FontTools：提取它提供的有用的 UTF 信息

Question

FontTools正在生成一些在这种结构中包含各种细节的 XML

  <cmap>
    <tableVersion version="0"/>
    <cmap_format_4 platformID="0" platEncID="3" language="0">
      <map code="0x20" name="space"/><!-- SPACE -->
         <!--many, many more characters-->
    </cmap_format_4>
    <cmap_format_0 platformID="1" platEncID="0" language="0">
      <map code="0x0" name=".notdef"/>
         <!--many, many more characters again-->
    </cmap_format_0>
    <cmap_format_4 platformID="0" platEncID="3" language="0"> <!--"cmap_format_4" again-->
      <map code="0x20" name="space"/><!-- SPACE -->
         <!--more "map" nodes-->
    </cmap_format_4>
 </cmap>

我试图找出这种字体支持的每个字符，所以这些code属性是我感兴趣的。我相信我认为所有 code属性都是 UTF-8 值是正确的：这是正确的吗？我很好奇为什么有两个节点cmap_format_4（它们似乎是相同的，但我还没有用大量的字体进行测试，所以如果熟悉这个模块的人肯定知道，那是我的第一个问题）。

为确保我看到字体中包含的所有字符，我是否需要组合所有code属性值，还是仅需要组合一两个。FontTools 会一直生成这三个 XML 节点，还是数量可变？知道为什么吗？文档有点模糊。

Answer 1

• cmap_format_N 节点（“cmap 子表”）的数量是可变的，“N”（格式）也是如此。有几种格式；最常见的是 4，但也有格式 12、格式 0、格式 6 和其他一些格式。

• 字体可能有多个 cmap 子表，但不是必需的。之所以会这样，是因为TrueType（已经演化为OpenType）的发展历史。该格式是在 Unicode 之前发明的，当时每个平台都有自己的字符映射方式。不同的格式和具有多个映射的能力在当时是必要的，以便有一个单一的字体文件可以在没有多个文件、重复等的情况下映射所有内容。现在大多数生成的字体只有一个 Unicode 子表，但是有有很多浮动的有多个子表。

• 在code地图中的节点的值是表示为十六进制码点值。它们可能是 Unicode 值，但不一定（请参阅下一点）。

• 我认为您的字体可能已损坏（或者可能存在复制/粘贴混淆）。cmap 中可能有多个 cmap_format_N 条目，但每个 platformID/platformEncID/language 组合都应该是唯一的。此外，重要的是要注意并非所有 cmap 子表都映射 Unicode。有些表示较旧的、Unicode 之前的编码。您应该首先查看 platformID="3"，然后是 platformID="0" 和最后 platformID="2" 作为最后手段的表。其他平台 ID 不一定映射 Unicode 值。

至于发现“所有 Unicode 映射到一个字体中”：当有多个 Unicode 子表时，这可能有点棘手，尤其是当它们的内容不同时。通过将所有code已知为 Unicode 映射的子表中的所有值并集，您可能会接近，但重要的是要了解大多数平台一次仅使用一个映射。通常有一个类似于我上面所说的首选拣货订单；当找到一个时，就是使用的那个。没有适用于所有平台的标准化优先顺序（我知道），但大多数流行的优先顺序与我列出的顺序非常接近。

最后，关于 Unicode 与 UTF-8：code值是 Unicode代码点；不是UTF-8 字节序列。如果您不确定其中的区别，请花一些时间在 Unicode.org 上阅读有关字符编码和字节序列化的信息。