PyMuPDF提取字体

hbghlyj

以这个文件为例，运行pdffonts查看字体

1. pdffonts U30000.pdf

复制代码

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
BBEGCM+MyriadPro-Bold                Type 1C           Custom           yes yes yes      8  0
BBEGCO+MyriadPro-It                  Type 1C           Custom           yes yes yes     10  0
BBEGEA+Arial                         TrueType          WinAnsi          yes yes no      36  0
BBEGEC+UCSArialNarrow                TrueType          WinAnsi          yes yes no      37  0
BBEGED+CJKRadicals                   CID TrueType      Identity-H       yes yes yes     38  0
BBEGEE+CJKRadicals                   TrueType          WinAnsi          yes yes no      39  0
BBEGEF+UCS_G_ExtGv1                  CID TrueType      Identity-H       yes yes yes     40  0
BBEGFG+UCS_K_ExtGv1                  CID TrueType      Identity-H       yes yes yes     41  0
BBEGFH+UCS_UK_ExtGv1                 CID TrueType      Identity-H       yes yes yes     42  0
BBEGFI+UCS_USAT_ExtGv1               CID TrueType      Identity-H       yes yes yes     43  0
BBEGHJ+NomNaTong                     CID TrueType      Identity-H       yes yes yes     45  0
BBEGHK+UTCHanMedium                  CID TrueType      Identity-H       yes yes yes     46  0
要提取的字体BBEGEF+UCS_G_ExtGv1的编号为40
在PDF中找到

1. 206 0 obj
2. <</ProcSet[/PDF/Text]/Font<</F1 8 0 R/F3 10 0 R/TT4 36 0 R/TT6 37 0 R/TT7 38 0 R/TT8 39 0 R/TT9 40 0 R/TT10 41 0 R/TT11 42 0 R/TT12 43 0 R/TT14 45 0 R/TT15 46 0 R>>/ExtGState<</GS1 12 0 R>>>>
3. endobj

复制代码

所以xref为40的字体的名称为/TT9

hbghlyj

用这帖的方法查CMAP table
要查的字是"\uD880\uDFC0"

1. import fitz
2. doc = fitz.open("U30000.pdf")
3. page = doc[13]
4. font = "BBEGEF+UCS_G_ExtGv1"
6. def get_key(xref,key):
7.     return int(doc.xref_get_key(xref,key)[1].split()[0].replace("[", ""))
8. for font_tuple in page.get_fonts():
9.     if font_tuple[3]==font:
10.         for line in doc.xref_stream(get_key(font_tuple[0],'ToUnicode')).decode().splitlines():
11.             if "D880DFC0" in line:print(line)

复制代码

输出

1. <07d4> <07d4> [<D880DFC0>]

复制代码

用extract_font提取字体

1. import fitz
2. doc = fitz.open("U30000.pdf")
3. name, ext, _, content = doc.extract_font(40)
4. ofile = open(name + "." + ext, "wb")
5. ofile.write(content)
6. ofile.close()

复制代码

得到BBEGEF+UCS_G_ExtGv1.ttf

hbghlyj

1. import fitz
2. doc = fitz.open("U30000.pdf")
3. for line in doc.xref_stream(205).splitlines()[1185:1188]:
4.     print(line.decode())

复制代码

就能精确定位到PDF打出这个字的代码：

1. /TT9 1 Tf
2. 21 0 0 21 111.24 691.62 Tm
3. <07d4>Tj

复制代码

/TT9是1楼找出的字体码
07d4是2楼找出的字符码