Apache PDFBox回退字体警告问题及缓存相关技术咨询

使用tabula（内部依赖Apache PDFBox进行PDF提取）时，执行代码后触发字体相关警告，且循环处理每个PDF时都会重复出现：

WARNING: Using fallback font LiberationSans for base font Times-Roman with tabula which internally uses PDFBox for extraction.

循环处理时的警告：

WARNING: Using fallback font 'LiberationSans' for 'MP0001'
org.apache.pdfbox.pdmodel.font.PDType1Font <init>
WARNING: Using fallback font LiberationSans for base font Times-Roman

使用的代码：

import tabula
tabula.read_pdf(pdf_file)

已尝试执行命令但问题未解决：

apt-get install -q -y libpdfbox-java

疑问：

1. 不确定这是否是字体缓存构建过程，且该警告在循环处理每个PDF时都会出现；
2. 是否可以将这些字体缓存，仅构建一次？
3. 能否解释该现象的底层原理？

1. 这不是字体缓存构建过程 #

这些警告和缓存无关，每次处理PDF时触发，是因为PDFBox解析当前PDF时，找不到文档中引用的字体（比如Times-Roman、MP0001）。每次加载新PDF都会重新检查字体可用性，找不到就抛出警告，和缓存构建没有关系。

2. 无法通过缓存字体消除警告，但可禁用警告输出 #

PDFBox的字体 fallback逻辑是针对每个PDF文档单独执行的——不同PDF可能引用不同的缺失字体，没法一次性缓存所有可能的缺失字体来避免警告。但你可以通过调整日志级别屏蔽这些警告：

• Python端直接调整tabula日志级别：

  import logging
  from tabula.io import logger
  
  # 将tabula日志级别设为ERROR，屏蔽WARNING级别的输出
  logger.setLevel(logging.ERROR)
  

• 或通过JPype配置Java日志系统（tabula依赖JPype调用PDFBox）：

  import jpype
  import jpype.imports
  from java.util.logging import Level, Logger
  
  jpype.startJVM()
  # 获取PDFBox字体模块的日志器，设置为仅输出严重错误
  font_logger = Logger.getLogger("org.apache.pdfbox.pdmodel.font")
  font_logger.setLevel(Level.SEVERE)
  

3. 底层原理解释 #

PDF文档通常不会嵌入所有使用的字体，只会记录字体名称（比如Times-Roman）。当PDFBox解析PDF时：

• 首先尝试在系统中查找与名称匹配的字体，找到则用它提取文本；
• 找不到时，就触发字体 fallback机制，使用预设的替代字体（这里是LiberationSans）保证文本能正常提取，同时抛出警告提示缺失的字体。

每次处理新PDF时，PDFBox都会重新检查该文档引用的所有字体——因为不同PDF的字体引用可能不同，所以每次都会执行检查流程，导致警告重复出现。

安装libpdfbox-java无效的原因是：该包仅提供PDFBox的Java库，但系统中依然缺少PDF里引用的目标字体（比如MP0001是自定义或少见字体，Times-Roman可能未在系统中正确安装对应字体文件）。

内容的提问来源于stack exchange，提问作者omkulkarni22