PDF 字体子集化的工程策略：从嵌入机制到排版优化

PDF 能在任何设备上保持一致的排版效果，其中一个关键点就是 字体嵌入（Font Embedding）。但完整嵌入往往会让文件体积暴涨，尤其是 CJK 字体。为此，PDF 提供了一种更灵活的方案：字体子集化（Font Subsetting）。

什么是字体子集化？

字体子集化的思路很直接：仅保留文档中实际使用到的字形，而不是整套字体。例如，如果文件只用到「测试」二字，那么生成的 PDF 只会包含这两个字形的矢量数据。

5 0 obj
<< /Type /Font
   /BaseFont /ABCDEE+SimSun
   /Encoding /Identity-H
   /FontDescriptor 6 0 R
   /Subtype /CIDFontType2
>>
endobj

上例中，「ABCDEE+」前缀就是子集化的标志。阅读器据此知道：这是一个仅包含部分字形的字体，不可替代或合并。

为什么要子集化

• 减小体积：尤其是中文字体，完整嵌入常超过 10MB，而子集化后通常仅几百 KB。
• 稳定显示：即便目标系统没有对应字体，也能精准还原排版。
• 版权合规：很多商业字体允许嵌入子集，但禁止完整嵌入。

常见的技术挑战

1. 字形重复：多页文档如果分别生成子集，可能嵌入多个重复字体，反而体积变大。
2. 搜索与复制：子集化字体的字符映射表可能不完整，复制文字或搜索时出现乱码。
3. 增量更新冲突：增量 PDF 若引入新字形，必须生成新子集，造成字体碎片化。

工程优化建议

• 合并子集：对同一字体的多次引用，尽可能复用同一子集。
• 预扫描字形：提前统计全文件使用字符集，再一次性生成子集。
• 保留 ToUnicode 映射：确保搜索与复制正常工作。
• 压缩字体流：对子集字体流启用 Flate 压缩，进一步减少体积。

在工具层的控制

常见工具对字体子集化都有不同选项：

# Ghostscript
gs -sDEVICE=pdfwrite -dSubsetFonts=true -o output.pdf input.ps

# wkhtmltopdf
--no-subset  # 禁止子集化
--enable-local-file-access

# ReportLab
canvas.setFont("SimSun", 12)  # 嵌入时自动子集化

如果你遇到中文乱码，往往是因为字体未被正确嵌入或映射表丢失。

兼容性与测试

一些老旧阅读器对子集字体的 ToUnicode 映射支持不完整，尤其是自定义 CID 编码。测试时建议在 Acrobat Reader、pdf.js 和 macOS Preview 中分别验证显示与搜索。

结语

字体子集化是 PDF 输出阶段最容易被忽视的细节之一。它看似只是「减小文件体积」，但在跨平台显示、一致性与性能优化方面都有深远影响。掌握这一机制，能让你的 PDF 既轻量又专业。