Dos caracteres chinos compuestos en SimSun y pasados por un subsetter TrueType corriente siguen dejando unos 25 KB de datos de fuente incrustados en el PDF. Los contornos de esos dos ideogramas son una migaja de eso. El resto es contabilidad de slots: el subconjunto conservó la numeración original de glifos, así que todavía lleva una entrada de localización y una entrada de ancho por cada ID de glifo hasta el más alto que retuvo, y en una fuente CJK los ideogramas se sientan hondo en una tabla muy grande. Renumera los supervivientes desde cero, deja que un stream /CIDToGIDMap traduzca, y esos mismos dos caracteres caben en unos 3 KB
A dónde van los bytes en un subconjunto de fuente disperso
Un subconjunto disperso sigue pesado porque se niega a mover glifo alguno. HotPDF escribe texto Unicode como fuente Type 0 sobre un descendiente CIDFontType2, y el content stream muestra cada glifo por su ID de glifo original usado como CID. Con /CIDToGIDMap /Identity, la ISO 32000-1 §9.7.4.2 le dice al visor que trate ese CID directamente como índice de glifo. Renumera los glifos dentro del programa de fuente y deja todo lo demás quieto, y cada carácter de la página apunta al contorno equivocado. Conservar la numeración es la respuesta barata y segura. Su precio es que loca y hmtx deben cubrir cada slot hasta el GID más alto conservado, vacío o no
Suponed que una fuente CJK declara 28.000 glifos y uno de vuestros dos caracteres se sienta cerca del final. Una tabla loca de formato largo gasta 4 bytes por slot, unos 112 KB, y las métricas horizontales completas gastan otros 4 bytes por slot. Son más de 200 KB de tablas antes de comprimir, casi todo ceros y offsets repetidos. Flate encoge rachas así muy bien, pero no puede hacerlas desaparecer, y de ahí sale la mayor parte de esos 25 KB. Una fuente latina con unos pocos miles de glifos lleva la misma estructura a una décima de la escala, así que el coste de verdad aterriza en los documentos que mezclan texto chino, japonés o coreano
Qué glifos sobreviven en primer lugar (componentes compuestos, alternativas arrastradas por el shaping) se decide antes, por las reglas de cierre de subconjunto de fuentes para glifos con shaping. La compactación solo cambia lo que cuestan los supervivientes una vez fijado ese conjunto
Subconjuntos de fuentes compactos tras un stream CIDToGIDMap
THotPDF.CompactFontSubsetting renumera los glifos conservados en un rango denso que empieza en cero, reconstruye las tablas de glifos solo para esos glifos y escribe un stream /CIDToGIDMap explícito en la CIDFont. La ISO 32000-1 §9.7.4.2 define ese stream como un array de IDs de glifo de dos bytes, big-endian, indexado por CID: el GID del CID n se sienta en el offset de bytes 2n. Los content streams, el array de anchos /W y la CMap ToUnicode conservan todos los números originales como CIDs. Solo el paso de CID a glifo se muda al mapa, así que nada de lo ya escrito en una página tiene que tocarse
La propiedad funciona por su cuenta. No necesitáis el resto de la maquinaria de compresión para conseguir fuentes más pequeñas, y para un informe que sea sobre todo texto CJK este par de ajustes hace la mayor parte del trabajo:
Pdf.EnableFontSubsetting := True;
Pdf.CompactFontSubsetting := True; // utilizable sin CompressDocument
Pdf.BeginDoc;
Pdf.CurrentPage.SetFont('SimSun', [], 12);
Pdf.CurrentPage.TextOut(40, 40, 0, WideString('Total: '#$4E2D#$6587));
Pdf.EndDoc;
La compactación se aplica a un tipo concreto de fuente. HotPDF construye subconjuntos compactos para caras TrueType Type 0: las fijadas a través de SetFont con EnableFontSubsetting activado, y la cara registrada a través de RegisterUnicodeTTF. Una fuente TrueType simple se localiza a través de la cmap dentro de su propio programa de fuente, y renumerar dejaría esa cmap apuntando a los glifos equivocados, así que las fuentes simples conservan el subconjunto disperso. Las caras OpenType-CFF también lo conservan. Si la construcción compacta falla para una fuente concreta, HotPDF escribe el subconjunto disperso para esa fuente y continúa con el documento. La propiedad viene apagada de fábrica, así que la salida existente se queda idéntica byte a byte hasta que optéis por entrar; bajo PDF/A la cara Unicode registrada recibe siempre un subconjunto compacto
Una trampa se sienta en el lado de la lectura. Un stream /CIDToGIDMap parece que pertenece junto a las CMaps, pero es binario en bruto sin bloques begincidchar, y entregarlo a un tokenizador de CMaps produce un mapeado vacío sin error alguno. Si vuestra propia tooling extrae texto o mide glifos de estos ficheros, leed el mapa como pares de 16 bits planos
¿Qué cambia CompressDocument para un documento?
THotPDF.CompressDocument toma prestados seis ajustes del writer más el tope de object streams en el BeginDoc y devuelve todos en el EndDoc. Antes de que la versión PDF se asiente, HotPDF anota vuestros valores y luego fija:
CompressionacmFlateDecodeyCompressionLevelaclMaximumEnableFontSubsettingyCompactFontSubsettingaTrueUseXRefStreamyUseObjectStreamsaTrue, según la ISO 32000-1 §7.5.7 y §7.5.8- El tope de objetos por contenedor a 250 en lugar del 100 habitual, salvo que ya hubierais fijado el vuestro a través de
ConfigureAdaptiveObjectStreamPacking
Los object streams necesitan PDF 1.5, así que un Version más viejo se sube a 1.5 cuando la versión no está bloqueada. PDF/A-1 prohíbe sin más los streams de referencias cruzadas y de objetos, así que un documento PDF/A-1 conserva su tabla de referencias cruzadas clásica y recibe solo el trabajo de Flate y de fuentes. Las imágenes se escriben exactamente como las incrustasteis; nada se remuestrea ni se recomprime con pérdida
var
Pdf: THotPDF;
begin
Pdf := THotPDF.Create(nil);
try
Pdf.AutoLaunch := False;
Pdf.FileName := 'invoice-2026-1042.pdf';
Pdf.CompressDocument := True; // lo aplica BeginDoc, lo deshace 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;
La restauración corre en el finally más externo de EndDoc. Eso importa para un componente que vive en un data module y escribe cientos de informes al día: una excepción a mitad de un informe no deja el siguiente trabajo corriendo a compresión máxima con el subsetting forzado. La propiedad CompressDocument en sí se queda en True, de modo que el siguiente documento recibe el mismo tratamiento, y solo los ajustes prestados vuelven
La versión recibe un manejo más cuidadoso. HotPDF revierte su propia subida a 1.5 solo si el documento termina todavía en 1.5. Cuando otra característica empuja el fichero más alto durante la ejecución (una fuente OpenType incrustada que necesita 1.6, por ejemplo), la versión más alta se queda, que es exactamente el resultado que obtendríais sin compresión. Para un componente de vida larga esto es un diseño más seguro que fijar las seis propiedades a mano una vez al arrancar, porque los valores fijados a mano se quedan para cada trabajo posterior, incluidos los editables
Recortar sintaxis, offsets y empaquetado de object streams
Cuando las fuentes y los streams son pequeños, los diccionarios y los datos de referencias cruzadas se convierten en el mayor coste restante, y el escritor de object streams que usa CompressDocument también los recorta. El formato de contenedor en sí se cubre en la guía de object streams y actualizaciones incrementales. Encima de él, la ruta de compresión añade cuatro refinamientos:
- Sintaxis compacta según la ISO 32000-1 §7.2.2: se escribe un espacio solo donde dos tokens se pegarían como caracteres regulares, de modo que
/Type /Pagepasa a/Type/Page - Los campos del stream de referencias cruzadas usan cualquier ancho que permita la §7.5.8.2, de modo que un fichero por debajo de 16 MB almacena cada offset en 3 bytes en lugar de 4
- Hasta 250 objetos entran en cada object stream; menos contenedores más grandes dan a Flate más repetición con la que trabajar
- En un fichero sin cifrar el Catalog y el diccionario Info también se empaquetan en object streams, mientras que la salida cifrada los mantiene en el nivel superior
La sintaxis compacta choca con cualquier cosa que parchee un fichero buscando en su texto. La firma es el caso obvio. El valor de la firma se rellena después de escribir el fichero, localizando los marcadores literales /ByteRange ( y /Contents < en los bytes de salida. Escrito compacto, aquello pasa a /ByteRange( y /Contents<, y una búsqueda literal nunca los encuentra. HotPDF escribe por tanto los diccionarios de firma (Type Sig o DocTimeStamp, o FT Sig) y el diccionario de cifrado con la disposición espaciada. Cualquier script vuestro de posguardado que haga grep de /Type /Page o tokens espaciados parecidos necesita un patrón que tolere el espacio ausente
¿Se puede comprimir un PDF que ya está cargado?
Sí. La sobrecarga con opciones CompressLoadedDocument(Options, AInfo) ejecuta los mismos pasos sin pérdidas sobre un fichero existente. Con THPDFLoadedDocumentCompressionOptions.Default retira los recursos de página sin usar, fusiona fuentes y form XObjects idénticos, hace subsetting de las fuentes incrustadas con los subconjuntos compactos activados, recomprime con Flate los streams sin filtrar, Flate, LZW, ASCII85, ASCIIHex y RunLength siempre que el resultado sea más pequeño, y cambia el siguiente guardado a object streams. HighRatioFlate viene apagado de fábrica, y los object streams se saltan para PDF/A-1 y para guardados incrementales. La sobrecarga CompressLoadedDocument sin parámetros es la llamada más estrecha: solo comprime con Flate los streams almacenados sin comprimir
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; // solo si perder firmas es aceptable
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;
Los ficheros firmados se manejan como una única decisión. Cada paso reescribe bytes que una firma cubre, así que un documento con campos de firma se rechaza como conjunto: la llamada devuelve 0, pone RefusedBySignaturePolicy y no cambia nada. Poner AllowSignatureInvalidation deja que el trabajo siga adelante, y Info.SignaturesInvalidated registra entonces que las firmas ya no verifican. Dejad esa opción apagada en trabajos por lotes. Una carpeta de contratos comprimida de noche es un mal sitio para descubrir que la mitad llevaba firmas
La compactación en la ruta de carga es más estricta que en la ruta de creación, por una razón que viene directa del formato de fichero. Para cuando las fuentes hacen subsetting, el decodificador ya convirtió cada CID en un GID a través del /CIDToGIDMap que llevara el fichero, pero un mapa compacto nuevo tiene que indexarse por CID. Los dos solo cuadran cuando CID iguala GID. HotPDF compacta por tanto un programa de fuente solo cuando cada fuente que lo usa es una CIDFontType2 con /CIDToGIDMap Identity. Los programas que ya tienen un stream de mapa, las fuentes TrueType simples y las fuentes con /CIDSet reciben el subconjunto disperso. También las caras con tablas de glifos de color (COLR, sbix, CBDT o SVG), porque la reconstrucción compacta conserva solo tablas de contornos y soltaría las capas de color
Leed Info.BytesSaved por lo que es. Suma los pasos de recursos, fuentes y streams, mientras que la ganancia de object streams aparece solo cuando SaveLoadedDocument escribe el fichero, así que comparad tamaños de fichero en disco para la cifra completa
Copias finales frente a documentos que todavía cambian
Las ganancias siguen cuánto de un fichero es estructura sin comprimir y datos de fuente sobredimensionados, y el recuento de páginas tiene poco que ver. Para un documento de tres páginas de texto mixto inglés y chino en Arial y SimSun con ambas fuentes completamente incrustadas, el fichero sin comprimir ronda los 10 MB; generado con CompressDocument queda en unos 20 KB, la mayor parte de la caída del subsetting de fuentes, y CompressLoadedDocument aterriza en el mismo rango para el original sin comprimir. Un PDF que ya es compacto apenas se mueve. Los ficheros cargados de fotos ganan poco, porque ninguna de las dos rutas toca datos de imagen
El coste es la editabilidad. Una fuente de subconjunto solo puede mostrar los caracteres que el documento ya usa, así que un AcroForm que alguien rellene después, o una edición incremental que añada texto nuevo en la misma fuente, puede topar con glifos ausentes. Los object streams empaquetados dejan además de ser legibles en un editor de texto, lo que frena cualquier sesión de depuración que empiece abriendo el PDF en el Notepad. Activad CompressDocument para las copias finales: facturas archivadas, extractos, cualquier cosa que se genere una vez y después solo se lea. Para plantillas y formularios que alguien de aguas abajo rellenará, dejadlo apagado y conservad las fuentes completas
Si generáis los mismos informes CJK cada noche, emparejad los subconjuntos compactos con la caché de subconjuntos de fuentes persistente en disco para que el trabajo de subsetting no se rehaga en cada ejecución. Y cuando comparéis dos salidas nocturnas, haced el diff por contenido de objeto. Un campo cambiado recomprime con Flate su object stream entero, así que un diff de bytes muestra mucho más cambio del que realmente ocurrió
Los detalles de propiedades, records y opciones de todo lo anterior están en la referencia de la página de producto del componente PDF de HotPDF para Delphi