如何使用 iTextSharp 从 PDF 中提取实际字体名称？

Question

我正在使用 iTextSharp 进行 PDF 处理，我需要从现有 PDF 中提取所有以某种字体编写的文本。

A way to do that 是inherit from a RenderFilter 并且只允许具有特定PostscriptFontName 的文本。问题是当我这样做时，我在 PDF 中看到以下字体名称：

CIDF字体+F1 CIDF字体+F2 CIDF字体+F3 CIDF字体+F4 CIDF字体+F5

这与我正在寻找的实际字体名称完全不同。

• 我试过enumerating the font resources，结果一样。

• 我试过opening the PDF in the full Adobe Acrobat。它还显示了损坏的字体名称：

• 我已尝试使用iText RUPS 分析文件。结果一样。

也就是说，我无法在文档结构中的任何位置看到实际的字体名称。

然而，当我在文档画布上选择各种文本框（例如 Arial、Courier New、Roboto）时，Adobe Acrobat DC 确实在“格式”窗格中显示了正确的字体名称，因此信息必须存储在某处。

使用 iTextSharp 解析 PDF 时如何获取这些真实字体名称？

Answer 1

在问题的 cmets 过程中确定，字体名称在字体的所有 PDF 元数据中都是匿名的，但嵌入的字体程序本身包含实际的字体名称。

（因此严格来说，PDF 已损坏，尽管在某种程度上几乎没有任何软件会抱怨。）

因此，如果我们想要检索这些名称，我们必须查看这些字体程序的内部。

这里是一个概念证明，遵循您引用的this answer 中使用的架构，即使用RenderFilter：

class FontProgramRenderFilter : RenderFilter
{
    public override bool AllowText(TextRenderInfo renderInfo)
    {
        DocumentFont font = renderInfo.GetFont();
        PdfDictionary fontDict = font.FontDictionary;
        PdfName subType = fontDict.GetAsName(PdfName.SUBTYPE);
        if (PdfName.TYPE0.Equals(subType))
        {
            PdfArray descendantFonts = fontDict.GetAsArray(PdfName.DESCENDANTFONTS);
            PdfDictionary descendantFont = descendantFonts[0] as PdfDictionary;
            PdfDictionary fontDescriptor = descendantFont.GetAsDict(PdfName.FONTDESCRIPTOR);
            PdfStream fontStream = fontDescriptor.GetAsStream(PdfName.FONTFILE2);
            byte[] fontData = PdfReader.GetStreamBytes((PRStream)fontStream);
            MemoryStream dataStream = new MemoryStream(fontData);
            dataStream.Position = 0;
            MemoryPackage memoryPackage = new MemoryPackage();
            Uri uri = memoryPackage.CreatePart(dataStream);
            GlyphTypeface glyphTypeface = new GlyphTypeface(uri);
            memoryPackage.DeletePart(uri);
            ICollection<string> names = glyphTypeface.FamilyNames.Values;
            return names.Where(name => name.Contains("Arial")).Count() > 0;
        }
        else
        {
            // analogous code for other font subtypes
            return false;
        }
    }
}

MemoryPackage 类来自this answer，这是我第一次发现如何使用 .Net 从内存中的字体读取信息。

像这样应用于您的 PDF 文件：

using (PdfReader pdfReader = new PdfReader(SOURCE))
{
    FontProgramRenderFilter fontFilter = new FontProgramRenderFilter();
    ITextExtractionStrategy strategy = new FilteredTextRenderListener(
            new LocationTextExtractionStrategy(), fontFilter);
    Console.WriteLine(PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy));
}

结果是

This is Arial.

---

注意：这只是概念验证。

一方面，您肯定还需要实现上面注释为analogous code for other font subtypes 的部分；甚至TYPE0 部分还没有准备好用于生产，因为它只考虑FONTFILE2 并且不能优雅地处理null 值。

另一方面，您需要缓存已检查字体的名称。