pdf字體去重——4種常規字體、dzicon

hbghlyj

先生成一頁PDF，使它具有（未經過subsetting的）完整的Tahoma、Tahoma-Bold、SimSun字體

1. import fitz
2. doc = fitz.open()
3. page = doc.new_page()
4. page.insert_text((50, 50), "Hello, World!", fontname="Tahoma",fontfile = r"C:\Windows\Fonts\Tahoma.ttf")
5. page.insert_text((50, 50), "Hello, World!", fontname="Tahoma-Bold",fontfile = r"C:\Windows\Fonts\tahomabd.ttf")
6. page.insert_text((50, 50), "Hello, World!", fontname="SimSun",fontfile = r"C:\Windows\Fonts\simsun.ttc")
7. doc.save("singlepage.pdf")

复制代码

运行pdflatex將singlepage.pdf作為第一頁，合併到2022-2023.pdf的第3-5頁

1. \documentclass{article}
2. \usepackage{pdfpages,pgffor}
3. \begin{document}
4. \includepdf{singlepage.pdf}
5. \foreach \n in {3,...,5}{\includepdf[pages=\n,fitpaper]{2022-2023.pdf}}
6. \end{document}

复制代码

用grep查找pdf內容：

1. strings 1.pdf | grep "DescendantFonts" -B 4 --color='auto'

复制代码

可以看到，前3個屬於（第一頁）singlepage.pdf，我們將把後面各頁的DescendantFonts引用都替换為singlepage.pdf的DescendantFonts引用

hbghlyj

replace.py (927 Bytes, 下载次数: 0)

2024-2-9 05:57 上传

点击文件名下载附件

上面是4頁的1.pdf，运行replace.py，它把1.pdf的第2-4頁的DescendantFonts引用都替换為了第1頁的DescendantFonts引用，得到1_modified.pdf（20MB）
再运行gs（dFirstPage=2 將第一頁去除了）

1. gswin64c.exe -sDEVICE=pdfwrite -dFirstPage=2 -dNOPAUSE -dQUIET -dBATCH -dPrinted=false -sOutputFile=1_modified_compressed.pdf 1_modified.pdf

复制代码

得到3頁的1_modified_compressed.pdf（741KB）
1_modified_compressed.pdf (741.21 KB, 下载次数: 0)

2024-2-9 05:59 上传

点击文件名下载附件

hbghlyj

在1_modified_compressed.pdf中查找SimSun，只有1個FontDescriptor，所以只包含了一次

1. strings.exe 1_modified_compressed.pdf | grep.exe "SimSun" -A 4 --color='auto'

复制代码

hbghlyj

作為對比，還是用pdflatex把2022-2023的第3-5頁合併為2.pdf，然後直接运行gs，得到2_compressed.pdf（813KB）然後grep SimSun：

出現了很多次FontDescriptor

hbghlyj

@kuing 請驗收一下工程，可以看看1_modified_compressed.pdf有没有缺字的情況

另外，pdfpages這一步把鏈接弄丢了，解決方法是（後續處理）用pax：tex.stackexchange.com/questions/14620/how-to-preserve-hyperlinks-in-included-pdf

hbghlyj

運行pdffonts 1_modified_compressed.pdf可以看到，我們處理過的Tahoma、Tahoma-Bold、SimSun都只出現了一次
接下來可以把MicrosoftYaHei-Bold、dzicon也去重。
剩下的[none]，猜測是MathJax的字體

作為對比，運行pdffonts 2_compressed.pdf可以看到，直接运行GS的話，Tahoma、Tahoma-Bold、SimSun都出現多次

hbghlyj

hbghlyj 发表于 2024-2-8 22:16
接下來可以把MicrosoftYaHei-Bold、dzicon也去重.

下載dzicon.woff2字體：kuing.cjhb.site/static/image/common/dzicon.woff2
pymupdf不支持woff2，须用woff2 to ttf converter 轉换為 dzicon.ttf (19.22 KB, 下载次数: 0)

2024-2-9 07:13 上传

点击文件名下载附件

按照1#的方法，重新生成singlepage.pdf：

1. import fitz
2. doc = fitz.open()
3. page = doc.new_page()
4. page.insert_text((50, 50), "Hello, World!", fontname="Tahoma",fontfile = r"C:\Windows\Fonts\Tahoma.ttf")
5. page.insert_text((50, 50), "Hello, World!", fontname="Tahoma-Bold",fontfile = r"C:\Windows\Fonts\tahomabd.ttf")
6. page.insert_text((50, 50), "Hello, World!", fontname="SimSun",fontfile = r"C:\Windows\Fonts\simsun.ttc")
7. page.insert_text((50, 50), "Hello, World!", fontname="MicrosoftYaHei-Bold",fontfile = r"C:\Windows\Fonts\msyhbd.ttc")
8. page.insert_text((50, 50), "Hello, World!", fontname="dzicon",fontfile = r"dzicon.ttf")
9. doc.save("singlepage.pdf")

复制代码

運行pdflatex得到1.pdf
按照2#的方法，稍微調整replace.py，只在第3行增加2項：

1. for [font,repl] in [[b"Tahoma-Bold",b"Tahoma#20Bold"],[b"Tahoma",b"Tahoma#20Regular"],[b"SimSun",b"SimSun#20Regular"],[b"MicrosoftYaHei-Bold",b"Microsoft#20YaHei#20Bold"],[b"dzicon",b"dzicon#20Regular"]]:

复制代码

運行python replace.py
運行GS（命令和2#相同）得到 1_modified_compressed.pdf (711.19 KB, 下载次数: 1)

2024-2-9 07:16 上传

点击文件名下载附件

這次文件大小是711KB（相比2#的741KB又减少了）

hbghlyj

這次是把有名字的5種字體都去重了。剩下的[none]是MathJax字體，
找到了OTF：cdn.jsdelivr.net/npm/mathjax@2.7.9/fonts/HTML-CSS/TeX/otf/MathJax_Math-Italic.otf
這個OTF在網頁可以使用：
把

1. @font-face /* 3 */ {
2.   font-family: MJXTEX-I;
3.   src: url("https://cdn.jsdelivr.net/npm/mathjax@3/es5/output/chtml/fonts/woff-v2/MathJax_Math-Italic.woff") format("woff");
4. }

复制代码

替换為

1. @font-face /* 3 */ {
2.   font-family: MJXTEX-I;
3.   src: url("https://cdn.jsdelivr.net/npm/mathjax@2.7.9/fonts/HTML-CSS/TeX/otf/MathJax_Math-Italic.otf");
4. }

复制代码

能正常顯示:

stackoverflow.com/questions/2085059/how-to-convert-type-3-font-to-type-1-font-in-pdf 說Type 3字體不可替换，最好的辦法是重新生成pdf。推測woff打印出來是Type3，所以先在CSS中像上圖那樣把woff替換為otf，不影響顯示，然後再打印，就可以去重MathJax字體。目前能做的只有這些，7#的結果最好了。

hbghlyj

@kuing 7#的1_modified_compressed.pdf有没有缺字的情況

kuing

太复杂了，工具那么多，我搞不懂……
我只是想问：
以你现在了解的情况，是否这次撸题集字体大且弄不小的原因是因为 mathjax？
2020-2021 的时候用的应该是 mathjax2.7，这次用的 mathjax3，区别就在这儿吗？

hbghlyj

kuing 发表于 2024-2-9 06:38
是否这次撸题集字体大且弄不小的原 ...

哦不是這樣，是每頁都有4種常規字體(Tahoma-Bold, Tahoma, SimSun, Microsoft-Yahei-Bold)和dzicon和各種MathJax字體。
現在已經可以把4種常規字體和dzicon去重（見7#）。MathJax字體如果在CSS中用OTF也可以去重。

hbghlyj

關於MathJax字體：其實Type3字體包含的是PDF碼
例如$\iff$字符屬於MathJax_Main-Regular

然後把它的stream內容複製到\pdfliteral裡，就可以看到$\iff$

1. \documentclass{article}
2. \newcommand{\pdfinlimg}[5]{
3. \makebox[#1cm][l]{\immediate\pdfliteral{
4.   q
5.   #5
6.   Q
7. }\vbox to #2cm{}
8. }
9. }
11. \begin{document}
12. \pdfinlimg{1}{1}{48}{48}{%
13. 0.1 0 0 0.1 0 0 cm
14. 1858 0 56 -525 1802 24 d1
15. 1438 -514 m
16. 1438 -512 1440 -506 1443 -500 c
17. 1465 -457 1498 -410 1529 -377 c
18. 1539 -367 l
19. 318 -367 l
20. 328 -377 l
21. 359 -410 392 -457 414 -500 c
22. 417 -507 419 -511 419 -515 c
23. 419 -521 414 -524 401 -525 c
24. 395 -525 l
25. 383 -525 384 -524 377 -512 c
26. 317 -393 211 -299 72 -263 c
27. 58 -259 56 -257 56 -250 c
28. 56 -243 58 -241 72 -237 c
29. 99 -230 132 -218 160 -204 c
30. 252 -159 330 -81 377 12 c
31. 383 24 384 24 399 24 c
32. 413 24 419 22 419 16 c
33. 419 12 417 7 414 0 c
34. 392 -43 359 -90 328 -123 c
35. 318 -133 l
36. 1539 -133 l
37. 1529 -123 l
38. 1498 -90 1465 -43 1443 0 c
39. 1440 7 1438 12 1438 16 c
40. 1438 22 1444 24 1458 24 c
41. 1473 24 1474 24 1480 12 c
42. 1540 -106 1646 -201 1785 -237 c
43. 1799 -241 1802 -243 1802 -250 c
44. 1802 -257 1799 -259 1785 -263 c
45. 1769 -267 1741 -277 1725 -284 c
46. 1619 -328 1531 -410 1480 -512 c
47. 1473 -524 1474 -525 1454 -525 c
48. 1445 -525 1438 -521 1438 -514 c
49. h
50. 274 -173 m
51. 264 -181 l
52. 234 -204 191 -230 157 -245 c
53. 151 -247 147 -250 y
54. 185 -269 230 -293 264 -319 c
55. 274 -327 l
56. 602 -327 l
57. 927 -328 l
58. 928 -328 929 -327 930 -327 c
59. 1583 -327 l
60. 1593 -319 l
61. 1623 -296 1666 -270 1700 -255 c
62. 1706 -253 1710 -250 y
63. 1672 -231 1627 -207 1593 -181 c
64. 1583 -173 l
65. 274 -173 l
66. h
67. f
68. }
69. \end{document}

复制代码

kuing

hbghlyj 发表于 2024-2-9 15:59
哦不是這樣，是每頁都有5種常規字體和dzicon和各種MathJax字體。
現在已經可以把5種常規字體和dzicon去重 ...

我再说清楚一点，当年 2020-2021 时刚合并完也像现在这么大。
而当年经 Adobe 的 PDF 优化器优化字体后就能变小（减少 1/3 以上，具体细节我不清楚），
为何现在就没有这效果？这一点是否是因为 mathjax 版本变化引起？
要不你去看看 2020-2021 版的 PDF 的 mathjax 字体和现在的有什么不同？
如果方便的话，你有空上上Q，我们Q上聊

hbghlyj

kuing 发表于 2024-2-9 09:27
这一点是否是因为 mathjax 版本变化引起？

可能是！我在這帖用v2的otf字體替换了MathJax v3的woff字體，就可以去重了