技術文章

HotPDF CompressDocument:Delphi 裡的精簡字型子集

兩個以細明體排字、走過普通 TrueType 子集化的中文字,會在 PDF 裡留下約 25 KB 的內嵌字型資料。那兩個漢字的輪廓只佔其中一小片,其餘都是槽位簿記:子集保留了原本的字形編號,所以直到它保留的最高 GID 為止,每個字形 ID 都要帶一條位置項與一條寬度項,而 CJK 字型的漢字坐在一張非常大的表的深處。把倖存者從零重新編號、讓一條 /CIDToGIDMap 串流負責翻譯,同樣兩個字只佔約 3 KB

稀疏字型子集的位元組都去哪了

稀疏子集遲遲瘦不下來,是因為它拒絕挪動任何字形。HotPDF 把 Unicode 文字寫成 Type 0 字型、底下掛 CIDFontType2 子字型,內容串流以原始字形 ID 當 CID 指稱每個字形。/CIDToGIDMap /Identity 時,ISO 32000-1 §9.7.4.2 告訴檢視器把 CID 直接當字形索引。要是替字型程式內的字形重新編號、其他都不動,頁面上每個字元都指到錯的輪廓。保留編號是便宜又安全的答案,代價是 loca 與 hmtx 必須覆蓋到最高保留 GID 的每個槽位,空的也一樣

假設某個 CJK 字型宣告了 28,000 個字形,你那兩個字之一坐在接近結尾的地方。長格式的 loca 表每槽 4 位元組,約 112 KB,完整的水平度量又是每槽 4 位元組。壓縮前這些表超過 200 KB,而且幾乎全是零與重複的偏移。Flate 對這種長串壓得很好,但沒辦法讓它們消失——那 25 KB 的大半就是這麼來的。幾千字形的拉丁字型帶著同樣的結構,只是規模小一個數量級,所以成本真正落在混了中文、日文或韓文文字的文件上

哪些字形一開始會存活(複合元件、shaping 拉進來的替代字形)是更早的事,由針對 shaped 字形的字型子集閉包規則決定。緊湊化只改變這組集合固定之後,倖存者要花多少錢

CIDToGIDMap 串流後面的緊湊字型子集

THotPDF.CompactFontSubsetting 把保留的字形重新編號成從零開始的稠密範圍、只為這些字形重建字形表,並在 CIDFont 上寫出一條明確的 /CIDToGIDMap 串流。ISO 32000-1 §9.7.4.2 把那條串流定義為以 CID 索引的雙位元組大端序字形 ID 陣列:CID n 的 GID 坐在位元組偏移 2n。內容串流、/W 寬度陣列與 ToUnicode CMap 全部照舊以原始編號當 CID。只有 CID 到字形那一步搬進映射表,已經寫上頁面的東西一個都不用動

這個屬性自己就能用。想讓字型變小,不需要其餘的壓縮機制;對一份以 CJK 文字為主的報告,這兩行設定就做了大部分的工作:

Pdf.EnableFontSubsetting := True;
Pdf.CompactFontSubsetting := True;   // 不開 CompressDocument 也能用
Pdf.BeginDoc;
Pdf.CurrentPage.SetFont('SimSun', [], 12);
Pdf.CurrentPage.TextOut(40, 40, 0, WideString('Total: '#$4E2D#$6587));
Pdf.EndDoc;
稀疏 HotPDF 字型子集與 CompactFontSubsetting 輸出的比較:前者為最高保留 GID 以下的每個原始字形 ID 保留 loca 與 hmtx 項目,後者把保留字形從零稠密重編、以 CIDToGIDMap 串流映射 CID,而內容串流、/W 與 ToUnicode 原樣不動
重新編號把成本移出字型程式、塞進一小條映射串流——兩個細明體字從約 25 KB 降到約 3 KB,已寫出的內容一個位元組都不用碰

緊湊化只適用於特定種類的字型。HotPDF 為 Type 0 TrueType 字型建緊湊子集:EnableFontSubsetting 開著時經 SetFont 設定的字型,以及經 RegisterUnicodeTTF 註冊的字型。簡單 TrueType 字型靠自身字型程式裡的 cmap 定位字形,重新編號會讓那個 cmap 指到錯的字形,所以簡單字型維持稀疏子集。OpenType-CFF 字型也維持稀疏。若某個字型的緊湊建置失敗,HotPDF 為那個字型寫稀疏子集、文件繼續走。屬性預設關閉,既有輸出在你選用之前逐位元組相同;PDF/A 之下,註冊的 Unicode 字型一律取得緊湊子集

讀取端有一個陷阱。/CIDToGIDMap 串流看起來該跟 CMap 們放在一起,其實是裸二進位,沒有任何 begincidchar 區塊;把它交給 CMap 記號解析器,會得到一個空的映射,而且過程連一聲錯誤都不吭。你自己的工具若要從這些檔案抽文字或量字形,請把映射當純 16 位元對來讀

CompressDocument 對一份文件改了什麼?

THotPDF.CompressDocument 在 BeginDoc 時借走六個寫出器設定加物件串流上限,並在 EndDoc 時全數歸還。PDF 版本定案之前,HotPDF 記下你的值,然後設定:

  • Compression 設為 cmFlateDecode、CompressionLevel 設為 clMaximum
  • EnableFontSubsetting 與 CompactFontSubsetting 設為 True
  • UseXRefStream 與 UseObjectStreams 設為 True,依 ISO 32000-1 §7.5.7 與 §7.5.8
  • 每容器物件數上限設為 250 而非慣用的 100,除非你已經透過 ConfigureAdaptiveObjectStreamPacking 設了自己的值

物件串流需要 PDF 1.5,所以版本未鎖定時,較舊的 Version 會被抬到 1.5。PDF/A-1 明文禁止交叉參考串流與物件串流,PDF/A-1 文件因此保留傳統交叉參考表,只拿到 Flate 與字型這兩樣工作。影像完全照你嵌入的樣子寫出,不重採樣、也不做任何有損重壓

Delphi 裡 HotPDF CompressDocument 生命週期示意:BeginDoc 記下寫出器自己的值,為一份文件覆寫含 Compression 與 UseObjectStreams 在內的六個設定,EndDoc 在最外層 finally 還原每個借來的值,CompressDocument 屬性本身保持 True
六個寫出設定與物件串流上限只借給恰好一份文件,EndDoc 執行時歸還,失敗的報告不會讓元件卡在最大壓縮上
var
  Pdf: THotPDF;
begin
  Pdf := THotPDF.Create(nil);
  try
    Pdf.AutoLaunch := False;
    Pdf.FileName := 'invoice-2026-1042.pdf';
    Pdf.CompressDocument := True;    // BeginDoc 套用,EndDoc 撤銷
    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;

還原動作跑在 EndDoc 最外層的 finally 裡。對一個住在資料模組、每天寫幾百份報告的元件來說這很要緊:某份報告半路丟出例外,不會讓下一個工作頂著最大壓縮、強制子集化繼續跑。CompressDocument 屬性本身維持 True,下一份文件得到同樣待遇;歸還的只有那些借來的設定

版本的處理更小心。只有當文件最終仍停在 1.5,HotPDF 才撤銷自己那次抬升。執行期間若有其他功能把檔案推得更高(例如需要 1.6 的內嵌 OpenType 字型),較高的版本就保留——這正是沒開壓縮時你會得到的結果。對長壽命的元件來說,這比在啟動時手動設六個屬性安全:手設的值會留在那裡,影響之後的每個工作,包括那些可編輯的

修剪語法、偏移與物件串流打包

字型與串流瘦下來之後,字典與交叉參考資料成了剩下最大的成本,CompressDocument 用的物件串流寫出器連這些也一起修剪。容器格式本身見物件串流與漸進式更新指南。在此之上,壓縮路徑再加四項精修:

  • 依 ISO 32000-1 §7.2.2 的緊湊語法:只有兩個 token 相連會被讀成普通字元的地方才寫空格,所以 /Type /Page 變成 /Type/Page
  • 交叉參考串流欄位用 §7.5.8.2 允許的任何寬度,16 MB 以下的檔案每個偏移存 3 位元組而非 4 位元組
  • 每條物件串流最多裝 250 個物件;更少、更大的容器讓 Flate 有更多重複可用
  • 未加密的檔案裡,Catalog 與 Info 字典也打包進物件串流;加密輸出把它們留在頂層

緊湊語法會撞上任何靠搜尋檔案文字來修補檔案的東西。簽章是最明顯的例子:簽章值是在檔案寫完之後填入的,做法是在輸出位元組裡找出字面預留位置 /ByteRange ( 與 /Contents <。寫成緊湊形式後它們變成 /ByteRange( 與 /Contents<,字面搜尋永遠找不到。HotPDF 因此以帶空格的版面寫出簽章字典(Type 為 Sig 或 DocTimeStamp,或 FT 為 Sig)與加密字典。你自己在存檔後跑、以 /Type /Page 或類似帶空格 token 為目標的 grep 腳本,正規表示式得容忍那個消失的空格

已經載入的 PDF 能壓嗎?

可以。帶選項的多載 CompressLoadedDocument(Options, AInfo) 對既有檔案跑同一套無損步驟。用 THPDFLoadedDocumentCompressionOptions.Default 時,它移除未使用的頁面資源、合併相同的字型與表單 XObject、在緊湊子集開啟下對內嵌字型做子集化、只要結果更小就用 Flate 重壓未過濾的 Flate、LZW、ASCII85、ASCIIHex 與 RunLength 串流,並把下一次存檔切到物件串流。HighRatioFlate 預設關閉,PDF/A-1 與漸進式存檔則跳過物件串流。無參數的 CompressLoadedDocument 多載是較窄的呼叫:只對以未壓縮方式存放的串流做 Flate 壓縮

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;  // 只有在可以接受失去簽章時才開
    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;

簽章檔案以單一決定處理。每個步驟都會重寫簽章涵蓋的位元組,所以帶簽章欄位的文件整份拒收:呼叫回傳 0、設好 RefusedBySignaturePolicy、什麼都不改。設了 AllowSignatureInvalidation 工作才會繼續,Info.SignaturesInvalidated 接著記下簽章不再驗證通過。批次工作裡別開這個選項。一夜之間壓完一資料夾合約,才發現一半帶著簽章——這種發現方式代價太高

Delphi 裡 HotPDF CompressLoadedDocument 的流程:呼叫移除未使用的頁面資源、合併相同字型與表單、對內嵌字型做精簡子集、只在結果更小時用 Flate 重壓串流、為下一次存檔打開物件串流;有簽章欄位時觸發 RefusedBySignaturePolicy,檔案原樣不動
每一步都會改寫簽章覆蓋的位元組,所以除非您明確允許失效,整份文件一律拒收——屆時 Info.BytesSaved 也只統計資源、字型與串流那幾步

載入路徑上的緊湊化比建立路徑嚴格,理由直接來自檔案格式。字型子集化完成時,解碼器已經透過檔案攜帶的 /CIDToGIDMap 把每個 CID 轉成了 GID,但新的緊湊映射必須以 CID 索引。兩者只有在 CID 等於 GID 時才對得上。HotPDF 因此只在一個字型程式的所有使用字型都是 CIDFontType2、且帶 Identity /CIDToGIDMap 時才緊湊化它。已經有映射串流的字型程式、簡單 TrueType 字型與帶 /CIDSet 的字型,拿稀疏子集。帶彩色字形表(COLR、sbix、CBDT 或 SVG)的字型也一樣,因為緊湊重建只保留輪廓表,會把彩色層丟掉

Info.BytesSaved 是什麼就是什麼:它加總資源、字型與串流三步,物件串流的收益要等 SaveLoadedDocument 寫檔時才出現,完整數字請比對磁碟上的檔案大小

定稿副本與還會變動的文件

收益取決於檔案裡有多少未壓縮的結構與超重的字型資料,頁數關係不大。一份三頁、中英混排、Arial 與細明體都完整內嵌的文件,未壓縮時約 10 MB;用 CompressDocument 產生大約 20 KB,降幅大半來自字型子集化,CompressLoadedDocument 對未壓縮的原檔也落在同一個量級。本來就緊湊的 PDF 幾乎不動。照片為主的檔案收益有限,兩條路徑都不碰影像資料

代價是可編輯性。子集字型只能顯示文件已經用到的字,事後才有人填寫的 AcroForm、或在同一字型裡加新文字的漸進式編輯,都可能撞上缺字。打包過的物件串流也不再能在文字編輯器裡直接讀,任何以「用記事本打開 PDF」開場的除錯都會變慢。定稿副本請開 CompressDocument:封存的發票、對帳單,一切產生一次、之後只讀的東西。下游還有人要填的範本與表單,把它關著、保留完整字型

每晚產生同樣 CJK 報告的話,把緊湊子集與磁碟上的持久字型子集快取配對,子集化工作就不必每次重做。要比較兩個晚上的輸出時,請按物件內容 diff。一個欄位變動就會把整條物件串流重新 Flate,位元組 diff 顯示的變動遠大於實際發生的

以上每一項的屬性、記錄與選項細節,都在HotPDF Delphi PDF component 產品頁的參考文件裡