編輯 PDF 文字的原理：內容串流、字型編碼，以及為什麼一次只能改一行

PDF 頁面裡沒有段落，也沒有文字方塊，只有一串指令：在這個位置，用這個字型和大小，畫出這些字形。改文字就是刪掉畫那一行的指令，再用相同的字型、大小和顏色，在同一位置寫入新的指令。這就是 編輯 PDF 一次只改一行、也不能自動換行的原因：它是文字儲存方式的直接結果。

一行文字在檔案裡長什麼樣子

頁面內容存放在內容串流裡，那是一段由運算子組成的小程式。文字主要靠四個運算子：BT 與 ET 圍出一個文字區塊，Tf 選字型和大小，Td 移到下一個位置，Tj 畫出一個字串。用標準字型時，最簡單的情況長這樣：

BT /F1 18 Tf 20 150 Td (Hello World) Tj ET

意思是：選字型 F1、18 點，移到 x 20、y 150，畫出 Hello World。Chrome 列印出來的 PDF 通常不一樣：括號裡放的不再是字元，而是字型裡的字形編號，位置則由 Tm 一次設定。下面是 Chrome 匯出頁面中的 Hello World from Georgia 這一行，每四個十六進位數字是一個字形編號：

BT /F4 24 Tf 1 0 0 -1 30 52 Tm <002b0048004f004f00520003003a00520055004f0047000300490055005200500003002a004800520055004a004c0044> Tj ET

002b 是 H，0048 是 e，004f 是 l，0003 是空格，003a 是 W，依此類推。這些編號只在這一個字型裡有意義，不是 Unicode。複製文字時，檢視器靠檔案別處存放的對照表把編號轉回字元。

由此可得兩點。第一，內容串流裡沒有任何地方寫「這是一個段落」：換行只是另一個把位置移到下一行的 Td 或 Tm，一個段落有幾行，只能從位置推斷。第二，要把新字元寫進一行，就得知道這個字元在該字型中的編號，而字型往往只含有檔案寫入時用到的字形，這是字型子集化的結果。

可以用 qpdf 把串流展開：

qpdf --qdf --object-streams=disable in.pdf out.pdf

用文字編輯器打開 out.pdf，搜尋 Tj，就能看到頁面上畫出的每一個字串。想知道 PDF 還包含什麼，請見PDF 裡面有什麼。

編輯器如何從字形重建一「行」

編輯器首先要把零散的字形歸成使用者可以點選的一行。字型、大小、顏色相同，且與前一個字形的間距不超過一個字型大小的字形，屬於同一個文字片段；換行、換字型或換顏色就結束這個片段。由右向左書寫或直排的文字不會被歸組，也不能開啟編輯。

有兩個結果可以直接觀察到。混用兩種字型的一行，例如中文裡夾一個英文單字，會被拆成相鄰的兩個片段，要分別點選。編輯之後也一樣：如果新文字用了另一種字型，這一行就變成兩個片段，改其中一個，另一個保持不變。

改一行：先刪舊文字，再寫新文字

刪除用的是只處理文字的塗黑：該行區域內的字形會從內容串流中移除，影像與線條不動，也不會在舊文字上蓋一個有色方塊，所以複製和搜尋都找不到它了。它只改頁面內容；如果同樣的文字還出現在註解或文件屬性裡，那些地方不受影響。

寫入則是在頁面內容串流的末尾附加一段新的文字指令，從原本那一行的基線位置開始，沿用它的大小和顏色。把上面那一行改成 Hello World 2 之後，附加在頁面末尾的內容是：

q 1 0 0 1 22.5 148.92 cm 0 0 0 rg
/Span <</ActualText <feff00480065006c006c006f00200057006f0072006c006400200032>>> BDC
BT /F4 18 Tf 0 0 Td <002b0048004f004f00520003003a00520055004f00470003> Tj ET
BT /F9 18 Tf 102.18 0 Td (2) Tj ET
EMC
Q

第一個 BT 用原本的字型 F4 和原本的字形編號，所以 Hello World 與原來完全一樣。「2」不在原本的字型子集裡，所以第二個 BT 另外啟用標準 Helvetica 字型（F9）來畫它。q 與 Q 把這一段的座標變換和顏色限制在自己範圍內；編輯器也會用一對 q/Q 包住原本的內容，這樣原頁末尾沒有成對結束的狀態就不會影響新文字。這是一個文字片段的樣子，數字會隨檔案而不同。

附加在末尾有三個後果：

• 新文字最後繪製，疊在頁面上其他所有內容之上。原本在影像或色塊底下的文字，編輯後會出現在它上面。
• 按內容串流順序抽取文字的工具（例如 pdftotext -raw）會把編輯過的那一行讀成該頁的最後一行，而按位置抽取（pdftotext -layout）看不出變化。頁面看起來一樣，閱讀順序卻變了。
• 編輯器會替新文字附上 ActualText，告訴檢視器這些字形代表哪些真正的字元。一個字形可以對應多個字元，只靠字形編號反查有時會得到相容字元（例如把「文」讀成康熙部首「⽂」）；ActualText 確保複製出來的就是你輸入的。

新文字用哪個字型畫

沿用原本的字型最穩妥，因為字形、粗細和寬度都與旁邊的文字一致。能不能沿用，取決於編輯器能不能確定一個字元在該字型中的編碼：

• 像上面那樣的複合字型（Type0、兩位元組字形編號、Identity-H 編碼）：到字型裡查這個字元的字形編號，找得到就用；找不到，就表示這個字元不在子集裡。
• 單位元組的簡單字型（TrueType、Type1）搭配 WinAnsi 或 MacRoman 編碼：字元到位元組的對應是固定的，寬度取自檔案中的寬度表。
• 自訂編碼（Differences）或依賴字型內建編碼的字型：沒有可靠的對應，編輯器不會猜，而是改用後備字型，否則文字會變成亂碼。

原本的字型沒有這個字元時，就使用後備字型。純拉丁字母會用 Helvetica、Times、Courier 中最接近的一個，這些是每個檢視器都有的標準字型，不需要內嵌。其餘的字元，例如漢字、假名、諺文、泰文、帶重音的拉丁字母、西里爾字母和希臘字母，使用開源的 Noto 字型：伺服器取出請求中的字元，用開源的 HarfBuzz 子集化函式庫，從完整字型中只切出這些字形，通常只有幾 KB，再由瀏覽器內嵌進你的檔案。漢字的字形樣式隨介面語言而定：簡體、繁體、日文或韓文。

之所以內嵌字形而不是只寫字型名稱，是因為只用名稱參照的字型會被各個檢視器換成各自挑的後備字型，粗細也可能因檢視器而異；內嵌之後，每個檢視器顯示的字形都一樣。

為什麼一次只能改一行

編輯器沒有排版引擎。檔案裡每個字形的位置都是固定的；新文字只是依字型的寬度，從起點往右排，沒有「到邊界換行」的邏輯，它後面的內容也不會被移動。把一行改長，多出來的字元就繼續往右延伸，超出頁面邊緣的部分看不到。重寫一個段落，或在表格裡新增列，需要重新排版，也就是回到製作這份 PDF 的原始檔。

寬度同樣只是字型為每個字形定的前進寬度（排完一個字形後，位置往右移動的距離），沒有字距調整（kerning），也沒有字形替換。不需要文字塑形（依上下文把字元換成合適的字形並決定其位置）的文字（拉丁字母、西里爾字母、希臘字母和漢字）可以正確排版。泰文的聲調符號需要字形定位才能落在正確的位置，編輯器不做這件事，所以可能會偏位。阿拉伯文需要依上下文變化的字形和由右向左的排版，希伯來文需要由右向左的排版，印度系文字需要把子音和母音符號組合成字形；這些都需要完整的文字塑形，編輯器目前不做，所以輸入這些文字時會被拒絕，而不是產生錯誤的字元。

還有兩個限制來自檔案本身。掃描頁的內容是一張影像，沒有文字運算子，所以沒有可刪可改的東西。有數位簽章的檔案經過編輯後，簽章所保護的原始內容已經改變，簽章就不再有效。

自己驗證

下載編輯後的檔案，用三個指令就能看到上面描述的變化：

pdftotext -raw edited.pdf -      # 按內容串流順序抽取：舊文字不見了，編輯過的那一行排在最後
pdffonts edited.pdf              # 字型清單：被沿用的原字型，以及新內嵌的字型子集
qpdf --qdf --object-streams=disable edited.pdf edited.qdf   # 展開內容串流，附加的 BT ... ET 區塊在最後

延伸閱讀

• 為什麼字型子集化會弄壞編輯，卻不弄壞閱讀：原字型為什麼會缺字元，缺了會怎樣。
• PDF 裡面有什麼：物件、串流與交叉參照表：內容串流、物件與檔案結構的全貌。
• 線上編輯 PDF 裡的文字：沒有原始檔也能改：怎麼使用、適合什麼情況、什麼時候該回到原始檔。