はじめに
.NETのPDFsharpを使って日本語PDFを生成していたところ、ほとんど文字を書いていないPDFが10MBを超えることがありました。
なぜそのようなことが起こったのか、備忘録として記載しておきます。
結論
直接の原因は、生成に使用したフォントファイル(NotoSansCJKjp-Regular.otf)がPDFsharpのサブセット化に対応していなかったことでした。
代わりにNotoSansCJKの.ttfファイルを使用することで、巨大化は解消されました。
PDFの仕組み
PDFでは、以下の3つを分けて考える必要があるようです。
- どの文字・グリフを描画するか指定する情報
- グリフを描画するためのフォントデータ
- PDF内部の文字コードを
Unicodeへ戻す情報(ToUnicode CMap)
※ちなみに3つ目が欠けると、見た目上は正しく表示されていても、コピー&ペーストした時に文字化けを起こします。
フォントファイルは巨大なので、そのファイルに使う文字だけ抜き出してPDFファイルに埋め込むFont Subsetting(フォントサブセット化)のが一般的。
ライブラリにはだいたい標準で組み込まれているようですが、PDFsharpは特定の条件で全フォントが埋め込まれる仕様でした。(他のライブラリがどうかはわかりませんが)
公式に次の記述があります。
“PDFsharp cannot compute subsets of OpenType fonts with PostScript outlines. Subsets can only be computed from OpenType fonts with TrueType outlines. If PDFsharp cannot compute a subset, the whole font is embedded.”
翻訳すると、
PDFsharpはPostScriptアウトライン1を持つOpenTypeフォントのサブセットを生成できない。サブセット化できるのはTrueTypeアウトラインを持つOpenTypeフォントだけ。サブセット化できない場合はフォント全体を埋め込む。
最後に
以前、画像生成機能に関わった際は.otfを使用してもファイルが巨大化することはなかったため、PDFでは挙動が異なるという点は一つの落とし穴でした。
また、フォントの埋め込み処理自体は一瞬で終わり、ファイル生成そのものが遅くなったわけではありません。加えて、その機能ではHTTP通信も行っていたため、処理の遅さについてネットワーク関連を疑ってしまい、原因の特定に時間がかかってしまいました。
ファイルサイズは性能に直結しますし、生成するファイル形式によって性質も大きく異なります。「以前は問題なかったから今回も大丈夫」と過信せず、ファイル形式ごとの特性を意識して開発していきたいものです。
-
文字の輪郭データを表現する方式の一種。
.ttfは通常TrueTypeアウトライン。.otfはTrueTypeかPostScriptのどちらか。 ↩