提取斜体文字

hbghlyj

制作一个例子

1. \documentclass[border={0pt 2pt 0pt 2pt}]{standalone}
2. \begin{document}
3. aaa
4. {\it bbb}
5. ccc
6. \end{document}

Copy the Code

用PyPDF2试着做一下page.extract_text()
这样只能提取到纯文本aaa bbb ccc无法保留格式信息

hbghlyj

用SumutraPDF的Document properties看到LaTeX生成的文档有2个字体

CMR10(Type1;embedded)

CMTI10(Type1;embedded)

CMTI10应该是斜体. 能否根据字体来提取文本? 只提取CMTI10就能提取斜体文字了.

1. from PyPDF2 import PdfReader
2. reader = PdfReader('example.pdf')
3. page = reader.pages[0]
5. def visitor_body(text, cm, tm, fontDict, fontSize):
6.     if text:
7.         print(fontDict['/BaseFont'])
9. page.extract_text(visitor_text=visitor_body)

Copy the Code

输出是

/DCZPBI+CMR10

/GUKUYZ+CMTI10

'aaa bbb ccc'

这里的DCZPBI、GUKUYZ都是啥意思?
加上“字符串包含CMTI”的判断,代码变成

1. from PyPDF2 import PdfReader
2. reader = PdfReader('example.pdf')
3. page = reader.pages[0]
5. def visitor_body(text, cm, tm, fontDict, fontSize):
6.     if text and 'CMTI' in fontDict['/BaseFont']:
7.         print(text)
9. page.extract_text(visitor_text=visitor_body)

Copy the Code

输出是bbb
成功了

hbghlyj

1. from PyPDF2 import PdfReader
2. reader = PdfReader("example.pdf")
3. page = reader.pages[0]
5. def visitor_body(text, cm, tm, fontDict, fontSize):
6.     if text:
7.         print(fontDict['/BaseFont'],text)
9. page.extract_text(visitor_text=visitor_body)

Copy the Code

可以输出每个text object的字体
例如

1. \documentclass{standalone}
2. \begin{document}
3. $\gamma^2+\theta^2=\omega^2$
4. \end{document}

Copy the Code

输出

/HWJIZZ+CMMI10 γ

/RKDUWA+CMR7 2

/RFLZJB+CMR10 +

/HWJIZZ+CMMI10 θ

/RKDUWA+CMR7 2

/RFLZJB+CMR10 =

/HWJIZZ+CMMI10 ω

/RKDUWA+CMR7 2

不知前面的HWJIZZ代表什么从一个eps文件中找到字体的定义有类似的行:

1. %%BeginResource: font RKDUWA+CMR7
2. %!PS-AdobeFont-1.1: CMR7 1.0
3. %%CreationDate: 1991 Aug 20 16:39:21

Copy the Code

和

1. /FontName /RKDUWA+CMR7 def

Copy the Code

可能是为每个/FontName随机生成的识别码?