访问 PDF 中的字体文件答案

【问题标题】：Accessing font files within PDF访问 PDF 中的字体文件
【发布时间】：2012-02-04 05:48:22
【问题描述】：

我们目前正在与一些出版商合作，从他们的 PDF 生成在线图书。我们的旧版应用程序使用 flex，因此我们使用 PDF2SWF by SWFTools 将 PDF 转换为 SWF 文件。

我们遇到的问题是当用户执行搜索时，我们的 flex 阅读器没有突出显示 SWF 文档中的文本。经过快速调查，我们发现在提取文本时，我们需要嵌入 PDF 文档使用的字体：

pdf2swf -F $YOUR_FONTS_DIR$ -f input.pdf -o output.swf

从上面的代码中可以看出，我们需要一个字体目录的路径，该目录包含在该 PDF 中找到的字体。

由于我们将转换大量的 PDF，是否可以直接通过 PDF 访问字体文件，而不是在我们的应用程序中存储大量字体？

附加信息

我们的应用是用 Java 编写的。

我们目前在应用程序中使用 PDFBox 和 Ghostscript，因此如果有任何解决方案使用这些库，那将是首选，但我们对所有想法持开放态度。

【问题讨论】：

【解决方案1】：

PDF 文件不包含字体“文件”，它们甚至可能根本不包含任何字体，尽管这种情况很少见。嵌入的字体数据可以是各种令人眼花缭乱的格式：

您的应用程序是否能够读取所有这些字体格式？如果您想使用它们，那么您必须使用嵌入在 PDF 文件中的字体，因为这些字体通常是子集字体，并提供自定义编码，这意味着即使您拥有原始字体，不能使用，因为编码不正确。

当然可能是这些PDF文件都是以一致的方式创建的，没有使用嵌入的字体，但我有疑问......

【讨论】：

请注意，CIDFonts 通常不映射到 Unicode 字符代码，因此如果您的 PDF 包含这些，您将难以将文档字符映射到 Unicode 字符以进行搜索。
@KenS - 感谢您的回答。您的疑问是正确的，PDF 使用的是嵌入的子集字体。我认为您没有来源支持您的答案？
@Rup - 感谢您指出这一点。我们将支持多种语言，但不支持任何脚本风格的语言（日语、韩语等）
不确定您想要我答案的哪一部分？ PDF 参考列出了所有支持的字体类型。为了跟进 Rup 的回答，任何嵌入的子集字体都将使用不对应于 ASCII 或 Unicode 代码点的字符代码。事实上，大多数 PDF 文档都包含不使用 Unicode 的文本。当我维护用于从 PDF 中提取可用文本的 Ghostscript txtwrite 设备时，我可以肯定地说这是一项艰巨的任务，虽然它可能获得超过 80% 的可靠性，但不可能从所有 PDF 文件中提取文本。 NB CIDFonts 也用于拉丁语。
谢谢。抱歉，当我问我正在寻找支持您答案第一部分的来源时，即可以嵌入字体的各种格式。再次感谢您的出色回答，+1