一批供应商发票的缩略图条乍看毫无问题:表格线齐全,徽标清晰,列对齐整齐。放大其中一张,客户名变成一排空心方框,合计列里是一串拼不出任何单词的字母。每张坏掉的发票用的都是同一个字体 ABCDEF+Arial,而在同一台机器上,每一张在桌面 PDF 阅读器里都显示正常。缩略图代码取来字体名,去掉六个字母的子集标签,向 Windows 要了一份 Arial,然后把页面里的原始字符码递给了它。可那些字符码从来就不属于 Arial。要从一个 PDF 页面得到忠实的位图,需要两件事:把页面的内容流当程序来执行,以及从文件里存储的字形轮廓绘制文本,而不是渲染机器碰巧装了什么字体就用什么
PDF 页面是一个要执行的东西
ISO 32000-1 §8 把页面描述为一个内容流:用 cm 改变变换矩阵、用 q 和 Q 保存与恢复图形状态、构建路径、用 Tf 选择字体、用 Tj 摆放字形、用 Do 绘制图像和表单的运算符序列。文件里没有任何东西记录某个像素长什么样。要得到位图,必须有东西针对当前变换矩阵、状态栈、裁剪路径和一对填充与描边色彩空间去执行这个流,然后把产出的结果光栅化
HotPDF 的 RenderLoadedPageToBitmap 就是那个解释器。它遍历已加载页面的运算符,按规范定义的方式维护矩阵与图形状态,解析色彩空间,把 PDF 路径转成 GDI 路径,并从字体的 /Widths 数组而不是从 GDI 取字形步进。图像 XObject 走的是库在提取时用的同一套解码器,所以HotPDF 为提取能解码的每一种图像滤镜——包括JPXDecode 压缩的 JPEG 2000 图像——同样会出现在渲染出的页面里
在 Delphi 中把已加载的页面渲染为 TBitmap
THotPDF.RenderLoadedPageToBitmap(PageIndex, DPI) 接受一个从零开始的页面索引和一个以每英寸点数表示的分辨率,72 DPI 把一个 PDF 单位映射为一个像素,返回一张新的 24 位 RGB TBitmap。索引越界或页面无法构建时返回 nil 而不是抛异常。这对查看器正合适——跳过一张损坏的页面,继续处理其余的。位图归调用者所有
var
Pdf: THotPDF;
Bmp: TBitmap;
begin
Pdf := THotPDF.Create(nil);
try
if Pdf.LoadFromFile('report.pdf') > 0 then
begin
Bmp := Pdf.RenderLoadedPageToBitmap(0, 144); // 第 1 页,144 DPI
if Bmp <> nil then
try
Image1.Picture.Assign(Bmp);
finally
Bmp.Free; // 返回的位图归调用者所有
end;
end;
finally
Pdf.Free;
end;
end;
像素尺寸由页面的可见区域决定。渲染器取 /CropBox 裁剪到 /MediaBox 的结果——这正是 ISO 32000-1 §14.11.2 定义的可见区域,没有可用裁剪框时退回 /MediaBox——再按 DPI/72 缩放并向上取整。于是一张没有单独裁剪框的 US Letter 页面在 72 DPI 下正好回来 612×792 像素;A4 页面(595.28×841.89 点)在 96 DPI 下算出来是 794×1123,因为 793.7 和 1122.5 都要向上取整。/Rotate 为 90 或 270 时宽高互换,而从 PDF 左下原点到 GDI 左上原点的翻转发生在页面矩阵内部,图像到达时就是正立的,不需要任何后处理
DPI 是唯一的缩放旋钮,也够覆盖常见场景。36 或 48 DPI 的缩略图又小又快;96 或 144 DPI 的屏幕预览匹配典型显示密度;300 DPI 的导出给出印刷级输出,代价是每个 Letter 页面一张 2550×3300 的位图,按每像素三字节算每张约 24 MiB
被替换的字体为什么画出错误的字形?
渲染出的 PDF 里出现错误字形,几乎总意味着光栅化器拿一个已安装的字体顶替了文件里嵌入的那个。发票例子里那条捷径很有诱惑力,因为它常常管用:从 /BaseFont 剥掉子集前缀,用剩下的名字向 GDI 要字体,把字符串画出来。对标准编码的普通 Arial 或 Times New Roman 文本,没人会抱怨
子集字体最先打破这条捷径。一个子集可能只带文档用到的那四十个字形,编号顺序是该文件私有的,于是码 1 可能是“T”、码 2 可能是“h”。已安装的字体无从知晓这一点。自定义编码、符号字体、条码字体,以及任何渲染机器上没装的字型,都因同样的原因失败。就算替身真有每一个字符,它的步进宽度也和嵌入字体不同,于是行变长或变短,右对齐的列不再对齐
从嵌入的字体程序绘制文本
HotPDF 从 PDF 里存储的字体程序绘制文本。当字体带有嵌入的 TrueType 程序(/FontFile2)或 CFF 程序(/FontFile3)时,每个字形都从那份数据取轮廓、作为 GDI 路径填充,字号、文本矩阵与当前变换矩阵合成一个变换。子集字体、私有编码和这台机器从没见过的字型,都能以真实的形状呈现。一个字符码如何对应到一个字形取决于字体类型,而每种类型都有自己的坑:
- TrueType 轮廓:轮廓来自
glyf和loca表。二次曲线段被提升为 GDI 所绘的三次贝塞尔曲线——这是精确转换;连续两个离曲线点之间隐含的在线点会被重建;复合字形递归到各自的组件并应用每个组件的变换 - CID 键控 TrueType:
CIDFontType2之上的Type0字体经由/CIDToGIDMap到达字形 ID——条目缺失时默认Identity,否则是显式的映射流——步进取自/W与/DW,双字节Identity-H文本因此迈出正确的步幅。预定义 CJK CMap 和嵌入的 CMap 流会在查表前先解码变长编码 - CFF 程序:
Type1C、CIDFontType0C和包在 OpenType 容器里的 CFF 走一个 Type 2 charstring 解释器,处理直线、曲线、flex 族、hint 掩码,以及带子程序偏置的局部与全局子程序调用。CID 键控的程序把每个码经字体的 charset 映射——字形顺序与 CID 顺序不同的子集正需要这一点——并经FDArray与FDSelect选择每个字形自己的私有字典 - 简单 TrueType 字体:单字节码走嵌入的
cmap,先试 Unicode 子表 (3,1) 和 (3,10),再试 (3,0) 符号子表——直接试一遍,再按符号字体惯用的 U+F000 镜像试一遍——最后是老式 Macintosh (1,0) 表
在这之上还有两条规则。简单字体的 /Encoding 字典按 ISO 32000-1 §9.6.6 规定的顺序解析:/Differences 覆盖基本编码,基本编码再覆盖程序内置的映射。TeX 和其他源自 PostScript 的工具链非常依赖这条顺序,弄反了打乱的恰恰是数学与符号文本——错字形在这些地方最难被发现。Type3 字体的字形本身就是小型内容流,会把字体矩阵、字号和文本矩阵组合后经同一个解释器重放;字形空间的 /Widths 按 §9.6.5 的要求经 /FontMatrix 折算,声明了 d1 包围盒的字形程序会被裁剪到盒内,畸形的条码字形因此画不到自己的格子外面
当单个码映射不到——程序损坏,或子集里根本没有那个字形——只有那一个字符用同名已安装字体绘制,其余部分仍用嵌入轮廓。丢掉整段文本只会把问题藏起来;一个奇怪的字母反而更容易被注意到。没有可用嵌入程序的字体则走用系统字体渲染非嵌入字体那条路
怎样让重复渲染保持快速?
任何交互式场景都请调用 RenderLoadedPageToBitmapCached 而不是普通方法。它把最近渲染过的页面放进一个最近使用(MRU)缓存,键是页面索引、DPI 和当前渲染设置(颜色意图、叠印预览、回退策略以及哪些可选内容层可见),命中时直接交回一份全新的、归调用者所有的副本,不再解释内容流。在两页之间来回翻,或是一次以相同 DPI 重新请求同一页面的缩放,每一次都命中缓存。对每个页面只访问一次的一次性导出,普通的 RenderLoadedPageToBitmap 更合适——缓存变体返回的每个位图都是复制出来的,会把没人再要的页面一直留在内存里
// 缩略图条:第一遍渲染,往回滚动就命中缓存
Pdf.RenderCacheCapacity := 32; // 条目上限;默认是 8
for I := 0 to Pdf.LoadedPageCount - 1 do
begin
Bmp := Pdf.RenderLoadedPageToBitmapCached(I, 48);
if Bmp <> nil then
try
ThumbList.AddThumbnail(I, Bmp); // 你自己的 UI 代码
finally
Bmp.Free;
end;
end;
// 300 DPI 的页面也要缓存?给光栅缓存一个更大的字节预算
// (策略类型:THPDFCacheAdmissionPolicy)
if Pdf.GetCacheAdmissionPolicy(clkRaster, Policy) then
begin
Policy.MaxTotalBytes := Int64(512) * 1024 * 1024;
Pdf.SetCacheAdmissionPolicy(clkRaster, Policy);
end;
// 直接改过页面内容之后:
Pdf.InvalidateRenderedPageCache; // 下一次渲染会体现这次编辑
RenderCacheCapacity 只是两道限制之一。光栅缓存还有字节预算,默认 128 MiB,单条目上限 64 MiB,预算时按每像素四字节计。设想一个查看器缓存 300 DPI 的 Letter 页面:每个条目按约 32 MiB 计,无论 RenderCacheCapacity 写多大都只放得下三个。同一页面在 48 DPI 下按约 0.82 MiB 计,上面循环里的 32 张缩略图全部驻留也花不到 27 MiB。缓存满了之后,只被请求过一次的页面未必挤得过常被请求的页面——它仍会被渲染并返回,只是不再保留。如果查看器的翻页顺序可以预测,PrefetchLoadedPages 会在工作线程上抢在用户前面填满同一个缓存
加载新文档会清空缓存。库自己的若干页面编辑调用(比如 FlattenLoadedFormFields)会自行丢弃受影响的页面;凡是你直接改动页面对象或内容流之后,都请调用 InvalidateRenderedPageCache,因为缓存无法察觉页面背后的字节变了。下面还有第二层存储,存放解码后的图像 XObject,由 ImageCacheMaxBytes(默认 32 MiB)限定,于是每页都出现的徽标或信头在每次文档加载时只解码一次,而不是每个 Do 运算符都解码一次。InvalidateRenderedPageCache 也会清掉这一层。若缩略图需要活过应用重启,渲染缓存的磁盘层管的就是这件事
弄清页面何时被近似过
大多数页面根本碰不到回退,因为渲染器覆盖的远不止文本和图像。CalGray、CalRGB、Lab 和基于 ICC 的色彩空间按当前生效的渲染意图转换,RenderColourIntent 可以覆盖它;ConfigureRenderICCWorkflow 接受打样与输出 ICC 配置文件用于软打样。Indexed 调色板、Separation 与 DeviceN 色调以及采样的 Type 0 函数颜色查找都在覆盖范围内。基于函数、轴向、径向和网格的着色既能经 sh 运算符渲染也能经着色图案渲染;透明度组、挖空组和 alpha 或亮度软蒙版按各自的混合模式合成,详见混合模式组与亮度蒙版
现实世界的文件里仍有没法精确画出来的东西:页面点名却从未定义的资源、数据解码失败的图像、会画出自己的 Form XObject。RenderFallbackPolicy 决定此时怎么办。默认值 rfpIgnore 画出最接近的近似然后继续;rfpReport 照做之外还为每次回退记一条诊断,至多记 RenderFallbackDiagnosticLimit 条(默认 256);rfpStrict 则抛出异常,不返回近似的位图。表单嵌套到 32 层封顶,引用自身的表单会被跳过,损坏或带恶意的文件都无法无界递归
// rfpReport 和 THPDFRenderFallbackDiagnostics 声明在 HPDFPageRenderer 单元
var
Diags: THPDFRenderFallbackDiagnostics;
J: Integer;
begin
Pdf.RenderFallbackPolicy := rfpReport;
Bmp := Pdf.RenderLoadedPageToBitmap(PageIndex, 150);
try
Diags := Pdf.GetLastRenderFallbackDiagnostics;
for J := 0 to High(Diags) do
Log.Add(Format('page %d: %s %s - %s', [PageIndex + 1,
string(Diags[J].OperatorName), string(Diags[J].ObjectName),
string(Diags[J].Reason)]));
if Pdf.LastRenderFallbackDroppedCount > 0 then
Log.Add(Format('%d more fallbacks not recorded',
[Pdf.LastRenderFallbackDroppedCount]));
finally
Bmp.Free; // 对 nil 调 Free 是安全的
end;
end;
QA 和摄入构建请用 rfpReport。位图与 rfpIgnore 产出的完全一致,而日志会显示哪些页面被近似过、为什么——赶在客户报告第 14 页看起来怪怪的之前。档案级转换保留给 rfpStrict:在那里,被悄悄近似的页面比一次失败更糟。缓存命中会恢复该页面首次渲染时记录的诊断,所以无论缓存变体干没干活,GetLastRenderFallbackDiagnostics 给出的答案都一样
RenderLoadedPageToBitmap、缓存变体和嵌入字形文本路径都是 HotPDF Delphi Component 的一部分——一个面向 Delphi 与 C++Builder 的原生 VCL 库,无外部 DLL,还能对同一批已加载文档做创建、编辑和文本提取