改 PDF 里的文字是怎么做到的：内容流、字体编码，以及为什么只能一行一行改

PDF 的页面里没有段落，也没有文字框，只有一串指令：在这个坐标，用这个字体、这个字号，画这几个字形。改字，就是把这一行的指令删掉，再在同一个位置用同样的字体、字号和颜色写入新的指令。编辑 PDF 能一行一行地改、改不了自动换行，都是由这个存法决定的。

一行文字在文件里长什么样

PDF页面的内容存在内容流（content stream）里，是一段由运算符组成的小程序。画文字的核心运算符有四个：BT/ET 圈出一段文字，Tf 选字体和字号，Td 移动到下一个位置，Tj 画一串字符。用标准字体的最简单情况是这样：

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

意思是：选 F1 号字体、18 点，移到横 20、纵 150，画 Hello World。Chrome 打印出来的 PDF 常见的是另一种写法，括号里不再是字符，而是字体里的字形（glyph）编号，位置由 Tm 一次设定。下面是 Chrome 导出的一页里 Hello World from Georgia 这一行，每四位十六进制是一个字形的编号：

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

开头的 002b 是 H，0048 是 e，004f 是 l，0003 是空格，003a 是 W，以此类推。这些编号只在这一个字体里有意义，不是 Unicode。复制这段文字时，阅读器靠文件里另存的一张对照表把编号翻回字符。

从这里能看出两件事。第一，内容流里没有“这是一个段落”的信息，换行只是后面又有一条 Td 或 Tm 把位置挪到了下一行；一段话是多少行，要靠位置推。第二，要往一行里写新字，必须知道新字在这个字体里的编号，而这个字体里往往只有写文件时用到的那些字形，这是字体子集化的结果。

可以用 qpdf 把流展开：

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

用文本编辑器打开 out.pdf，搜索 Tj 就能看到页面上每一串文字。页面里还有什么，见PDF 里面有什么。

编辑器怎么把字形还原成“一行”

编辑器要先把一堆字形合成用户能点的一行。字体、字号和颜色都相同、相邻字形的间隔不超过一个字号的，算同一段；换行、换字体、换颜色就断开。文字方向是从右向左或竖排的，不参与合并，也就点不开。

这一步有两个能直接观察到的后果。一行里混了两种字体，比如中文行里夹着英文，会被拆成相邻的两段，各点各的。改过之后也一样：新字用了别的字体，这一行就变成两段，再改其中一段，另一段保持原样。

改一行：先删旧的，再写新的

删旧的用的是涂黑（redaction）里“只删文字”的那种：把这一行范围内的字形从内容流里去掉，图片和线条保持原样，也不在旧文字上盖一块颜色，所以复制和搜索都找不到旧文字。它只改页面内容，同一段文字如果还出现在批注或文档属性里，那些地方不受影响。

写新的是在页面内容流的末尾追加一段新的文字指令，起点取原来那一行的基线位置，字号和颜色沿用。把上面那一行改成 Hello World 2 后，页面末尾追加的内容是：

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

前一个 BT 用的是原来的 F4 字体和原来的字形编号，Hello World 一字不差地沿用；“2”在原来的字体子集里没有，所以后一个 BT 另起一个标准 Helvetica 字体（F9）来画。q 和 Q 把这段指令的坐标变换和颜色限定在自己里面；编辑器同时把原来的内容也包进一对 q/Q，防止原页面末尾没配平的状态影响新文字。这是一次运行的样子，数字随文件而变。

追加在末尾带来三个后果：

• 新文字最后绘制，盖在页面上其他东西的上面。原来被图片或色块遮住的文字，改过之后会出现在它们上面。
• 按内容流顺序提取文字的工具（比如 pdftotext -raw）读出来，被改过的行排到这一页的最后；按位置排版的提取（pdftotext -layout）看不出变化。页面看起来没变，读出来的顺序变了。
• 编辑器给新文字附上一段 ActualText，告诉阅读器这段字形对应的真实字符是什么。同一个字形可能对应好几个字符，只靠字形编号反查，有时会得到兼容字符（比如把“文”读成康熙部首“⽂”），ActualText 保证复制出来的就是你输入的字。

新字用哪个字体画

用原来的字体最稳，因为字形、字重、字宽都和旁边一致。能不能复用，取决于能否确定“这个字符在这个字体里对应哪个编码”：

• 上面那种组合字体（Type0，两字节字形编号，Identity-H 编码）：直接去字体里查这个字符的字形编号，查得到就用。查不到，说明这个字不在子集里。
• 单字节的简单字体（TrueType、Type1），编码是 WinAnsi 或 MacRoman：字符到字节的对应是固定的，宽度读文件里的宽度表。
• 编码带自定义改动（Differences）或依赖字体内置编码的：没有可靠的对应关系，不去猜，直接走备用字体，否则会写出乱码。

要用的字在原字体里没有，就换备用字体。普通拉丁字母用 Helvetica、Times、Courier 里最接近的一种，这三类是每个阅读器都有的标准字体，不用嵌入。其他字符，比如汉字、假名、谚文、泰文、带变音符号的拉丁字母、西里尔和希腊字母，要用开源的 Noto 字体：服务器按请求里的字符，用开源的 HarfBuzz 字体子集化库从整套字体里切出这几个字形，通常只有几 KB，浏览器再把它嵌进你的文件。汉字用哪种字形，按页面的界面语言选简体、繁体、日文或韩文的版本。

嵌入字形而不是只写字体名，是因为只写名字的字体由每个查看器自己找后备字体来画，不同查看器里字重可能不同；嵌进去，所有查看器看到的都一样。

为什么只能一行一行改

编辑器没有排版引擎。每个字形的位置都是文件里写死的，新文字只是从起点开始按字体的宽度往右排，没有“到边界就换行”的逻辑，也不会去挪后面的内容。把一行改长，多出的字就向右伸出去，超出页面的部分看不见。整段重写、往表格里加行，需要的是重新排版，得回到生成这份 PDF 的源文件。

宽度也只用字体自带的字宽，没有字距调整和字形替换。不需要整形的文字（拉丁、西里尔、希腊字母和汉字）可以正常排；泰文的声调符号要靠字形定位才能叠在正确的位置，编辑器没做，所以位置可能偏。阿拉伯文要按上下文换字形再从右向左排，希伯来文要从右向左排，印度系文字要把辅音和元音符号拼成字形，这些都需要完整的文字整形，编辑器现在不做，输入会被拒绝，而不是写出错误的字。

另有两处边界来自文件本身。扫描页的内容是一张图片，没有文字运算符，也就没有东西可删可改。带数字签名的文件改完，签名所保护的原内容变了，原有签名就不再有效。

自己验证

改完下载的文件，可以用三条命令看到上面说的变化：

pdftotext -raw edited.pdf -      # 按内容流顺序提取：旧文字不在了，改过的行排在最后
pdffonts edited.pdf              # 字体列表：沿用的原字体，以及新嵌入的字体子集
qpdf --qdf --object-streams=disable edited.pdf edited.qdf   # 展开内容流，末尾能看到追加的那段 BT ... ET

接着读什么

• 字体子集化为什么破坏编辑，却不破坏阅读：为什么原字体里会缺字，缺了会怎样。
• PDF 里面有什么：对象、流与交叉引用表：内容流、对象和文件结构的整体图景。
• 在线编辑 PDF 里的文字：没有源文件也能改错字、日期和金额：怎么用、适合改什么、什么时候该回到源文件。