如何从 PDF 中提取嵌入字体作为有效字体文件？

如何解决如何从 PDF 中提取嵌入字体作为有效字体文件？

你有几个选择。所有这些方法都适用于 Linux 以及 Windows 或 Mac OS X。但是，请注意，大多数 PDF 在嵌入字体时不包含完整、完整的字体。大多数情况下，它们仅包括文档中使用的字形 子集。

使用`pdftops`

在 *nix 系统上执行此操作的最常用方法之一包括以下步骤：

将 PDF 转换为 PostScript，例如使用 XPDF （在 Windows 上：pdftops.exe帮助程序。
现在字体将以.pfa（PostScript）格式嵌入+您可以使用提取它们。
您可能需要使用和将（.pfaASCII）转换为.pfb（二进制）文件。t1utils``pfa2pfb
在 PDF 中，从来没有.pfm嵌入.afm文件（字体公制文件）（因为 PDF 查看器对这些有内部知识）。没有这些，字体文件很难以视觉上令人愉悦的方式使用。

使用`fontforge`

另一种方法是使用免费字体编辑器：

使用打开文件时使用的 “打开字体” 对话框。
然后在对话框的过滤器部分中选择 “从 PDF 中提取” 。
选择要提取字体的 PDF 文件。
“ 选择字体” 对话框打开——在此处选择要打开的字体。

检查 FontForge 手册。您可能需要遵循一些不一定简单的特定步骤才能将提取的字体数据保存为可重复使用的文件。

使用`mupdf`

接下来，。此应用程序附带一个名为pdfextract（在 Windows 上：）的实用程序pdfextract.exe，它可以从 PDF 中提取字体和图像。（如果您不了解 MuPDF，它仍然是相对不为人知的新事物：“MuPDF 是用便携式 C 编写的免费轻量级 PDF 查看器和工具包。” ，由 Artifex Software 开发人员编写，同一家公司为我们提供了 Ghostscript。）（较新版本的 MuPDF 已将 ‘pdfextract’ 的旧功能移至命令 ‘mutool extract’ 。在此处下载：）

注意：pdfextract.exe是一个命令行程序。要使用它，请执行以下操作：

c:\>  pdfextract.exe  c:\path\to\filename.pdf         # (on Windows)
$>    pdfextract  /path/tofilename.pdf                # (on Linux, Unix, Mac OS X)

此命令会将引用的 pdf 文件中的所有可提取文件转储到当前目录中。通常，您会看到各种文件：图像和字体。其中包括 PNG、TTF、CFF、CID 等。如果图像的 PDF 对象编号为 412，图像名称将类似于 img-0412.png 。如果字体的字体 名称为 fgetYK+LinLibertineI-0966.ttf ，则字体名称将类似于PDF 对象编号为 966。

CFF（ 紧凑字体格式 ）文件是一种公认的格式，可以通过各种转换器转换为其他格式，以便在不同的操作系统上使用。

同样：请注意，这些字体文件中的大多数可能只有 一部分 字符，并且可能不代表完整的字体。

（2013 年 7 月）最新版本的mupdf二进制文件进行了内部改组和重命名，不止一次，而是多次。主要实用程序曾经是一个类似于“瑞士刀”的二进制文件mubusy（名称灵感来自busyBox？），最近被重命名为mutool. 它们支持子命令info、clean、extract和。不幸的是，这些工具的官方文档不是最新的（还）。如果您在 Mac 上使用“MacPorts”：则该实用程序已重命名，以避免与使用相同名称的其他实用程序发生名称冲突，您可能需要使用.poster``show``mupdfextract

mutool要使用之前的工具获得（大致）等效的结果pdfextract，只需运行mubusy extract ....*

因此，要提取字体和图像，您可能需要运行以下命令行之一：

c:\>  mutool.exe extract filename.pdf      # (on Windows)
$>    mutool     extract filename.pdf      # (on Linux, Unix, Mac OS X)

下载地址：

使用`gs`（Ghostscript）

然后，还可以直接从 PDF 中提取字体。但是，它需要一个名为的特殊实用程序的帮助，该实用程序用 PostScript 语言编写，可从Ghostscript 源代码库中获得。

现在使用它，您需要同时运行此文件extractFonts.ps和您的 PDF 文件。Ghostscript 然后将使用 PostScript 程序中的指令从 PDF 中提取字体。它在 Windows 上看起来像这样（是的，Ghostscript 理解“正斜杠”/，在 Windows 上也是路径分隔符！）：

gswin32c.exe                  ^
  -q -dNOdisPLAY              ^
   c:/path/to/extractFonts.ps ^
  -c "(c:/path/to/your/PDFFile.pdf) extractFonts quit"

或在 Linux、Unix 或 Mac OS X 上：

gs                          \
  -q -dNOdisPLAY            \
   /path/to/extractFonts.ps \
  -c "(/path/to/your/PDFFile.pdf) extractFonts quit"

几年前我已经测试过 Ghostscript 方法。当时它确实提取 *.ttf (TrueType) 就好了。我不知道是否还会提取其他字体类型，如果是的话，以可重用的方式。我不知道该实用程序是否会阻止提取标记为受保护的字体。

使用`pdf-parser.py`

最后，Didier Stevens 的：这个可能不太容易使用，因为您需要了解一些有关内部 PDF 结构的知识。pdf-parser.py是一个 Python 脚本，它也可以做很多其他的事情。它还可以从对象中解压缩和提取任意流，因此它也可以提取嵌入的字体文件。

但是你需要知道要寻找什么。让我们用一个例子来看看。我有一个名为 big.pdf 的文件。作为第一步，我使用参数在 PDF 中搜索关键字 FontFile 的任何出现（pdf-parser.py不需要区分大小写的搜索）：

pdf-parser.py -s fontfile big.pdf

就我而言，对于我的 big1.pdf ，我得到以下结果：

obj 9 0
 Type: /FontDescriptor
 Referencing: 15 0 R
  <<   
    /Ascent 728
    /CapHeight 716
    /Descent -210 
    /Flags 32
    /FontBBox [ -665 -325 2000 1006 ]
    /FontFile2 15 0 R
    /FontName /ArialMT
    /ItalicAngle 0
    /stemV 87
    /Type /FontDescriptor
    /XHeight 519
  >>

obj 11 0 
 Type: /FontDescriptor
 Referencing: 16 0 R
  <<   
    /Ascent 728
    /CapHeight 716
    /Descent -210 
    /Flags 262176
    /FontBBox [ -628 -376 2000 1018 ]
    /FontFile2 16 0 R
    /FontName /Arial-BoldMT
    /ItalicAngle 0
    /stemV 165
    /Type /FontDescriptor
    /XHeight 519
  >>

它告诉我在 PDF 中有两个实例FontFile2，这些在 PDF 对象中没有。15 和没有。16，分别。对象编号 15 包含/FontFile2字体 /ArialMT ，对象编号。16 包含/FontFile2字体 /Arial-BoldMT 。

为了更清楚地表明这一点：

pdf-parser.py -s fontfile big1.pdf | grep -i fontfile
  /FontFile2 15 0 R
  /FontFile2 16 0 R

快速浏览 PDF 规范会发现该关键字/FontFile2与 “包含 TrueType 字体程序的流” 相关（/FontFile将与 “包含 Type 1 字体程序的 流”相关，并/FontFile3与 “包含格式为的字体程序的流”相关由流字典中的子类型条目指定{因此是Type1C 或 CIDFontType0C 子类型}。）

专门查看 PDF 对象编号。15（包含字体 /ArialMT ），可以使用参数：

pdf-parser.py -o 15 big1.pdf

 obj 15 0
  Type: 
  Referencing: 
  Contains stream
   <<
     /Length1 778552
     /Length 1581435
     /Filter /ASCIIHexDecode
   >>

这个pdf-parser.py输出告诉我们这个对象包含一个长度为 1.581.435 字节的流（它不会直接显示）并且使用 ASCIIHexEncode 编码（==“压缩”）并且需要解码（==“de-压缩”或“过滤”）在标准/ASCIIHexDecode过滤器的帮助下。

要从对象转储任何流，pdf-parser.py可以使用参数调用。我们开始做吧：

pdf-parser.py -o 15 -d dumped-data.ext big1.pdf

我们提取的数据转储将位于名为 dumped-data.ext 的文件中。让我们看看它有多大：

ls -l dumped-data.ext
  -rw-r--r--  1 kurtpfeifle  staff  1581435 Apr 11 00:29 dumped-data.ext

哦，看，它是 1.581.435 字节。我们在上一个命令的输出中看到了这个数字。使用文本编辑器打开此文件可确认其内容是 ASCII 十六进制编码数据。

使用字体阅读工具打开文件otfinfo（这是的一部分）一开始会让人有些失望：

otfinfo -i dumped-data.ext
  otfinfo: dumped-data.ext: not an OpenType font (bad magic number)

好的，这是因为我们（还）没有pdf-parser.py充分利用它的魔力：转储过滤后的解码流。为此，我们必须添加参数：

pdf-parser.py -o 15 -f -d dumped-data-decoded.ext big1.pdf

这个新文件的大小是多少？

ls -l dumped-data-decoded.ext
  -rw-r--r--  1 kurtpfeifle  staff  778552 Apr 11 00:39 dumped-data-decoded.ext

哦，看：那个确切的数字也已经存储在 PDF 对象号中。15 字典作为键的值/Length1…

file认为它是什么？

file dumped-data-decoded.ext
  dumped-data-decoded.ext: TrueType font data

它otfinfo告诉我们什么？

otfinfo -i dumped-data-decoded.ext
  Family:              Arial
  Subfamily:           Regular
  Full name:           Arial
  PostScript name:     ArialMT
  Version:             Version 5.10
  Unique ID:           Monotype:Arial Regular:Version 5.10 (Microsoft)
  Designer:            Monotype Type Drawing Office - Robin Nicholas, Patricia Saunders 1982
  Manufacturer:        The Monotype Corporation
  Trademark:           Arial is a Trademark of The Monotype Corporation.
  copyright:           漏 2011 The Monotype Corporation. All Rights Reserved.
  License Description: You may use this font to display and print content as permitted by
                       the license terms for the product in which this font is included.
                       You may only (i) embed this font in content as permitted by the 
                       embedding restrictions included in this font; and (ii) temporarily 
                       download this font to a printer or other output device to help
                       print content.
  vendor ID:           TMC

所以宾果游戏！，我们有一个赢家：pdf-parser.py确实为我们提取了一个有效的字体文件。鉴于这个文件的大小（778.552 字节），看起来这个字体甚至完全嵌入在 PDF 中......

我们可以将其重命名为 arial-regular.ttf 并照此安装并愉快地使用它。

注意事项：

解决方法

我知道该pdftk.exe实用程序可以指示 PDF 使用哪些字体，以及它们是否嵌入。

现在的问题是：鉴于我有嵌入字体的 PDF
文件——我如何提取这些字体，使其可作为常规字体文件重复使用？是否有（最好是免费的）工具可以做到这一点？另外：这可以通过iText以编程方式完成吗？

如何从 PDF 中提取嵌入字体作为有效字体文件？

如何解决如何从 PDF 中提取嵌入字体作为有效字体文件？

使用pdftops

使用fontforge

使用mupdf

使用gs（Ghostscript）

使用pdf-parser.py