PyMupdf提取字体

hbghlyj

打开Word，选择“黑体”，输入“口”，高级选项勾选“是否嵌入字体”。
导出PDF： 口.pdf (50.2 KB, 下载次数: 0)

2023-6-28 02:17 上传

点击文件名下载附件

要从这个PDF中提取字体，运行下面的Python脚本

1. input_path="口.pdf"
2. import fitz
3. doc = fitz.open(input_path)
4. name, ext, _, content=doc.extract_font(doc[0].get_fonts()[0][0])
5. ofile = open(name+"."+ext, "wb")
7. ofile.write(content)
9. ofile.close()

复制代码

提取出了字体 BCDEEE SimHei.ttf (124.53 KB, 下载次数: 0)

2023-6-28 02:18 上传

点击文件名下载附件

这应该是SimHei的子集，因为它远小于C:\Windows\Fonts\simhei.ttf的文件尺寸9.30MB

hbghlyj

用文本编辑器打开PDF第30-21行：
9 0 obj
<</Type/FontDescriptor/FontName/BCDEEE+SimHei/Flags 32/ItalicAngle 0/Ascent 859/Descent -141/CapHeight 859/AvgWidth 500/MaxWidth 1008/FontWeight 400/XHeight 250/Leading 141/StemV 50/FontBBox[ -12 -141 996 859] /FontFile2 26 0 R>>
endobj
从上面的 /FontName 看出，字体名称 BCDEEE+SimHei
与上面提取出的文件名相符。

从上面的 /FontFile2 看出，字体文件的 xref 为 26
在第65行找到
26 0 obj
<</Filter/FlateDecode/Length 24427/Length1 127520>>
stream
后面是二进制数据，直到第252行endstream，应该都是字体文件的内容。

hbghlyj

用Page.get_fonts()查看字体信息

1. input_path="口.pdf"
2. import fitz
3. doc = fitz.open(input_path)
4. print(doc[0].get_fonts())

复制代码

[
  (5, 'ttf', 'Type0', 'BCDEEE+SimHei', 'F1', 'Identity-H'),
  (12, 'ttf', 'TrueType', 'BCDFEE+Calibri', 'F2', 'WinAnsiEncoding')
]
在18-20行找到xref为5的object
5 0 obj
<</Type/Font/Subtype/Type0/BaseFont/BCDEEE+SimHei/Encoding/Identity-H/DescendantFonts 6 0 R/ToUnicode 25 0 R>>
endobj
在39-40行找到xref为12的object
12 0 obj
<</Type/Font/Subtype/TrueType/Name/F2/BaseFont/BCDFEE+Calibri/Encoding/WinAnsiEncoding/FontDescriptor 13 0 R/FirstChar 32/LastChar 32/Widths 28 0 R>>
endobj
就是上面的Page.get_fonts()查出的两个字体。