PDF规范中改变字节串显示规则的额外约定查找方法问询

一、会改变默认文本显示规则的常见约定 #

以下是PDF规范中会导致<...> Tj格式字节串显示异常的核心规则：

• 字体子集化的自定义字符偏移：像你遇到的Chromium生成PDF的案例，字体子集化时会对每个字符编码单元统一加减一个偏移值（比如案例中的十六进制1D），这是子集字体压缩编码空间的常用手段。
• CID字体的编码映射差异：当使用CIDFont（尤其是TrueType子集CID字体）时，字节串的每个单元是CID（字符标识），需要通过CIDToGIDMap映射到GID（字形标识），再对应到实际字符，映射表异常会直接导致显示错误。
• 自定义编码字典（Encoding）：部分PDF会给字体指定自定义Encoding字典，重写默认字符编码映射，字节串会按这个自定义规则解析，而非ASCII或UTF-16的默认规则。
• 字体嵌入参数影响：如果字体嵌入时启用了字符编码重映射（比如将常用字符编码压缩到更小范围），也会导致原始字节串无法直接对应到可见字符。

二、如何在解压后的PDF中定位并理解这些规则 #

以你提供的案例为例，可按以下步骤排查：

1. 定位目标字体对象
   找到内容流中指定的字体（案例中的/F9），在PDF的对象字典中查找/F9对应的字体定义。字体对象通常包含/Subtype（比如/Type0表示CID字体）、/DescendantFonts等关键字段。
2. 检查字体的编码映射配置
   • 对于CID字体，查看/CIDToGIDMap字段：如果是/Identity，则CID直接对应GID；如果是流对象，需解压该流，里面存储了CID到GID的映射表。
   • 查看字体的/Encoding字典：如果存在自定义编码，字典中会明确字符编码到字形的映射关系，比如/Differences字段会列出偏移后编码对应的字符名。
3. 验证字符偏移的具体值
   结合能正确显示文本的工具（比如你提到的Nano），提取正确显示的字符（如Introduction）对应的Unicode编码，再对比PDF字节串的十六进制值，反向计算出偏移量（案例中每个4位十六进制单元加0x1D后，正好对应Introduction的UTF-16BE编码）。
4. 检查内容流的状态设置
   留意内容流中的图形状态指令（比如案例中的/G3 gs），这类指令主要影响绘图，但部分特殊字体可能会关联图形状态参数，不过这类情况较少见。

案例代码参考 #

解压后的PDF内容片段：

...
BT
/P << /MCID 35 >> BDC
/F9 24 Tf
1 0 0 -1 33 186 Tm
<002C00510057005500520047005800460057004C00520051> Tj
EMC
ET

补充代码片段：

/G3 gs
BT
/P << /MCID 35 >> BDC
/F9 24 Tf
1 0 0 -1 33 186 Tm
<002C00510057005500520047005800460057004C00520051> Tj
EMC
ET
Q
q

内容的提问来源于stack exchange，提问作者user17227456