☰

小型大写字母、旧式数字和一些连字符会在 PDF 复制文本中产生奇怪的符号吗？

tag-icon • tag-icon xetex small-caps ligatures oldstylenums copy-paste
小型大写字母、旧式数字和一些连字符会在 PDF 复制文本中产生奇怪的符号吗？

这是我使用 XeLaTeX 时一直遇到的问题。以下是一个小例子：

\documentclass{article}
\usepackage{fontspec}
\setmainfont[Ligatures=TeX,Numbers={OldStyle,Proportional}]{Minion Pro}

\begin{document}
The \textsc{nato} office 1234
\end{document}

该文件编译并显示正常。但如果我尝试将其文本从 Acrobat 复制到另一个应用程序，我会得到乱码字符，而不是所有小写字母、旧式数字和连字符钍：

办公室

这也意味着，如果我搜索 PDF，找不到“The”、“NATO”或“1234”的匹配项。如果文件被被 Google 收录。

现在，如果我切换到 LuaLaTeX，就不会遇到这个问题：

The \textsc{nato} office 1234

北约办公室 1234

然后如果我使用大写小型大写字母，我可以得到确切地我想要的是：

The \mbox{\addfontfeatures{Letters=UppercaseSmallCaps}NATO} office 1234

北约办公室 1234

但是，尽管我尝试使用 XeLaTeX，它仍然会给出相同的乱码复制文本。问题似乎是，在生成的 PDF 文件中，LuaTeX 生成“正确的”CMap 条目，而 XeTeX 生成引用私有使用区域的有缺陷的条目：

LuaTeX                                        XeTeX
--------------------------------------------- ---------------------------------------------

/CIDInit /ProcSet findresource begin          /CIDInit /ProcSet findresource begin
12 dict begin                                 12 dict begin
begincmap                                     begincmap
...                                           ...
1 begincodespacerange                         1 begincodespacerange
<0000> <FFFF>                                 <0000> <FFFF>
endcodespacerange                             endcodespacerange
0 beginbfrange                                5 beginbfchar
endbfrange                                    <0044> <0063>
13 beginbfchar                                <0046> <0065>
<0044> <0063>                                 <0050> <006F>
<0046> <0065>                                 <0107> <E062>
<0050> <006F>                                 <010F> <FB03>
<0107> <00540068>                             endbfchar
<010F> <FB03>                                 1 beginbfrange
<015D> <0031>                                 <015D> <0160> <F731>
<015E> <0032>                                 endbfrange
<015F> <0033>                                 4 beginbfchar
<0160> <0034>                                 <05C9> <E000>
<05C9> <0041>                                 <05D6> <E044>
<05D6> <004E>                                 <05D7> <E049>
<05D7> <004F>                                 <05DC> <E061>
<05DC> <0054>                                 endbfchar
endbfchar                                     endcmap
endcmap                                       CMapName currentdict /CMap defineresource pop
CMapName currentdict /CMap defineresource pop end
end                                           end
end

确实，如果我只是将所有这些 CMap 条目从 LuaTeX 的 PDF “移植”到 XeTeX 的 PDF 中，问题就消失了！所以：

  1. 有没有办法让 XeTeX 模拟 LuaTeX 制作 CMap 条目的方式？
  2. 如果没有，是否有办法编辑字体删除任何对私人使用区域的引用，这些引用可能会“诱使” XeTeX 做出这些不正确的 CMap 条目？
  3. 如果以上方法都行不通，那么有没有办法编辑 XeTeX 制作的 PDF 中的 CMap 条目呢？自动地和无需运行 LuaTeX？

编辑：由于 Jörg 询问，下面是我进行“CMap 移植”的方法：

  1. test.tex创建一个包含以下内容的文件：

    \documentclass{article}
\usepackage{fontspec}
\setmainfont[Ligatures=TeX,Numbers={OldStyle,Proportional}]{Minion Pro}
\begin{document}
The \mbox{\addfontfeatures{Letters=UppercaseSmallCaps}NATO} office 1234
\end{document}

  2. 使用以下方法编译xelatex 和 lualatex并使用以下命令解压缩每个 PDF pdftk：

    xelatex test
mv test.pdf test_x.pdf
lualatex test
mv test.pdf test_l.pdf
pdftk test_x.pdf output test_xu.pdf uncompress
pdftk test_l.pdf output test_lu.pdf uncompress

  3. 在文本编辑器并查找上面的部分。从 XeTeX 的 PDF 中删除该部分，并将其替换为 LuaTeX 的 PDF 中的等效部分（从begincodespacerange到endcmap）。

  4. PDF 现在已损坏，但pdftk可以修复它：

    pdftk test_xu.pdf output test_xf.pdf

现在test_xf.pdf将有正确的复制文本。这是一个简洁的概念验证，但由于以下几个原因，它毫无用处：

  • 你必须在 XeTeX 中编译和LuaTeX。如果我的文件全部用 LuaTeX 编译，那么我只需使用 LuaTeX 就可以了。无论如何，这是理想的解决方案。

  • 您无法制作一个在 LuaTeX 中编译的“密钥文件”，然后将其 CMap 放入您使用 XeTeX 制作的每个 PDF 中，因为 XeTeX 似乎会在每次更改文件时分配随机输入代码（例如，，，<0044>）<0046>。<05C9>移植使用不同输入代码集的 CMap 会导致不可以选择的字符。

  • 如果您使用多种字体，则需要为每种字体修复 CMap。这甚至适用于两种不同光学尺寸的同一种字体。

因此，我认为唯一可行的方法是，如果有人制作一个程序，该程序具有内置的字体及其有问题的 PUA 引用列表，它将逐行检查 PDF 中的每个 CMap 部分，根据目标识别 PUA 引用，然后根据列表更改目标。但这似乎工作量太大，而且在某个时候你只需要迁移到 LuaTeX。

答案1

关于 PUA 编码的第二个问题的部分答案：

您可以使用 删除 PUA 编码ttx，该工具包含在OpenType 的 Adob​​e 字体开发工具包 (AFDKO)。

然而，新字体（例如 Arno Pro）根本没有针对小型大写字母的 PUA 编码，但编译像您这样的文档仍然会导致小型大写字母无法搜索。因此，Jonathan Kews 提出的观点这里不幸的是，这是错的。错误不是 PUA 编码，而是 XeTeX 生成的错误 cmap。

话虽如此，您在问题中表示，您可以将 LuaTeX 生成的正确 cmap 移植到 XeTeX 生成的错误映射中。也许一种解决方法是为每个可能的字形创建一个正确的 cmap，然后将其用于 XeTeX。当然，这将完全取决于字体（和字体修订），但它应该适合您的私人目的。

不幸的是我无法尝试，因为我不知道如何“移植” cmap。你能详细说明一下你是怎么做到的吗？

编辑：我刚刚意识到一切都完美地Junicode和EB 加拉蒙德（当您单独指定 SC 字体时），即类似于：

\documentclass{article}

\usepackage{fontspec}
\setmainfont{Junicode}

\begin{document}

{\addfontfeature{Letters=UppercaseSmallCaps}DIE STRAßE IST ZU SCHMAL FÜR AUTOS.

{\addfontfeatures{Numbers=OldStyle}12345}

\end{document}

与可搜索 PDF 完美编译。也许我放弃尝试去理解发生了什么……

相关内容