FontTools：提取它提供的有用的UTF信息

Question

FontTools 正在生成一些 XML，其中包含此结构中的各种细节

  <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>

我试图找出这个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 all code 属性是正确的是 UTF-8 值：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，但我没有用大量的字体测试过，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） .

为了确保我看到字体中包含的所有字符，我需要组合所有code 属性值，还是只需要一个或两个。 FontTools 会始终生成这三个 XML 节点，还是数量可变？知道为什么吗？ The documentation 有点模糊。

Answer 1

• cmap_format_N 节点（“cmap 子表”）的数量是可变的，“N”（格式）也是可变的。有几种格式；最常见的是4，但也有12、0、6等格式。

• 字体可能有多个 cmap 子表，但不是必须的。其原因在于 TrueType 的发展历史（已演变为 OpenType）。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。不同的格式和拥有多个映射的能力在当时是必要的，以便拥有一个可以映射所有内容而没有多个文件、重复等的字体文件。现在大多数生成的字体都只有一个 Unicode 子表，但是有很多漂浮在周围，有多个子表。

• 映射节点中的code 值是以十六进制表示的代码点值。它们可能是 Unicode 值，但不一定（见下一点）。

• 我认为您的字体可能已损坏（或者可能存在复制/粘贴混淆）。在 cmap 中可能有多个 cmap_format_N 条目，但每个平台 ID/platformEncID/语言组合应该是唯一的。此外，重要的是要注意并非所有 cmap 子表都映射 Unicode；一些表达较旧的、pre-Unicode 编码。您应该首先查看 platformID="3" 的表，然后是 platformID="0" 最后是 platformID="2" 作为最后的手段。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。您可能会通过合并所有已知为 Unicode 映射的子表中的所有 code 值来接近，但重要的是要了解大多数平台一次只会使用其中一个映射。通常有一个类似于我上面所说的首选拣货顺序；当找到一个时，那就是使用的那个。没有适用于所有平台的标准化偏好顺序（据我所知），但大多数流行的平台都遵循与我列出的非常接近的顺序。

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，请花一些时间阅读有关 character encodings and byte serialization at Unicode.org 的信息。