Ghostscript 在合并 PDF 时跳过字符

Posted 2023-02-25

【中文标题】Ghostscript 在合并 PDF 时跳过字符

【英文标题】：Ghostscript skips characters when merging PDFs

【发布时间】：2012-10-09 19:18:58

【问题描述】：

在 Ubuntu 上使用 Ghostscript（8.71 版）合并使用 wkhtmltopdf 创建的 PDF 文件时遇到问题。

我在随机场合遇到的问题是某些字符在合并过程中丢失并在合并的 PDF 中被任何内容（或空格）替换。如果我查看原始 PDF，它看起来不错，但合并后缺少一些字符。

请注意，一个缺失的字符，例如数字 9 或字母 a，可能会在文档中的某个位置丢失，但在文档中的其他位置显示正常，因此显示它或字体问题都不是问题.

我使用的命令是：

gs \
   -q \
   -dNOPAUSE \
   -sDEVICE=pdfwrite \
   -sOutputFile=/tmp/outputfilename \
   -dBATCH \
    /var/www/documents/docs/input1.pdf \
    /var/www/documents/docs/input2.pdf \
    /var/www/documents/docs/input3.pdf 

是否有其他人经历过这种情况，或者更了解它的解决方案？

【参考方案1】：

如果嵌入字体子集的名称相同，但这些子集的真正内容不同（包含不同的字形集），我已经看到会发生这种情况。

检查所有输入文件中使用的字体。为此使用 Poppler 的 pdffonts 实用程序：

 for i in input*.pdf; do
     pdffonts $i | tee $i.pdffonts.txt
 done

查找每个 PDF 中使用的字体名称。

我的理论/赌注是你看到不同的输入文件使用相同的字体名称（类似于BAAAAA+ArialMT 的名称）。

用于子集字体的BAAAAA+ 字体名称前缀应该是随机（尽管官方规范对此不是很清楚）。但是，某些应用程序使用 predictable 前缀，以 BAAAAA+、CAAAAAA+ DAAAAA+ 等开头（OpenOffice.org 和 LibreOffice 因这方面而臭名昭著）。 这意味着前缀BAAAAA+ 会在每个使用了至少一种子集字体的文件中使用...

您的输入文件不使用完全相同的字符子集很容易发生。然而，使用相同的名称可能会使 Ghostscript 认为字体确实是相同的。它（错误地）“优化”合并的 PDF 并仅嵌入 2 个字体实例之一（两者具有相同的名称，例如 BAAAAA+Arial）。但是，此实例可能不包含某些字形，这些字形是其他实例的一部分。

这会导致合并输出中缺少一些字符。

我知道，较新版本的 Ghostscript 对其字体处理代码进行了大修。尝试 Ghostscript v9.06（迄今为止的最新版本）可能会让您更加幸运。

我非常有兴趣对此进行更详细的调查。如果您可以提供输入文件的示例（以及 GS v8.70 给出的合并输出），我可以测试它是否与 v9.06 一起使用更好。

你可以做些什么来避免这个问题

尝试始终将字体作为完整集而不是子集嵌入：

我不知道在使用 wkhtmltopdf 时是否以及如何控制嵌入完整字体。 如果您从 Libre/OpenOffice 生成输入 PDF，那么您就很不走运并且无法控制它。 如果您使用 Acrobat 生成输入 PDF，您可以在 Distiller 设置中调整字体嵌入细节。 如果 Ghostscript 生成您的输入 PDF，则强制全字体嵌入的命令行参数为：gs -o output.pdf -sDEVICE=pdfwrite -dSubsetFonts=false input.file

某些类型的字体不能完全嵌入，只能嵌入子集（TrueType、Type3、CIDFontType0、CIDFontType1、CIDFontType2）。请参阅this answer 来提问“为什么 Acrobat Distiller 不完全嵌入所有字体？”了解更多详细信息。

仅当您确定没有其他人可以看到、打印或使用您的个人输入文件时才执行以下操作：根本不要嵌入字体——仅在与 Ghostscript 合并时嵌入您输入的最终结果 PDF。

我不知道在使用 wkhtmltopdf 时是否以及如何控制不嵌入字体。 如果您从 Libre/OpenOffice 生成输入 PDF，那么您就很不走运并且无法控制它。 如果您使用 Acrobat 生成输入 PDF，您可以在 Distiller 设置中调整字体嵌入细节。 如果 Ghostscript 生成您的输入 PDF，用于防止字体嵌入的命令行参数是：gs -o output.pdf -sDEVICE=pdfwrite -dEmbedAllFonts=false -c "<</AlwaysEmbed [ ]>>setpagedevice" input.file

某些类型的字体不能完全嵌入，只能嵌入子集（Type3、CIDFontType1）。请参阅this answer 来提问“为什么 Acrobat Distiller 不完全嵌入所有字体？”了解更多详情。

不要使用 Ghostscript，而是使用 pdftk 来合并 PDF。 pdftk 是一个比 Ghostscript（至少旧版本的 pdftk）更“愚蠢”的实用程序。合并 PDF，这种愚蠢可能是一个优势......

---

更新

再次回答，但这次更明确（遵循下面 cmets 中@sacohe 的额外问题。在许多（不是所有）情况下，以下过程将工作：

借助 Ghostscript（最好是 9.0x 系列的最新版本）重新“提取”输入的 PDF 文件。

要使用的命令是这样的（或类似的）：gs -o redistilled-out.pdf -sDEVICE=pdfwrite input.pdf

然后，即使输入 PDF 对不同字体（子集）使用相同的名称前缀，生成的输出 PDF 也应该对字体名称使用不同的（唯一的）前缀。

当我处理原始问题的作者“R 先生”提供给我的原始输入文件样本时，此过程对我有用。修复后，“跳过字符问题”在最终结果中消失了（从固定的输入文件创建的合并 PDF）。

【讨论】：

哇，Kurt 这真的很有帮助。我将对此进行进一步调查，并尝试获取一些样本发送给您进行深入研究。我回来更新了。

库尔特。如果您仍然感兴趣，我已经为您整理了文件。由于我不想与公众分享，我可以私下发送给您吗？

Okey 我无法让 pdffonts 实用程序在我的 mac 上正常工作，但我编写了一个运行 'strings inputfile.pdf |grep FontName' 的脚本，它给了我每个输入文件到 GS （其中 39 个）嵌入：/FontName /QRAAAA+NimbusSanL-Regu /FontName /QWAAAA+NimbusSanL-Bold 所以那里没有唯一的字体前缀。 GS 的输出文件似乎已将它们全部嵌入了 39 次，但我不确定 :-) 我很高兴与您分享这些文件以验证您是否愿意。

@MrR：如果 39 的每个输入文件都只使用这两个字体名称（QRAAAA+NimbusSanL-Regu 和 QWAAAA+NimbusSanL-Bold），那么您不仅使用了一种，而且使用了两种不同的字体名字前缀！ --

@sacohe：我在答案中添加了更新，更明确地说明了修复。真正的解决方法是通过 Ghostscript 在直接 PDF->PDF 转换中单独重新处理每个输入文件。

【参考方案2】：

我想提供一些反馈，不幸的是，重新处理技巧似乎不适用于 ghostscript 8.70（在 redhat/centos 版本中）和从 word 2010 导出为 pdf 的文件（似乎使用 ABCDEE+ 前缀一切）。而且我无法为我的平台找到任何预构建的 ghostscript 9 版本。

您提到旧版本的 pdftk 可能有效。我们从 pdftk（较新版本）转移到 gs，因为某些 pdf 文件会导致 pdftk 核心转储。 @Kurt，您认为尝试查找旧版本的 pdftk 可能会有所帮助吗？如果是这样，你推荐什么版本？

另一个半途而废的丑陋方法是使用：

-sDEVICE=pdfwrite -dCompatibilityLevel=1.2 -dHaveTrueType=false

将字体转换为位图，但随后会导致页面上的字符有点轻（不是什么大问题），尝试选择文本时会偏离大约一个行高（有点烦人），最糟糕的是即使字符显示正常，复制/粘贴也会在文本中产生随机垃圾。

（我希望这是一个评论，但我想我不能这样做，答案是否已关闭？）

【讨论】：

所以你的平台是RedHat/CentOS？哪个版本？ Ghostscript 8.70 太旧了（远早于 2010 年），重新处理技巧无法使用。 -- 试试这个statically linked version of GS 9.06 (32bit) 应该足以测试这个技巧是否适用于您的文件...

【参考方案3】：

据我所知，此问题已在 Ghostscript 9.21 版中修复。我们遇到了类似的问题，合并的 PDF 缺少字符，虽然 @Kurt Pfeifle 建议重新提取这些 PDF 确实有效，但对我们来说似乎有点不可行/愚蠢。我们合并的一些 PDF 包含多达 600 个或更多单独的 PDF，并且重新提取其中的每一个以合并它们似乎很疯狂

我们的 Ghostscript 生产版本是 9.10，这导致了这个问题。但是当我在 9.21 上进行一些测试时，问题似乎消失了。我无法使用 GS 9.21 生成缺少或损坏字符的文档，所以我认为这是真正的解决方案。