关于Tagged PDF中HyphenSpan的JAWS读取差异与内容流的关联确认

这种读取差异确实和PDF的内容流（content stream）及相关结构细节直接相关，核心原因可以从以下几点拆解：

• 内容流的字符语义定义差异：
  两份PDF虽都标记了Hyphen Span，但内容流中对连字符的实际定义可能不同：

  • 读取为December的PDF，内容流里的连字符是**软连字符（soft hyphen）**的排版表现，仅用于单词断行，无独立字符语义，JAWS结合Hyphen Span的断行标记会自动拼接断行的单词；
  • 读取为De dash cember的PDF，内容流里的连字符被渲染为实体破折号字符，即使有Hyphen Span标签，JAWS会优先识别内容流中的字符实体，将其作为独立元素读出。

• 标签与内容流的绑定逻辑：
  JAWS读取PDF时会同时参考标签结构和内容流的文本内容。若其中一份PDF的Hyphen Span标签与内容流中的软连字符语义强绑定，JAWS会触发断行单词的合并规则；另一份若标签仅关联了可见的破折号字符，未和前后文本形成语义关联，就会被独立读取。

• 内容流的文本块拆分方式：
  内容流中de、连字符、cember的文本块拆分逻辑也会影响读取结果：如果三者在内容流中是连续的语义文本块（仅排版上断行），结合Hyphen Span标记，JAWS会自动合并；若拆分为独立的文本块，JAWS可能无法识别其为同一单词的断行部分。

内容的提问来源于stack exchange，提问作者tejas Reddy p