TXT转PDF时中文乱码或字体缺失如何解决？

Question

TXT转PDF时中文乱码或字体缺失，是因纯文本无字体信息，而多数PDF生成工具（如wkhtmltopdf、Python的pdfkit或ReportLab默认配置）依赖系统英文字体，未显式指定中文字体路径。常见表现：中文显示为方框、空格或乱码（如“”）。根本原因在于PDF渲染引擎缺少支持UTF-8中文的嵌入字体（如Noto Sans CJK、SimSun、Microsoft YaHei）。解决方案需三步闭环：① 选择支持Unicode的字体文件（.ttf/.otf）；② 在转换工具中显式声明字体路径与编码（如pdfkit通过`--font-family`+CSS `@font-face`；ReportLab需注册字体并设置`PDFTextObject.setFont()`）；③ 确保输出PDF嵌入字体（启用`--no-pdf-compression`或`canvas.setFont(..., embed=True)`）。忽略任一环，均会导致乱码复现。

Answer 1

一、现象层：乱码的直观表现与诊断线索

当将UTF-8编码的中文TXT文件转为PDF时，常见异常包括：中文字符显示为空白、方框（□）、问号（）、乱码符号（如“ļ”），或部分汉字被截断。在Adobe Acrobat中检查文档属性→“字体”，常显示“<未嵌入>”或仅列出Helvetica、Times-Roman等基础拉丁字体。此现象非编码错误（如TXT本身可正常用Notepad++查看），而是PDF渲染阶段的字体映射失败。

二、机制层：PDF字体嵌入模型与中文支持断点

PDF规范（ISO 32000）要求文本渲染依赖字体描述符（FontDescriptor）和字形映射表（CMap）。纯文本无字体元数据，而wkhtmltopdf、pdfkit等工具默认调用系统fontconfig，Linux下常仅加载/usr/share/fonts/dejavu/等英文字体；Windows虽预装SimSun，但pdfkit若未显式声明CSS @font-face，WebKit内核仍回退至sans-serif（即Arial/Helvetica）。ReportLab更严格：其默认字体库（pdfmetrics.getRegisteredFontNames()）不含任何CJK字体，且ParagraphStyle中fontName设为"Helvetica"即彻底绕过中文支持。

三、技术栈分层解决方案对比

工具	字体注册方式	关键参数/代码	嵌入强制开关
wkhtmltopdf + pdfkit	CSS @font-face 声明本地TTF路径	--load-error-handling ignore --encoding utf-8 --user-style-sheet style.css	--no-pdf-compression（禁用压缩以保留嵌入字体流）
ReportLab	pdfmetrics.registerFont(TTFont('NotoSansCJK', 'NotoSansCJKsc-Regular.ttf'))	style.fontName = 'NotoSansCJK'; canvas.setFont('NotoSansCJK', 12, embed=True)	embed=True必须传入setFont()或ParagraphStyle

四、实践闭环：三步不可缺的字体工程化流程

1. 字体选型与验证：优先选用开源、免版权、全Unicode覆盖的Noto Sans CJK SC（思源黑体简体），下载地址：https://github.com/googlefonts/noto-cjk。使用fc-list :lang(zh)（Linux）或PowerShell [System.Drawing.Text.InstalledFontCollection]::new().Families（Windows）确认系统已加载。
2. 工具链显式绑定：对pdfkit，需生成含@font-face的CSS文件：

   @font-face {
     font-family: 'NotoSansCJK';
     src: url('./NotoSansCJKsc-Regular.ttf') format('truetype');
     font-weight: normal;
     font-style: normal;
   }
   body { font-family: 'NotoSansCJK', sans-serif; }
   

3. PDF嵌入验证：生成后执行pdffonts output.pdf（需poppler-utils），输出中应含yes标记的embedded列，且type列为TrueType或OpenType。

五、深度避坑指南：高阶陷阱与跨平台一致性保障

① Docker环境字体缺失：Alpine镜像默认无中文字体，需在Dockerfile中添加RUN apk add --no-cache ttf-dejavu ttf-droid && cp /usr/share/fonts/ttf-droid/DroidSansFallbackFull.ttf /app/fonts/；② ReportLab缓存污染：首次注册字体后，pdfmetrics._fonts全局缓存不会自动更新，需重启进程或手动清空pdfmetrics._fonts.clear()；③ wkhtmltopdf版本差异：0.12.6+才完整支持--user-style-sheet，旧版需改用--header-html注入CSS。

六、自动化验证流程图

graph TD
  A[输入UTF-8中文TXT] --> B{转换前检查}
  B -->|字体文件存在？| C[注册/声明字体]
  B -->|系统有中文字体？| C
  C --> D[执行转换命令]
  D --> E[生成PDF]
  E --> F[pdffonts验证]
  F -->|embedded=yes？| G[通过]
  F -->|embedded=no？| H[回溯字体路径/CSS/嵌入参数]
  H --> C