用宋体排两个汉字,过了寻常的 TrueType 子集化,PDF 里还是留下约 25 KB 的内嵌字体数据。那两个汉字的轮廓只占其中一小条,剩下的全是槽位簿记:子集保留了原始的字形编号,于是从 0 到保留下来的最大字形 ID,每个 ID 都要带一个位置表项和一个宽度表项,而 CJK 字体里汉字本就蹲在一张大表的深处。把幸存者从零重新编号,让一条 /CIDToGIDMap 流去做翻译,同样两个字符 3 KB 左右就够了
稀疏字体子集的字节都花在哪儿
稀疏子集瘦不下来,是因为它拒绝挪动任何字形。HotPDF 把 Unicode 文本写成 Type 0 字体套 CIDFontType2 后代,内容流用原始字形 ID 充当 CID 来点名每个字形。配 /CIDToGIDMap /Identity 时,ISO 32000-1 §9.7.4.2 让阅读器把这个 CID 直接当字形索引用。字体程序内部重新编号而别处原样不动,页面上每个字符都会指到错误的轮廓。保留编号是便宜又安全的答案,代价是 loca 和 hmtx 必须盖住直到所保留最大 GID 的每个槽位,空槽也不例外
假设一个 CJK 字体声明了 28,000 个字形,你那两个字符里有一个蹲在表尾附近。长格式的 loca 表每槽 4 字节,约 112 KB;完整的水平度量再来每槽 4 字节。压缩之前这是 200 多 KB 的表,几乎全是零和重复的偏移。Flate 对这种长串压缩得很好,但没法让它们消失——那 25 KB 的大头就打这儿来。几千字形的拉丁字体带着同样结构,规模却只有十分之一,所以这笔账真正砸在混入中日韩文本的文档上
哪些字形一开始就能幸存(复合部件、整形拉进来的替换字形),是更早由整形字形的字体子集闭包规则决定的。名单一旦定死,紧凑化只改变幸存者的开销
CIDToGIDMap 流背后的紧凑字体子集
THotPDF.CompactFontSubsetting 把保留的字形重新编号成从零开始的致密区间,只为这些字形重建字形表,并在 CIDFont 上写一条显式的 /CIDToGIDMap 流。ISO 32000-1 §9.7.4.2 把这条流定义为以 CID 索引的两字节大端字形 ID 数组:CID n 的 GID 坐在字节偏移 2n 处。内容流、/W 宽度数组和 ToUnicode CMap 继续用原始编号当 CID。只有从 CID 到字形这一步挪进了映射,已经写上页面的东西一个字节都不用动
这个属性单打独斗也行。想字体变小,不需要压缩机器的其余部分;一份以 CJK 文本为主的报告,就这两项设置出大头:
Pdf.EnableFontSubsetting := True;
Pdf.CompactFontSubsetting := True; // 不开 CompressDocument 也能用
Pdf.BeginDoc;
Pdf.CurrentPage.SetFont('SimSun', [], 12);
Pdf.CurrentPage.TextOut(40, 40, 0, WideString('Total: '#$4E2D#$6587));
Pdf.EndDoc;
紧凑化只适用于特定一类字体。HotPDF 为 Type 0 TrueType 字体构建紧凑子集:开着 EnableFontSubsetting 时经 SetFont 设置的那些,以及经 RegisterUnicodeTTF 注册的字体。简单 TrueType 字体靠自身字体程序里的 cmap 定位字形,重新编号会让那张 cmap 指到错误的字形,所以简单字体保持稀疏子集。OpenType-CFF 字体同样如此。某个字体的紧凑构建万一失败,HotPDF 就为它写稀疏子集,文档照常往下走。该属性默认关闭,在你选择加入之前,既有输出保持逐字节相同;PDF/A 下,注册的 Unicode 字体总是拿紧凑子集
读取侧有一个陷阱。/CIDToGIDMap 流看着像该和 CMap 们摆在一起,其实是没有任何 begincidchar 块的裸二进制,把它喂给 CMap 词法分析器会得到一个空映射,而且一声不吭。如果你自己的工具要从这些文件里提取文本或测量字形,请把这条映射当朴素的 16 位对来读
CompressDocument 对一份文档到底改了什么
THotPDF.CompressDocument 在 BeginDoc 时借走六项写出设置外加对象流容量上限,在 EndDoc 时原样奉还。PDF 版本落定之前,HotPDF 先记下你的值,然后设置:
Compression设为cmFlateDecode,CompressionLevel设为clMaximumEnableFontSubsetting和CompactFontSubsetting设为TrueUseXRefStream和UseObjectStreams设为True,依据 ISO 32000-1 §7.5.7 与 §7.5.8- 每容器对象数上限提到 250,而非惯常的 100——前提是你没有经
ConfigureAdaptiveObjectStreamPacking设过自己的值
对象流需要 PDF 1.5,版本没锁定时,较老的 Version 会被抬到 1.5。PDF/A-1 明令禁止交叉引用流和对象流,所以 PDF/A-1 文档保留经典交叉引用表,只享受 Flate 和字体那部分。图像按你嵌入的原样写出;不做重采样,也不做有损重压
var
Pdf: THotPDF;
begin
Pdf := THotPDF.Create(nil);
try
Pdf.AutoLaunch := False;
Pdf.FileName := 'invoice-2026-1042.pdf';
Pdf.CompressDocument := True; // BeginDoc 应用,EndDoc 撤销
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;
归还在 EndDoc 最外层的 finally 里执行。对住在数据模块里、一天写几百份报表的组件,这很重要:某份报表中途抛异常,不会让下一个任务顶着最大压缩、强制子集化继续跑。CompressDocument 属性本身保持 True,下一份文档照旧享受同等待遇,归还的只是借来的设置
版本的处理更讲究。只有文档最终仍停在 1.5 时,HotPDF 才撤销自己那次抬升。运行期间别的特性把文件推得更高(比如一个需要 1.6 的内嵌 OpenType 字体),更高的版本就留着——这与不开压缩时的结果一模一样。对常驻组件来说,这比启动时手工设一次那六项属性更安全,因为手设的值会赖在后续每个任务上,包括那些要保留可编辑性的
修剪语法、偏移与对象流装箱
字体和流小下去之后,字典和交叉引用数据成了剩下的大头,CompressDocument 用的对象流写出器对它们也有修剪。容器格式本身在对象流与增量更新指南里讲过,压缩路径在其上再加四项细化:
- 按 ISO 32000-1 §7.2.2 的紧凑语法:只有两个记号会以常规字符连跑时才写空格,于是
/Type /Page变成/Type/Page - 交叉引用流字段用 §7.5.8.2 允许的任意宽度,16 MB 以下的文件每条偏移存 3 字节而非 4 字节
- 每个对象流最多装 250 个对象;更少、更大的容器让 Flate 有更多重复可用
- 未加密文件里 Catalog 和 Info 字典也装箱进对象流,加密输出则让它们留在顶层
紧凑语法会撞上一切靠搜文本给文件打补丁的东西。签名是最明显的场景:签名值在文件写出之后才填,靠在输出字节里定位字面占位符 /ByteRange ( 和 /Contents <。紧凑拼写后它们成了 /ByteRange( 和 /Contents<,字面搜索永远找不到。所以 HotPDF 写签名字典(Type 为 Sig 或 DocTimeStamp,或 FT 为 Sig)和加密字典时保留带空格的写法。你自己任何在保存后 grep /Type /Page 之类带空格记号的脚本,都得把模式改成容忍缺空格
已经加载的 PDF 还能压吗
能。带选项的重载 CompressLoadedDocument(Options, AInfo) 对既有文件跑同样的无损步骤。用 THPDFLoadedDocumentCompressionOptions.Default 时,它移除未使用的页面资源,合并相同的字体和表单 XObject,开着紧凑子集给内嵌字体做子集化,只要结果更小就用 Flate 重压未过滤、Flate、LZW、ASCII85、ASCIIHex 和 RunLength 流,并把下一次保存切到对象流。HighRatioFlate 默认关着;PDF/A-1 和增量保存跳过对象流。无参的 CompressLoadedDocument 重载是更窄的调用:只对以未压缩方式存储的流做 Flate 压缩
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; // 仅当能接受签名失效时才开
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;
签名文件按一个整体决定处理。每一步都会改写签名覆盖的字节,所以带签名字段的文档被整体拒收:调用返回 0,设上 RefusedBySignaturePolicy,什么都不改。设 AllowSignatureInvalidation 才放行,随后 Info.SignaturesInvalidated 记下签名不再通过校验。批处理里把这个选项关着。一夜压完一整夹合同,早上才发现一半带签名,这地方可不好受
加载路径上的紧凑化比创建路径更严格,理由直接来自文件格式。等到做字体子集化时,解码器已经拿着文件自带的 /CIDToGIDMap 把每个 CID 换成了 GID,而新的紧凑映射必须以 CID 索引。两者只有 CID 等于 GID 时才对得上。所以 HotPDF 只在每个用到该字体程序的都是带 Identity /CIDToGIDMap 的 CIDFontType2 时才紧凑化它。已有映射流的程序、简单 TrueType 字体、带 /CIDSet 的字体,都拿稀疏子集。带彩色字形表(COLR、sbix、CBDT 或 SVG)的字体也一样——紧凑重建只留轮廓表,会把彩色层丢掉
Info.BytesSaved 是什么就是什么:它合计资源、字体和流三步,对象流的收益要等 SaveLoadedDocument 写文件时才兑现,完整的数字请比磁盘上的文件大小
定稿与还要变的文档
收益跟着文件里未压缩结构和超重字体数据的占比走,与页数关系不大。一份三页、中英文混排、Arial 加宋体双全内嵌的文档,未压缩约 10 MB;用 CompressDocument 生成约 20 KB,降幅大头来自字体子集化;对未压缩原件跑 CompressLoadedDocument 也落在同一区间。本来就紧凑的 PDF 几乎不动。照片为主的文件收益寥寥,两条路径都不碰图像数据
代价是可编辑性。子集字体只能显示文档已经用到的字符,所以日后有人填写的 AcroForm,或者在同一字体里补新文字的增量编辑,都可能撞上缺字形。装箱的对象流也不再是文本编辑器可读的,任何以「用记事本打开 PDF」开场的调试都会因此变慢。CompressDocument 留给定稿:归档发票、对账单,一切生成一次、此后只读的东西。下游还有人要填的模板和表单,关掉它,留全套字体
如果每晚都生成同样的 CJK 报表,把紧凑子集和磁盘上的持久字体子集缓存配对使用,子集化就不用每晚重做。比较两晚的产出时,请按对象内容做差异。一个字段变了,它所在的整条对象流都要重新 Flate,字节级 diff 看到的变化远大于实际发生的变化
上文所有属性、记录和选项的细节,见 HotPDF Delphi PDF 组件产品页上的参考