指定Kalpurush字体提取孟加拉语PDF文本的工具推荐（多脚本支持）

Python 方案 #

• 使用pdfplumber结合自定义字体映射：
  pdfplumber支持加载本地字体并映射PDF中的嵌入字体，先准备好Kalpurush字体文件（如Kalpurush.ttf），再通过字体映射修正提取结果。示例代码：

  import pdfplumber
  
  def extract_bengali_text(pdf_path, font_path):
      with pdfplumber.open(pdf_path) as pdf:
          full_text = ""
          for page in pdf.pages:
              # 先通过page.fonts查看PDF中Kalpurush字体的实际名称，替换下方的键名
              font_mapping = {"Kalpurush": font_path}
              page_text = page.extract_text(font_mapping=font_mapping)
              full_text += page_text + "\n"
      return full_text
  
  # 调用示例
  result = extract_bengali_text("input.pdf", "./Kalpurush.ttf")
  with open("output.txt", "w", encoding="utf-8") as f:
      f.write(result)
  

• 使用PyMuPDF（fitz）：
  PyMuPDF对非拉丁字体的兼容性更强，可直接加载自定义字体辅助提取：

  import fitz
  
  def extract_with_pymupdf(pdf_path, font_path):
      doc = fitz.open(pdf_path)
      full_text = ""
      # 加载本地Kalpurush字体
      doc.set_font(font_path)
      for page in doc:
          full_text += page.get_text() + "\n"
      doc.close()
      return full_text
  
  # 调用示例
  result = extract_with_pymupdf("input.pdf", "./Kalpurush.ttf")
  with open("output_pymupdf.txt", "w", encoding="utf-8") as f:
      f.write(result)
  

Bash 方案 #

• 使用mutool（MuPDF命令行工具）：
  mutool支持映射PDF字体到本地文件，命令格式如下：

  mutool draw -F txt -o output.txt -U Kalpurush=./Kalpurush.ttf input.pdf
  

  其中-U参数用于指定字体映射规则，替换为你实际的字体路径即可。

• 配置系统字体配合pdftotext：

  1. 将Kalpurush字体安装到系统字体库并更新缓存：

     sudo cp Kalpurush.ttf /usr/share/fonts/
     fc-cache -fv
     

  2. 再用pdftotext指定UTF-8编码提取：

     pdftotext -enc UTF-8 input.pdf output.txt
     

PHP 方案 #

• 使用smalot/pdfparser库结合自定义字体加载：
  先通过Composer安装依赖：

  composer require smalot/pdfparser
  

  编写提取脚本：

  <?php
  require 'vendor/autoload.php';
  
  $parser = new \Smalot\PdfParser\Parser();
  $pdf = $parser->parseFile('input.pdf');
  
  // 遍历PDF字体，匹配Kalpurush并加载本地字体
  $fonts = $pdf->getFonts();
  foreach ($fonts as $font) {
      if (str_contains($font->getName(), 'Kalpurush')) {
          $font->setFilePath('./Kalpurush.ttf');
      }
  }
  
  $text = $pdf->getText();
  file_put_contents('output.txt', $text);
  ?>
  

JavaScript (Node.js) 方案 #

• 使用pdf-parse结合fontkit处理字体：
  先安装依赖：

  npm install pdf-parse fontkit
  

  编写提取脚本：

  const fs = require('fs');
  const pdfParse = require('pdf-parse');
  const fontkit = require('fontkit');
  
  async function extractBengaliText(pdfPath, fontPath) {
      const dataBuffer = fs.readFileSync(pdfPath);
      const kalpurushFont = fontkit.openSync(fontPath);
  
      const options = {
          fontCallback: (fontData) => {
              if (fontData.name.includes('Kalpurush')) {
                  return kalpurushFont;
              }
              return null;
          }
      };
  
      const parsedData = await pdfParse(dataBuffer, options);
      return parsedData.text;
  }
  
  // 调用示例
  extractBengaliText('input.pdf', './Kalpurush.ttf')
      .then(text => fs.writeFileSync('output.txt', text, 'utf-8'))
      .catch(err => console.error(err));
  

内容的提问来源于stack exchange，提问作者Md. Atiqur Rahman Mazumder