对于给定 PDF 文件中的每个页面,可以列出所使用的字体:
$ pdffonts -f 10 -l 10 file.pdf
name type encoding emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
[none] Type 3 Custom yes no no 12 0
DIIDPF+ArialMT CID TrueType Identity-H yes yes yes 95 0
DIIEDH+Arial CID TrueType Identity-H yes yes no 101 0
DIIEBG+TimesNewRomanPSMT CID TrueType Identity-H yes yes yes 106 0
DIIEDG+Arial CID TrueType Identity-H yes yes no 112 0
Arial TrueType WinAnsi yes no no 121 0
我需要根据以下内容识别可能有问题的字体pdffonts
根据字体输出和计数字符。我通过实现以下代码片段来实现它:
def count_fonts_ocurrencies_by_page(pdf_filepath):
page_layout = next(extract_pages(pdf_filepath))
fonts = []
for element in page_layout:
if isinstance(element, LTTextContainer):
for text_line in element:
for character in text_line:
if isinstance(character, LTChar):
fonts.append(character.fontname)
return Counter(fonts)
我期待着找到一种简单的方法来做同样的事情(或接近,我只需要知道单个 PDF 页面上的字体使用百分比之类的信息)而不迭代每个字符(如果可能),或者可能不使用整个模块,例如 pdfminer,一次只针对一个函数和一个 PDF 页面。如果我可以使用 pdfminer 的最少代码(重新)做类似的事情也会很有帮助,因为它是以模块化方式构建的。
你可以尝试使用pdftohtml
来自同一个包pdffonts
然后使用 xpath 解析 html 文件并考虑样式
pdftohtml -f 1 -l 1 -c -s -i -fontfullname fonts.pdf
生成的文档
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" lang="" xml:lang="">
<head>
<title>fonts-html.html</title>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8"/>
<br/>
<style type="text/css">
<!--
p {margin: 0; padding: 0;} .ft10{font-size:16px;font-family:BAAAAA+NotoSans-CondensedExtraBold;color:#000000;}
.ft11{font-size:16px;font-family:CAAAAA+DejaVuMathTeXGyre-Regular;color:#000000;}
.ft12{font-size:13px;font-family:DAAAAA+Baekmuk-Headline;color:#000000;}
.ft13{font-size:13px;font-family:EAAAAA+LMMono9-Regular;color:#000000;}
.ft14{font-size:13px;font-family:FAAAAA+CantarellRegular;color:#000000;}
.ft15{font-size:13px;font-family:GAAAAA+Courier;color:#000000;}
-->
</style>
</head>
<body bgcolor="#A0A0A0" vlink="blue" link="blue">
<div id="page1-div" style="position:relative;width:892px;height:1263px;">
<img width="892" height="1263" src="fonts001.png" alt="background image"/>
<p style="position:absolute;top:64px;left:86px;white-space:nowrap" class="ft10"><b>Font1</b></p>
<p style="position:absolute;top:91px;left:86px;white-space:nowrap" class="ft11">font3</p>
<p style="position:absolute;top:109px;left:86px;white-space:nowrap" class="ft12">font4</p>
<p style="position:absolute;top:124px;left:86px;white-space:nowrap" class="ft13">font5</p>
<p style="position:absolute;top:144px;left:86px;white-space:nowrap" class="ft14">font6</p>
<p style="position:absolute;top:163px;left:86px;white-space:nowrap" class="ft15">font7</p>
</div>
</body>
</html>
用python解析html并按字体计数字符(类属性)
from lxml import html
tree = html.parse(r'/home/luis/tmp/fonts-html.html')
eleList = tree.xpath("//p[@class='ft10']")
len(eleList[0].text_content())
# text length: 5
eleList = tree.xpath("//p[@class[contains(.,'ft')]]")
eleList[0].get('class')
# class name: 'ft10'
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)