从 pdffonts 的命令输出中仅获取第三和第六列

Question

我正在使用 poppler pdffonts 来获取 pdf 文档中的字体。 下面是示例输出

$ pdffonts "some.pdf"
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
TimesNewRoman                        TrueType          WinAnsi          no  no  no      36  0
TimesNewRoman,Bold                   TrueType          WinAnsi          no  no  no      38  0
EDMFMD+Symbol                        CID TrueType      Identity-H       yes yes yes     41  0
Arial                                TrueType          WinAnsi          no  no  no      43  0
Arial,Bold                           TrueType          WinAnsi          no  no  no      16  0

现在我只想在上面的输出中获取“encoding”和“uni”列值。但由于每行空间不一致，我无法获取。

尝试过的方法（Python）：

1) 按空格分割每一行并按空格连接然后分割，以便结果列表中索引 2 和 5 的元素将为我提供每行所需的值。由于行值中有空格，这种方法失败了。

代码示例：

for line in os.popen("pdffonts some.pdf").readlines():
    print ' '.join(line.split()).split()

输出：

['name', 'type', 'encoding', 'emb', 'sub', 'uni', 'object', 'ID']
['------------------------------------', '-----------------', '----------------', '---', '---', '---', '---------']
['FMGLMO+MyriadPro-Bold', 'Type', '1C', 'Custom', 'yes', 'yes', 'yes', '127', '0']
['FMGMMM+MyriadPro-Semibold', 'Type', '1C', 'Custom', 'yes', 'yes', 'yes', '88', '0']
['Arial-BoldMT', 'TrueType', 'WinAnsi', 'no', 'no', 'no', '90', '0']
['TimesNewRomanPSMT', 'TrueType', 'WinAnsi', 'no', 'no', 'no', '92', '0']
['FMGMHL+TimesNewRomanPSMT', 'CID', 'TrueType', 'Identity-H', 'yes', 'yes', 'no', '95', '0']
['FMHBEE+Arial-BoldMT', 'CID', 'TrueType', 'Identity-H', 'yes', 'yes', 'no', '100', '0']
['TimesNewRomanPS-BoldMT', 'TrueType', 'WinAnsi', 'no', 'no', 'no', '103', '0']

2) 使用正则表达式将输出的每一行至少拆分为两个空格。这种方法失败了，因为现在我无法将索引 5 打成棒状，因为只有一个空格。

代码示例：

for line in os.popen("pdffonts some.pdf").readlines():
    print re.split(r'\s{2,}', line.strip())

输出：

['name', 'type', 'encoding', 'emb sub uni object ID']
['------------------------------------ ----------------- ---------------- --- --- --- ---------']
['FMGLMO+MyriadPro-Bold', 'Type 1C', 'Custom', 'yes yes yes', '127', '0']
['FMGMMM+MyriadPro-Semibold', 'Type 1C', 'Custom', 'yes yes yes', '88', '0']
['Arial-BoldMT', 'TrueType', 'WinAnsi', 'no', 'no', 'no', '90', '0']
['TimesNewRomanPSMT', 'TrueType', 'WinAnsi', 'no', 'no', 'no', '92', '0']
['FMGMHL+TimesNewRomanPSMT', 'CID TrueType', 'Identity-H', 'yes yes no', '95', '0']
['FMHBEE+Arial-BoldMT', 'CID TrueType', 'Identity-H', 'yes yes no', '100', '0']
['TimesNewRomanPS-BoldMT', 'TrueType', 'WinAnsi', 'no', 'no', 'no', '103', '0']

AWK： 由于空间问题而失败。请与原始输出进行比较以获得差异。

$ pdffonts "some.pdf"|awk '{print $3}'

encoding
----------------
WinAnsi
WinAnsi
TrueType
WinAnsi
WinAnsi

Answer 1

您可以收集每个所需列的字符串位置：

with open('pdffonts.txt') as f:
    header =f.readline()
    read_data = f.read()
f.closed

header_values = header.split()

positions = {}
for name in header_values:
    positions[name] = header.index(name)
print(positions)

这将为您提供以下示例字典：

{'name': 0, 'type': 37, 'encoding': 55, 'emb': 72, 'sub': 76, 'uni': 80, 'object': 84, 'ID': 91}

之后，您可以指定要提取的子字符串范围：

desired_columns = []
for line in read_data.splitlines()[1:]:
    encoding = line[positions['encoding']:positions['emb']].strip()
    uni = line[positions['uni']:positions['object']].strip()
    desired_columns.append([encoding,uni])

print(desired_columns)

结果：

[['WinAnsi', 'no'], ['WinAnsi', 'no'], ['Identity-H', 'yes'], ['WinAnsi', 'no'], ['WinAnsi', 'no']]

Answer 2

使用 GNU awk：

awk -v FIELDWIDTHS='36 1:17 1:16 1:3 1:3 1:3 1:9' '{ print $3, $6 }' file
encoding         uni
---------------- ---
WinAnsi          no
WinAnsi          no
Identity-H       yes
WinAnsi          no
WinAnsi          no

---

来自man gawk：

字段宽度

以空格分隔的字段宽度列表。设置后，gawk 将输入解析为固定宽度的字段，而不是使用 FS 变量的值作为字段分隔符。每个字段宽度之前可以选择以冒号分隔的值开头，指定在字段开始之前要跳过的字符数...

Answer 3

您可以使用列名下方的破折号来确定在哪里剪线。

我们可以很方便地在第二行找到连续的"------"，并在每个破折号序列的开头和结尾切割列（以" -"开头，以"- "结尾）。

我写了函数get_column，它根据列名找到它。

import os

lines_in = os.popen("pdffonts some.pdf")
# read the column names
header = lines_in.readline();

# read the: --------...
column_dashes = lines_in.readline()

# find column starts and ends
column_starts = [0]
pos = 0
while True:
  pos = column_dashes.find(" -", pos)
  if pos == -1:
    break
  column_starts.append(pos+1)
  pos += 1

column_ends = []
pos = 0
while True:
  pos = column_dashes.find("- ", pos)
  if pos == -1:
    column_ends.append(len(column_dashes))
    break
  column_ends.append(pos+1)
  pos += 1

def get_column( line, name ):
  n = columns[name]
  return line[column_starts[n]:column_ends[n]].strip()

# get column names
columns = {}
for n in range(len(column_starts)):
  columns[ header[column_starts[n]:column_ends[n]].strip() ] = n

# read rest of the table
for line in lines_in.readlines():
  print( (get_column(line,"encoding"), get_column(line, "uni")) )

结果：

('WinAnsi', 'no')
('WinAnsi', 'no')
('Identity-H', 'yes')
('WinAnsi', 'no')
('WinAnsi', 'no')

Answer 4

使用 Perl，你也可以像下面那样做

> cat some.pdf
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
TimesNewRoman                        TrueType          WinAnsi          no  no  no      36  0
TimesNewRoman,Bold                   TrueType          WinAnsi          no  no  no      38  0
EDMFMD+Symbol                        CID TrueType      Identity-H       yes yes yes     41  0
Arial                                TrueType          WinAnsi          no  no  no      43  0
Arial,Bold                           TrueType          WinAnsi          no  no  no      16  0
> perl -lane ' $enc=@F==9? $F[3]:$F[2]; print "$enc\t\t$F[-3]" ' some.pdf
encoding                uni
----------------                ---
WinAnsi         no
WinAnsi         no
Identity-H              yes
WinAnsi         no
WinAnsi         no
>