又到了筆者應用推薦時間，相信大家平常工作中必不可少的要與文字打交道，那么怎么更好的提高文字編輯的工作效率呢？

PDF 是我們打交道最多的文件格式之一。提到這個格式，即使是對技術并不熟悉的用戶，也能說出「通用性好」、「格式不會亂變」這些優點。但同時，PDF 也是讓我們感到困惑最多的格式之一，因為與 Word 文檔等其他常見辦公軟件格式相比，PDF 似乎有著太多的「怪癖」，例如復制文字困難、幾乎沒法編輯等等。

然而，事實并非如此。這些問題大多不是 PDF 格式的「缺陷」，而是因為我們在觀念上把 PDF 當成了和其他辦公文檔格式相近的東西，并因此期待 PDF 也具有和后者相似的功能和特征。

對大多數用戶來說，PDF 可能是他們接觸到的格式中最「接地氣」、與現實生活最接近的。因為，PDF 與其說是一種數字文檔，不如說是實體文檔在數字世界中的影像。對 PDF 的操作，很大程度上可以看成對真實紙張的操作，只是操作環境從物理世界換到了數字世界而已。PDF 的創建就是一種虛擬的打印，復制 PDF 文字的過程更像是一種抄寫，而 PDF 的編輯實質上是一種涂改。

PDF 復制中的文字重復問題

首先嘗試復現問題：用預覽 app 打開并隨手復制一段，確實出現了很多重復的文字，看起來就像是「結巴」了一樣，有一種莫名的喜感。換用 PDF Expert 打開再嘗試復制，則沒有這樣的問題。

.如何更好的使用PDF：復制中的文字重復問題圖一

雖然不知道問題的具體成因，但根據經驗，文字復制中的故障往往與編碼有關，而 PDF 格式正是編碼問題的大戶。

我在之前的文章中提到，PDF 格式是「不識字」的。在顯示文字時，閱讀器只是機械地根據 PDF 語句的指令，將字體資源中特定碼位的字形繪制在坐標指定的位置，而并不關心自己畫出來的到底是什么字。只有在進行復制、搜索等操作時，PDF 才會根據內嵌的 CMap，將內部字體的編碼和 Unicode 編碼對應起來。因此，如果 CMap 缺失或損壞，就無法從 PDF 中正常復制文字，但并不影響文檔的外觀。

.如何更好的使用PDF：復制中的文字重復問題圖二

這次的問題會不會也跟 CMap 有關呢？這就要查看 PDF 的源碼才能知道。不過，大多數 PDF 都經過壓縮，用文本編輯器直接打開是不可讀的。為此，我們首先用 qpdf 將其解壓：

.如何更好的使用PDF：復制中的文字重復問題圖三

這樣，就可以用任意文本編輯器打開查看代碼了。但即使如此，PDF 的源碼結構也很混亂，從頭翻看很難找到頭緒。因此，我們可以從找準一個小處入手——例如標題中的這個「工」字。

查詢 Unicode 字符表，可以知道「工」字的編碼是 U+5DE5。既然 PDF 中有「工」字，那么源碼中的某處一定會提到 5de5 這個編碼。確實，簡單搜索一下就可以找到這么一段：

.如何更好的使用PDF：復制中的文字重復問題圖四

其中，beginbfchar 和 endbfchar 正是 CMap 所用的語句。根據 PDF 語法，它表明 PDF 內嵌字體中編碼為 0ae1 的字形，對應 Unicode 編碼為 U+2F2F 和 U+5DE5 的兩個字符。

.如何更好的使用PDF：復制中的文字重復問題圖五

奇怪了，為什么是兩個字符？

我們已經知道，U+5DE5 就是漢字「工」，那這個多出來的 U+2F2F 又是什么？再次 查詢 Unicode 表，會發現 U+2F2F 竟然也是「工」。這兩個字符是什么關系？它們是一回事嗎？

答案是否定的。仔細看一下兩個字符的 Unicode 信息：U+5DE5 的全名是「Ideograph labor，work; worker，laborer CJK」，位于 CJK Unified Ideographs（中日韓統一表意文字）區塊。顯然，這就是我們日常所用的漢字「工」。

12下一頁>