使用 PyPDF2 检测 PDF 中的嵌入子集字体

Question

我修改了以下脚本，使用 PyPDF2 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，以及嵌入了哪些字体。但是，某些 PDF 的字体中仅嵌入了所用字体的子集（请参阅 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)

Answer 1

按照惯例，PDF 文件中子集字体的 PostScript 名称以 XXXXXX+ 开头，其中 'X' 是任何大写 ASCII 字符。

参见 PDF 参考手册（1.7 版）第 5.3 节

此外，字体描述符中存在的 CharSet 或 CIDSet 可用于指示子集字体（这两者都是可选的）。

但是，所有这些都是 'conventions'，没有实际保证的方法可以确保不具有这些约定的字体实际上不是子集字体。

使用 PyPDF2 检测 PDF 中的嵌入子集字体

Use PyPDF2 to detect Embedded Subset fonts in PDF

python

pdf

fonts

pypdf2