如何更好的使用PDF：復制中的文字重復問題

又到了筆者應用推薦時間，相信大家平常工作中必不可少的要與文字打交道，那么怎么更好的提高文字編輯的工作效率呢？

PDF 是我們打交道最多的文件格式之一。提到這個格式，即使是對技術并不熟悉的用戶，也能說出「通用性好」、「格式不會亂變」這些優(yōu)點。但同時，PDF 也是讓我們感到困惑最多的格式之一，因為與 Word 文檔等其他常見辦公軟件格式相比，PDF 似乎有著太多的「怪癖」，例如復制文字困難、幾乎沒法編輯等等。

然而，事實并非如此。這些問題大多不是 PDF 格式的「缺陷」，而是因為我們在觀念上把 PDF 當成了和其他辦公文檔格式相近的東西，并因此期待 PDF 也具有和后者相似的功能和特征。

對大多數(shù)用戶來說，PDF 可能是他們接觸到的格式中最「接地氣」、與現(xiàn)實生活最接近的。因為，PDF 與其說是一種數(shù)字文檔，不如說是實體文檔在數(shù)字世界中的影像。對 PDF 的操作，很大程度上可以看成對真實紙張的操作，只是操作環(huán)境從物理世界換到了數(shù)字世界而已。PDF 的創(chuàng)建就是一種虛擬的打印，復制 PDF 文字的過程更像是一種抄寫，而 PDF 的編輯實質上是一種涂改。

PDF 復制中的文字重復問題

首先嘗試復現(xiàn)問題：用預覽 app 打開并隨手復制一段，確實出現(xiàn)了很多重復的文字，看起來就像是「結巴」了一樣，有一種莫名的喜感。換用 PDF Expert 打開再嘗試復制，則沒有這樣的問題。

.如何更好的使用PDF：復制中的文字重復問題圖一

雖然不知道問題的具體成因，但根據(jù)經驗，文字復制中的故障往往與編碼有關，而 PDF 格式正是編碼問題的大戶。

我在之前的文章中提到，PDF 格式是「不識字」的。在顯示文字時，閱讀器只是機械地根據(jù) PDF 語句的指令，將字體資源中特定碼位的字形繪制在坐標指定的位置，而并不關心自己畫出來的到底是什么字。只有在進行復制、搜索等操作時，PDF 才會根據(jù)內嵌的 CMap，將內部字體的編碼和 Unicode 編碼對應起來。因此，如果 CMap 缺失或損壞，就無法從 PDF 中正常復制文字，但并不影響文檔的外觀。

.如何更好的使用PDF：復制中的文字重復問題圖二

這次的問題會不會也跟 CMap 有關呢？這就要查看 PDF 的源碼才能知道。不過，大多數(shù) PDF 都經過壓縮，用文本編輯器直接打開是不可讀的。為此，我們首先用 qpdf 將其解壓：

.如何更好的使用PDF：復制中的文字重復問題圖三

這樣，就可以用任意文本編輯器打開查看代碼了。但即使如此，PDF 的源碼結構也很混亂，從頭翻看很難找到頭緒。因此，我們可以從找準一個小處入手——例如標題中的這個「工」字。

查詢 Unicode 字符表，可以知道「工」字的編碼是 U+5DE5。既然 PDF 中有「工」字，那么源碼中的某處一定會提到 5de5 這個編碼。確實，簡單搜索一下就可以找到這么一段：

.如何更好的使用PDF：復制中的文字重復問題圖四

其中，beginbfchar 和 endbfchar 正是 CMap 所用的語句。根據(jù) PDF 語法，它表明 PDF 內嵌字體中編碼為 0ae1 的字形，對應 Unicode 編碼為 U+2F2F 和 U+5DE5 的兩個字符。

.如何更好的使用PDF：復制中的文字重復問題圖五

奇怪了，為什么是兩個字符？

我們已經知道，U+5DE5 就是漢字「工」，那這個多出來的 U+2F2F 又是什么？再次 查詢 Unicode 表，會發(fā)現(xiàn) U+2F2F 竟然也是「工」。這兩個字符是什么關系？它們是一回事嗎？

答案是否定的。仔細看一下兩個字符的 Unicode 信息：U+5DE5 的全名是「Ideograph labor，work; worker，laborer CJK」，位于 CJK Unified Ideographs（中日韓統(tǒng)一表意文字）區(qū)塊。顯然，這就是我們日常所用的漢字「工」。

12下一頁>