PDF:具有不同 ToUnicode Cmap 的重复字体名称

Question

我正在解析一个 PDF 文件并提取一些文本，我遇到了一个名为“C2_0”的字体字典，其中包含一个带有 ToUnicode 的 CIDFont(类型 0) CMap。所以，没问题 - 我有工具来解析 ToUnicode CMap 并将 2 字节字符代码映射到 Unicode 值。

但 PDF 文件后来包含另一个字体字典对象，也称为“C2_0”，其中包含一个不同 ToUnicode CMap。我真的不知道我应该如何处理第二个 CMap，所以我只是猜测并结合了两个 CMap 的条目。这确实有效，并正确提取了文本。

但是，我在 PDF 引用手册中找不到任何说明这是允许的，甚至找不到解决这种情况的任何内容。我原以为重复的字体名称会导致未指定的行为，或者至少让第二个覆盖第一个或其他东西。我只是尝试将它们组合起来作为一个不太可能的猜测 - 并且很惊讶它确实有效。

有没有人有这方面的经验？有谁知道是否允许 PDF 具有重复的字体名称，这些字体名称引用具有不同 CMap 的不同对象，这些 CMap 在被 Tf 运算符调用时“组合”？

Answer 1

C2_0 是/Font 资源字典中的符号名称，具有局部作用域，仅在资源字典所属的内容流中使用。如果 C2_0 也出现在另一个/Font 资源字典中，那不是问题。
在同一个/Font 资源字典中有 2 个 C2_0 条目:
/C2_0 X 0 R
/C2_0 Y 0 R
那么你就有问题了，因为行为是未定义的，如何处理这种情况取决于你。
符号名称解析的工作原理如下:如果您在页面内容流中，请在页面的资源字典中搜索字体符号名称(Tf 操作数)。如果找不到它，请在页面树中向上搜索每个父页面节点的资源字典(如果存在)。如果您到达了页面树的顶部并且没有找到该字体，则该行为是未定义的。这时你可以实现各种回退策略:可以使用默认字体，可以在页面上搜索XObjects表单包含的资源，可以在其他页面搜索资源字典。