我已经使用PyPDF2修改了以下脚本,以遍历PDF并确定PDF是否包含未嵌入的字体。它用于找出PDF中所有字体的列表以及嵌入的字体。但是,某些PDF具有仅嵌入所使用字体的子集的字体(请参见https://blogs.mtu.edu/gradschool/2010/04/27/how-to-determine-if-fonts-are-embedded/)-如何确定PDF中是否嵌入了字体的子集?谢谢!
from PyPDF2 import PdfFileReader
import sys
fontkeys = set(['/FontFile', '/FontFile2', '/FontFile3'])
def walk(obj, fnt, emb):
if '/BaseFont' in obj:
fnt.add(obj['/BaseFont'])
elif '/FontName' in obj and fontkeys.intersection(set(obj)):
emb.add(obj['/FontName'])
for k in obj:
if hasattr(obj[k], 'keys'):
walk(obj[k], fnt, emb)
if type(obj) == PyPDF2.generic.ArrayObject: # You can also do ducktyping here
for i in obj:
if hasattr(i, 'keys'):
walk(i, all_fonts, embedded_fonts)
return fnt, emb
if __name__ == '__main__':
fname = sys.argv[1]
pdf = PdfFileReader(fname)
fonts = set()
embedded = set()
for page in pdf.pages:
obj = page.getObject()
f, e = walk(obj['/Resources'], fonts, embedded)
fonts = fonts.union(f)
embedded = embedded.union(e)
unembedded = fonts - embedded
print 'Font List'
pprint(sorted(list(fonts)))
if unembedded:
print '\nUnembedded Fonts'
pprint(unembedded)
按照惯例,PDF文件中子字体的PostScript名称具有以XXXXXX +开头的名称,其中'X'是任何大写ASCII字符。
请参阅《 PDF参考手册(第1.7版)》第5.3节
另外,字体描述符中存在CharSet或CIDSet可以用来指示子集字体(这两者都是可选的。
但是,所有这些都是'约定',没有实际的保证方法来确保not具有所有这些约定的字体实际上不是子字体。