit desde 1
  FD_ITALIC     = $00040;  // bit 7
  FD_SMALLCAP   = $20000;  // bit 18, no es un peso
  FD_FORCEBOLD  = $40000;  // bit 19

procedure ApplyDescriptorFlags(Flags: Integer; var LF: TLogFont);
begin
  if (Flags and FD_FORCEBOLD) <> 0 then
    LF.lfWeight := FW_BOLD;
  if (Flags and FD_ITALIC) <> 0 then
    LF.lfItalic := 1;
end;
Numeración de bits de la entrada /Flags del font descriptor de PDF: ISO 32000-1 Tabla 123 cuenta desde el bit 1, haciendo Italic $40 en el bit 7, SmallCap $20000 en el bit 18 y ForceBold $40000 en el bit 19, así que un test base cero de $20000 para bold en realidad apunta a SmallCap y queda escondido mientras las referencias indirectas de /FontDescriptor no se resuelven
Una rama de flags detrás de un descriptor indirecto queda como código muerto hasta que las referencias se resuelven, y entonces un test de bits base cero vuelve bold el texto small-caps

¿Por qué las fuentes CJK con CMap UCS2 reciben widths equivocados?

El texto CJK con un CMap UCS2 predefinido dibuja los glifos correctos pero el espaciado equivocado cuando un renderer trata el código como el CID, porque /W se indexa por CID, no por código de carácter. Con STSong-Light y UniGB-UCS2-H, el código coincide con el valor Unicode, así que GDI dibuja los caracteres correctos y el error se esconde en los advances: las letras minúsculas llegan como códigos 97 y arriba, caen fuera de una entrada /W como [1 95 500], y todas reciben el width default /DW de 1000. El renderer de HotPDF lee los códigos a través de los codespace ranges del CMap (ISO 32000-1 §9.7.6.2) y los mapea a CIDs antes de buscar widths. Trabaja desde las tablas UCS2 y UTF16 embebidas y los streams CMap embebidos; una aproximación de identidad para algo como GBK-EUC-H solo parecería soportado mientras produce salida equivocada, así que deliberadamente no se usa

Por qué el texto CJK con un CMap UCS2 puede dibujar los glifos correctos con advances equivocados: /W se indexa por CID mientras los códigos son valores Unicode, así que con STSong-Light y UniGB-UCS2-H los códigos minúsculos 97 y arriba fallan la entrada /W [1 95 500] y toman el default /DW, lo que HotPDF evita mapeando códigos a CIDs vía codespace ranges del CMap
El error se esconde porque aquí código iguala Unicode — los glifos se ven bien mientras cada advance queda en default en silencio, así que juzgue el renderizado CJK por el espaciado, no por las formas

¿Por qué los caracteres acentuados se vuelven signos de interrogación en Windows chino?

Los códigos de un byte jamás deben llegar a las funciones GDI ANSI ("A"), porque GetGlyphOutlineA y GetGlyphIndicesA interpretan bytes en la code page del sistema mientras TextOutA usa el character set de la fuente seleccionada. En un sistema chino, el byte $A9 de Arial (el signo de copyright en Windows-1252) se vuelve un byte líder GBK y renderiza como "?", y cualquier camino de outlines que llame a las funciones A camina derecho hacia eso. HotPDF le pregunta a la fuente realizada por su character set con GetTextCharset, lo convierte a una code page vía TranslateCharsetInfo, pasa el byte por MultiByteToWideChar y llama a las funciones W; las fuentes symbol usan U+F000 más el código en su lugar. Los encodings que discrepan de Windows-1252 — /Differences, StandardEncoding, MacRomanEncoding — se mapean a Unicode antes de que cualquier fuente del sistema los vea

¿Hasta dónde llega dibujar con fuentes del sistema?

El renderizado con fuentes del sistema es una aproximación por naturaleza, y el Windows localizado agrega un giro: GetTextFace reporta el nombre de familia en el idioma del sistema, así que una comparación de nombres por sí sola juzgaría Microsoft YaHei faltante en Windows chino o Yu Mincho faltante en Windows japonés. Por eso una cara que vuelve bajo otro nombre también se busca en la tabla name de la fuente. La compatibilidad métrica existe para las familias Helvetica, Times y Courier; Symbol mapea a Symbol y ZapfDingbats a Wingdings, que es un parche de emergencia más que una coincidencia. El preflight de arriba camina el diccionario /Resources de cada página, así que las fuentes referenciadas solo desde dentro de form XObjects necesitan una pasada propia. Cuando un código todavía no puede dibujarse, el seguimiento de glifos sin resolver al momento de dibujar lo reporta, que es una señal mejor que mirar thumbnails a ojo

La respuesta durable queda del lado de la autoría. HotPDF mismo escribe con FontEmbedding en True por defecto, sustituyendo una Arial embebida incluso cuando el código llama a SetFont con Helvetica, y el texto embebido pasa por el renderer de glifos de fuentes embebidas en vez de por cualquiera de las adivinanzas de arriba. Una guardia barata para archivos entrantes es advertir antes de renderizar cuando una familia mapeada no está en la lista de fuentes de pantalla:

// VCL: Screen.Fonts lista los nombres de familia instalados (unidad Forms)
function MissingSystemFamily(const BaseFont: AnsiString): Boolean;
begin
  Result := Screen.Fonts.IndexOf(HPDFMapBaseFontToSystem(BaseFont)) < 0;
end;

Para el componente completo, incluidos renderizado de páginas, extracción de texto y font subsetting del lado de escritura, vea la página de producto de HotPDF Delphi PDF component