Unicode in PDF

In der PDF-Referenz in Kapitel 3, das ist, was Sie sagen, über Unicode:

Text-strings kodiert
entweder PDFDocEncoding oder Unicode-Zeichenkodierung. PDFDocEncoding ist ein
Obermenge der ISO-Latin-1-Codierung und ist dokumentiert in Anhang D. Unicode
beschrieben wird in den Unicode-Standard, der vom Unicode-Konsortium (siehe die Bibliographie).
Für text-Zeichenfolgen in Unicode kodiert, die ersten zwei bytes sein muss, 254, gefolgt von
255. Diese beiden bytes stellen die Unicode-byte-order-Markierung, U+FEFF, die angibt,
dass sich der string wird kodiert in UTF-16BE (big-endian) - Codierungsschema angegeben
im Unicode-standard. (Dieser Mechanismus schließt Anfang einer Zeichenfolge verwenden
PDFDocEncoding mit den beiden Zeichen Dorn ydieresis, was unwahrscheinlich ist,
einen sinnvollen Anfang eines Wortes oder einer phrase).

InformationsquelleAutor der Antwort plinth

Siehe Anhang D (Seite 995) mit der PDF-Spezifikation. Es gibt eine begrenzte Anzahl von Schriftarten und Zeichensätze vordefinierte in einer PDF-consumer-Anwendung. Die Darstellung anderer Zeichen, die Sie benötigen, um eine schriftart einbinden, die Sie enthält. Außerdem ist es vorzuziehen, einbetten, nur eine Teilmenge der schriftart, darunter nur erforderlich, Zeichen ein, um die Dateigröße zu verringern. Ich arbeite auch auf die Anzeige von Unicode-Zeichen in PDF und es ist ein großer Aufwand.

Check-out PDFBox oder iText.

http://www.adobe.com/devnet/pdf/pdf_reference.html

InformationsquelleAutor der Antwort jm4

Ich gearbeitet habe mehrere Tage an diesem Thema und zu dem, was ich gelernt habe ist, dass unicode ist (so gut wie) unmöglich, in der pdf-Datei. Mit 2-byte-Zeichen, die Art und Weise der Plinthe beschrieben funktioniert nur mit CID-Fonts.

scheinbar, CID-Fonts sind im pdf-internen Konstrukt-und Sie sind nicht wirklich Schriftarten in diesem Sinne, Sie scheinen mehr zu werden wie Grafik-Subroutinen, die aufgerufen werden können durch die Auseinandersetzung (mit 16-bit-Adressen).

Also die Verwendung von unicode im pdf - direkt

1. Sie konvertieren müsste normal-fonts CID-Fonts, die ist wohl sehr schwer - man müsste zum generieren der Grafik-Routinen aus der ursprünglichen Schrift(?), extrahieren Sie den Charakter von Metriken etc.
2. Sie nicht verwenden können, CID-Fonts wie normale Schriftarten - Sie können nicht laden oder skalieren Sie so, wie Sie laden und skalieren der normalen Schriftarten
3. auch 2-byte-Zeichen nicht einmal decken den gesamten Unicode-Raum

IMHO, diese Punkte machen es absolut unmöglich für die Verwendung der unicode direkt.

Was ich Tue, sondern jetzt ist mit dem Zeichen indirekt in der folgenden Weise:
Für jede schriftart, Generiere ich eine codepage (und eine lookup-Tabelle für die schnelle lookups) - in c++ ist dies so etwas wie

std::map<std::string, std::vector<wchar_t> > Codepage;
std::map<std::string, std::map<wchar_t, int> > LookupTable;

dann, Wann ich will, um einige unicode-Zeichenfolge auf eine Seite, die ich Durchlaufen den Charakteren, sehen Sie in der lookup-Tabelle und - wenn Sie neu sind, ich füge Sie zu der code-Seite wie diese:

for(std::wstring::const_iterator i = str.begin(); i != str.end(); i++)
{                
    if(LookupTable[fontname].find(*i) == LookupTable[fontname].end())
    {
        LookupTable[fontname][*i] = Codepage[fontname].size();
        Codepage[fontname].push_back(*i);
    }
}

dann Erzeuge ich einen neuen string, wo Sie die Zeichen aus dem ursprünglichen string ersetzt werden durch Ihre Positionen in der Zeichentabelle wie diese:

static std::string hex = "0123456789ABCDEF";
std::string result = "<";
for(std::wstring::const_iterator i = str.begin(); i != str.end(); i++)
{                
    int id = LookupTable[fontname][*i] + 1;
    result += hex[(id & 0x00F0) >> 4];
    result += hex[(id & 0x000F)];
}
result += ">";

beispielsweise "H€llo World!", könnte sich die <01020303040506040703080905>
und jetzt können Sie legen Sie einfach die Zeichenfolge in das pdf-Dokument und haben es gedruckt, mit dem Tj-operator wie gewohnt...

aber Sie haben jetzt ein problem: die pdf nicht wissen, dass Sie bedeuten, dass "H" durch ein 01. Um dieses problem zu lösen Sie auch die Zeichentabelle in der pdf-Datei. Dies geschieht, indem ein /Codierung auf das Font-Objekt und die Einstellung seiner Unterschiede

Für die "H€llo World!" - Beispiel, das Font-Objekt funktionieren würde:

5 0 obj 
<<
    /F1
    <<
        /Type /Font
        /Subtype /Type1
        /BaseFont /Times-Roman
        /Encoding
        <<
          /Type /Encoding
          /Differences [ 1 /H /Euro /l /o /space /W /r /d /exclam ]
        >>
    >> 
>>
endobj 

Generiere ich es mit diesem code:

ObjectOffsets.push_back(stream->tellp()); //xrefs entry
(*stream) << ObjectCounter++ << " 0 obj \n<<\n";
int fontid = 1;
for(std::list<std::string>::iterator i = Fonts.begin(); i != Fonts.end(); i++)
{
    (*stream) << "  /F" << fontid++ << " << /Type /Font /Subtype /Type1 /BaseFont /" << *i;

    (*stream) << " /Encoding << /Type /Encoding /Differences [ 1 \n";
    for(std::vector<wchar_t>::iterator j = Codepage[*i].begin(); j != Codepage[*i].end(); j++)
        (*stream) << "    /" << GlyphName(*j) << "\n";
    (*stream) << "  ] >>";

    (*stream) << " >> \n";
}
(*stream) << ">>\n";
(*stream) << "endobj \n\n";

Beachten Sie, dass ich eine Globale schriftart-registrieren - ich benutze den gleichen font-Namen, /F1, /F2,... das ganze pdf-Dokument. Die gleiche schriftart-register Objekt wird in der /Ressourcen Eintrag von allen Seiten. Wenn Sie dies tun, anders (z.B. Sie verwenden eine schriftart-register pro Seite) - Sie möglicherweise anpassen müssen, um den code für Ihre situation zu erhalten...

Also wie finden Sie die Namen der Glyphen (/Euro für "€", /exclam für "!" etc.)? In dem obigen code, dies geschieht einfach durch Aufruf von "GlyphName(*j)". Ich habe generiert diese Methode mit einem BASH-Skript aus der Liste, die in

http://www.jdawiseman.com/papers/trivia/character-entities.html

und es sieht so aus

const std::string GlyphName(wchar_t UnicodeCodepoint)
{
    switch(UnicodeCodepoint)
    {
        case 0x00A0: return "nonbreakingspace";
        case 0x00A1: return "exclamdown";
        case 0x00A2: return "cent";
        ...
    }
}

Einen großes problem habe ich offen gelassen ist, dass diese funktioniert nur so lange, wie man Sie bei den meisten 254 verschiedene Charaktere aus der gleichen Schrift. Verwenden Sie mehr als 254 verschiedene Zeichen, die Sie erstellen müssen mehrere codepages für die gleiche schriftart.

Innerhalb der pdf, die unterschiedliche codepages sind vertreten durch verschiedene Schriften, so zum Umschalten zwischen codepages, Sie hätten die Schriften wechseln, die theoretisch Blasen Sie Ihre pdf-up noch ein wenig, aber ich kann damit Leben...

InformationsquelleAutor der Antwort Algoman