檢視器的尋找框在第 2 頁發票上標亮了「Acme Corp」,對解壓後的頁面串流做同樣九個字元的位元組搜尋卻一無所獲。光是第一個詞,串流裡就可能放著類似 <0024004600500048> Tj 的東西:內嵌子集字型裡的雙位元組字形碼,兩個詞之間的間隔來自定位偏移量而非空格字元。要取代這個名字,得把那些碼解碼成 Unicode、在那裡配對、回溯到產生命中的確切位元組、再寫出同一字型看得懂的新碼。當子集裡從來沒有新文字需要的字形時,根本無碼可寫
這背後的需求不過是普通的文件維護。公司改名了,三千份封存的發票還帶著舊名。合約範本發出去時帶著去年的到期日。除役的料號在每份資料表裡都得換成接替者。在文書處理器裡,這些每一件只要三十秒;在 PDF 裡,每一件都撞上頁面實際的存放方式
PDF 頁面存的是什麼,而不是文字
PDF 頁面裝的是定位好的字形,不是可編輯的文字。按 ISO 32000-1 §9.4,內容串流驅動 Tj、TJ 這類顯示文字的運算子,在文字矩陣設定的位置畫出字元碼序列。那些碼是對目前字型宣告的某種編碼的索引。回到可讀字元的路徑可能經過 /ToUnicode CMap(§9.10.3)、帶 /Differences 陣列的 /Encoding,或 Type0 字型的 CID 映射鏈。沒有段落物件、沒有文字流,也沒有任何東西要求產品把一個可見的詞存成一個字串:[(Ac) -12 (me)] TJ 是替一個詞做字距微調的完全普通寫法
取代在解碼之上又加了一條要求。文字擷取器拿到 Unicode 後可以把位元組位置扔掉;取代器需要它們,因為它必須知道每個字形出自哪個字串運算元的哪些位元組,才能精確改寫那一段、其餘一概不動。所以對串流位元組跑普通的 StringReplace 是錯的工具——哪怕檔案碰巧用 WinAnsi 編碼。它不知道哪個 ( 屬於字串、哪個 Tf 選出的字型賦予那些位元組意義
在解碼後的字形序列上搜尋
HotPDF Delphi Component 用 SearchLoadedPageText 和 SearchLoadedDocumentText 搜尋已載入的文件,配對是對著每頁解碼後的 Unicode 字形序列做的,從不對原始串流位元組。所以無論字型怎麼編碼,命中就是命中。解碼時,每個字形都記錄它出自的字串運算元、TJ 陣列項與位元組偏移量——這正是稍後取代步驟所依賴的。從已載入 PDF 擷取文字一文涵蓋的 API 用的也是同一個字形直譯器;搜尋只是把擷取丟掉的來源位置留了下來
每個命中以 THPDFTextMatch 記錄回來:PageIndex、GlyphStart 與 GlyphEnd 給出的含端點字形範圍、使用者空間的 X、Y 原點、命中的 Width、來源 TokenIndex 與 ItemIndex,以及配對到的 Text。PageIndex 從零起算。找不到的 needle 回傳空陣列加 True 結果,呼叫端程式碼不必為「什麼都沒找到」寫特殊分支
var
Pdf: THotPDF;
Matches: THPDFTextMatchArray;
I: Integer;
begin
Pdf := THotPDF.Create(nil);
try
if Pdf.LoadFromFile('invoices-2025.pdf') > 0 then
if Pdf.SearchLoadedDocumentText('Acme Corp', False, Matches) then
for I := 0 to High(Matches) do
WriteLn(Format('page %d at (%.1f, %.1f), width %.1f: "%s"',
[Matches[I].PageIndex + 1, Matches[I].X, Matches[I].Y,
Matches[I].Width, Matches[I].Text]));
finally
Pdf.Free;
end;
end;
那個迴圈印不印得出東西,頭一件取決於空格。搜尋文字由頁面實際畫出的字形拼成,一字形對一字元,而視覺上分開兩個詞的 TJ 偏移量是陣列裡的一個數字,不是字形。用偏移量而不是空格字元設詞距的產品,會在字形序列裡產出「AcmeCorp」,needle「Acme Corp」就配不上它。當一句看得到的話怎麼都配不上時,先搜它最長的單詞,看看回傳的 Text 長什麼樣
大小寫是另一件要檢查的事。CaseSensitive 設為 False 時,Delphi XE2 起的建置經 Unicode 簡單小寫映射比對字元,與語系無關,所以 É 配得上 é,希臘或西里爾大寫也配得上各自的小寫。更舊的編譯器建置只折疊 A–Z。該映射是一字對一字,讓 needle 的每個位置恰好對準一個字形;後果是 ß 配不上 SS。整詞 UI 流程用 SearchLoadedPageTextWholeWord 丟掉落在更長單詞內部的命中,GetLoadedSearchHitRect 則把命中換成一個矩形,方便畫高亮
搜尋與取代都作用在頁面自己的 /Contents 串流上。畫在 Form XObject 裡的文字——許多工具把蓋章的頁首頁尾放在那裡——住在頁面以 Do 叫用的另一條串流裡,在兩種操作範圍之外
用 ReplaceLoadedDocumentText 改寫命中的位元組
ReplaceLoadedPageText 和 ReplaceLoadedDocumentText 把字型解碼反著跑,改寫 needle 的每一處出現。每個取代字元沿解碼器用的同一條鏈反向查找:/ToUnicode 的 bfchar 與 bfrange 條目、Type0 字型的 CID 映射、恆等映射,以及預先定義的 WinAnsi 和 MacRoman 表。得到的字元碼以字面字串寫回——任何位元組落在可列印 ASCII 之外時用十六進位字串——跳脫規則與內容串流解析器讀的同一套
改變的只有命中涵蓋的位元組。同一運算元裡未命中的位元組、記號之間的空白、註解與周圍的每個運算子原樣通過。在 abcabc 裡取代 bca 得到 a + 取代內容 + bc。取代內容可以比 needle 短或長,頁面 /Contents 陣列裡每條串流獨立處理,頁面因此保持良構。命中橫跨多個字串運算元時——例如 Hello 存成 [(He) -20 (llo)] TJ——取代內容寫進命中開始的那個運算元,後續運算元裡被命中的位元組則移除
var
Pdf: THotPDF;
Rewrites: Integer;
begin
Pdf := THotPDF.Create(nil);
try
if Pdf.LoadFromFile('contract-draft.pdf') > 0 then
begin
if Pdf.ReplaceLoadedDocumentText('2025-12-31', '2026-12-31',
True, Rewrites) then
WriteLn(Format('%d operand rewrites', [Rewrites]));
Pdf.SaveLoadedDocument('contract-final.pdf');
end;
finally
Pdf.Free;
end;
end;
頁面不會重新排版。PDF 沒有重排,所以比原文更寬的取代內容只是占掉更多水平空間,可能撞上畫在它右邊的東西;下一個字形的位置由產品固定,不會挪動。日期、版本字串、料號與長度相近的錯字修正,是這個方法為之而生的活。改寫一段話需要重排下游的一切,那種變更屬於來源文件
為什麼字型子集裝不下它從未包含的字元?
內嵌子集從未包含的取代字元,沒有可以反向得到的字元碼。產品對字型做子集化時,其 /ToUnicode CMap 和編碼只涵蓋原始文件用過的字形,其餘一切的字形輪廓根本不在檔案裡。如果該文件從未在那個字型下印過大寫 E,就沒有任何位元組序列能選出它。這條限制在檔案裡,不在做取代的工具上
ReplaceLoadedDocumentText 對無法編碼的取代內容採取保守策略:任何單一字元無法重新編碼,該處出現整個跳過。沒有例外、沒有半套取代的字串,原文保持可讀。上面日期的例子裡,數字 6 必須在同一個字型裡的某處存在過,改寫才會成功。假設那個字型只印過「2025」和幾個不含 6 的訂單總額:日期就維持原樣
ReplaceCount 回報的是運算元改寫次數,一次橫跨多個運算元的命中可以貢獻不止一次改寫。計數低於命中數仍然代表有東西被跳過,但確切答案要靠取代後再搜一次:第二次搜尋找到的,就是留下來的東西,帶著頁碼與位置
procedure ReplaceAndAudit(Pdf: THotPDF; const OldText, NewText: UnicodeString);
var
Before, After: THPDFTextMatchArray;
Rewrites, I: Integer;
begin
// 只有當 NewText 本身不含 OldText 時,重搜才有意義
Pdf.SearchLoadedDocumentText(OldText, True, Before);
Pdf.ReplaceLoadedDocumentText(OldText, NewText, True, Rewrites);
Pdf.SearchLoadedDocumentText(OldText, True, After);
WriteLn(Format('%d found, %d operand rewrites, %d left',
[Length(Before), Rewrites, Length(After)]));
for I := 0 to High(After) do
WriteLn(Format(' left on page %d at (%.1f, %.1f)',
[After[I].PageIndex + 1, After[I].X, After[I].Y]));
end;
子集不夠用時:以新字型預覽再套用
對位元組級方法編不出碼的出現處,PreviewLoadedPageTextReplacement 和 ApplyLoadedPageTextReplacement 走另一條路:移除被命中的字形,用你選的字型在原位畫出取代內容——原始字級、原始基線。預設的 THPDFLoadedTextReplacementOptions 以被命中文字的字級使用 Arial、按被命中文字的寬度定框,並保持 Atomic 開啟。頁面上有一個命中被拒,其餘全部回滾。預覽回傳一份計畫,每個命中一筆結果,各帶 Status,被拒時另帶 Reason
var
Opts: THPDFLoadedTextReplacementOptions;
Plan, Applied: THPDFLoadedTextReplacementPlan;
I: Integer;
begin
// Pdf 是已載入的 THotPDF;PageIndex 是稽核標出的從零起算頁面
Opts := THPDFLoadedTextReplacementOptions.Default;
Opts.Appearance.FontName := 'Arial';
Opts.Appearance.OverflowPolicy := ltopShrinkToFit;
Opts.Appearance.MinFontSize := 6;
if not Pdf.PreviewLoadedPageTextReplacement(PageIndex, 'Acme Corp',
'Apex Corporation', True, Opts, Plan) then
for I := 0 to High(Plan.Results) do
if Plan.Results[I].Status = ltrsRejected then
WriteLn(Format('match %d at (%.1f, %.1f): %s',
[I, Plan.Results[I].X, Plan.Results[I].Y, Plan.Results[I].Reason]));
if (Plan.RejectedCount = 0) and (Plan.ReadyCount > 0) then
begin
Pdf.ApplyLoadedPageTextReplacement(Plan, Applied);
WriteLn(Format('%d of %d matches applied',
[Applied.AppliedCount, Applied.MatchedCount]));
end;
end;
拒收原因值得印出來,因為它們直接對應頁面幾何。跨到下一文字行的命中被拒,直排文字也是。預設的 ltopReject 溢出策略下,塞不進被命中寬度的取代內容同樣被拒。ltopShrinkToFit 改為把字級向 MinFontSize 遞減——範例正是為了比 needle 長五個字的取代內容才設它。取代內容含有被選字型畫不出的字元時,也遭拒收
計畫帶著頁面內容與字型的指紋。預覽與套用之間有任何東西動過頁面,ApplyLoadedPageTextReplacement 便拋出 EInvalidOpException,絕不寫入預覽沒見過的頁面。帶不成對 q/Q 或 BT/ET 配對的頁面,以及含簽章欄位的文件,拋出 EArgumentException;已簽署的文件需要增量更新,被簽署的修訂版才能保持完整
位元組級取代先行,字型替換路徑只在稽核仍找到舊文字的頁面上出動。位元組級改寫保留原始字型、其度量與字距,改過的文字因此與同行鄰居一致。預覽路徑用另一種字形作畫,整行以窄體或襯線體排版的時候,細心的讀者會看出變化。目標是讓文字消失而不是換句話說時,真正的內容移除是更好的工具;在 Delphi 中遮蔽與重組已載入的 PDF涵蓋那條路
存出來的檔案改變了什麼
被 ReplaceLoadedPageText 編輯過的內容串流以未壓縮形式存出。串流為編輯而解碼,重建的位元組寫回時,其 /Filter 和 /DecodeParms 條目被移除、/Length 重新整理。PDF 有效、渲染正常;代價是每一條被編輯的串流都讓檔案變大。跑幾千份發票的批次作業,應為這個成長預留空間,或在事後跑一次壓縮
預覽加套用的路徑改動得多一些。被套用的頁面以單一新的未壓縮內容串流取代原本的 /Contents,並帶著自己的資源字典副本、裡面加上了替換字型。文件其他部分一概不動:未觸碰的串流保留壓縮、既有字型與圖像不被重寫、沒有命中的頁面從不為寫入而開啟。改寫過的物件在存檔時如何落進交叉引用結構,HotPDF 的物件串流與增量更新一文有說明
搜尋、位元組級取代、預覽加套用的替換、擷取與遮蔽,全部跑在同一個內容串流直譯器上,從 Delphi 5 到目前的 RAD Studio,無外部依賴。方法參考、替換選項與試用版,見 HotPDF Delphi Component 產品頁