如何在PyMuPDF中提取字体名称而不使用子集？

Question

我们正在使用 PyMuPDF 的 Page.get_fonts() 函数来从 PDF 中提取字体名称，但得到的字体名称中包含了一些子集。我们尝试在代码中使用 fitz.Tools.set_subset_fontnames() 设置，这个方法对 get_text() 返回的字体有效，但对 get_fonts() 就不管用了。

下面是我的示例代码：

import fitz
fitz.TOOLS.set_subset_fontnames(False)

file_path = "sample.pdf"
pdf_document = fitz.open(file_path)
for page in pdf_document:
    extracted_fonts = page.get_page_fonts(full=True)
print(extracted_fonts)

这是我得到的输出：

[
  (140, 'ttf', 'TrueType', 'XEAAAC+Arial Bold', 'F3', 'WinAnsiEncoding', 0), 
  (138, 'ttf', 'TrueType', 'XEAAAB+Times New Roman', 'F2', 'WinAnsiEncoding', 0),
  (137, 'ttf', 'TrueType', 'XEAAAA+Arial', 'F1', 'WinAnsiEncoding', 0)
]

我想要的字体名称是没有子集的，比如说我希望得到 "Arial Bold"，而不是 "XEAAAC+Arial Bold"。

Answer 1

你可以用'+'这个符号把字体名称分开，然后选择最后一部分，这部分就是实际的字体名称，不包括前面的子集前缀：

import fitz

fitz.TOOLS.set_subset_fontnames(False)

file_path = "sample.pdf"
pdf_document = fitz.open(file_path)

for page in pdf_document:
    extracted_fonts = page.get_fonts(full=True)
    cleaned_fonts = [(font_id, font_format, font_type, font_name.split('+')[-1], font_flags, font_encoding, font_embedded) for font_id, font_format, font_type, font_name, font_flags, font_encoding, font_embedded in extracted_fonts]
    print(cleaned_fonts)