PyMuPDF 字体子集名称提取问题分析与解决方案

问题背景

在使用PyMuPDF处理PDF文档时，开发人员经常需要提取文档中使用的字体信息。特别是在处理包含子集字体(Subset Fonts)的PDF时，正确获取带有子集前缀的完整字体名称尤为重要。子集字体是PDF优化技术的一部分，它只包含文档中实际使用的字符，通常会在基础字体名前加上6位随机字符作为前缀。

问题现象

在PyMuPDF 1.24.6和1.24.7版本中，用户报告了一个问题：当使用span["font"]获取字体名称时，无法正确显示带有子集前缀的完整字体名称（如"AGDFCT+Calibri"），而只能获取基础字体名（如"Calibri"）。然而，使用page.get_fonts(True)方法却能正确获取完整的子集字体名称。

技术分析

这个问题源于PyMuPDF内部处理字体名称的方式。PyMuPDF为了提高性能，默认使用C语言编写的扩展模块（extra模块）来处理PDF内容。在这个模块中，字体子集名称的处理存在缺陷，导致子集前缀信息丢失。

临时解决方案

在问题修复前，PyMuPDF团队提供了一个临时解决方案：禁用extra模块，强制使用纯Python代码路径。这可以通过设置全局变量g_use_extra为False来实现：

import pymupdf
pymupdf.g_use_extra = False
pymupdf.TOOLS.set_subset_fontnames(True)

这种方法虽然能解决问题，但会带来一定的性能下降，因为纯Python实现的处理速度通常低于C扩展模块。

根本解决

该问题已在PyMuPDF 1.24.8版本中得到修复。升级到该版本或更高版本后，用户可以直接使用span["font"]获取完整的子集字体名称，无需再设置g_use_extra = False。

最佳实践建议

1. 版本选择：建议使用PyMuPDF 1.24.8或更高版本，以获得最佳性能和功能支持。

2. 字体处理：如果需要完整处理PDF中的字体信息，推荐同时使用两种方法：

   • page.get_fonts(True)获取文档中使用的所有字体信息
   • span["font"]获取特定文本片段的实际使用字体

3. 异常处理：在实际应用中，应考虑到PDF文档可能使用各种字体格式，包括Type1、TrueType、OpenType等，代码应具备处理各种情况的容错能力。

总结

PyMuPDF作为强大的PDF处理库，在字体处理方面提供了全面的支持。虽然在某些版本中出现了子集字体名称提取的问题，但通过版本升级或临时解决方案都能有效解决。理解PDF字体子集的概念和PyMuPDF的处理机制，有助于开发更健壮的PDF处理应用。