已知CourierNewPSMT字体，如何解析PDF中的CID编码文本？

1. 直接从PDF字体中提取CID映射表 #

大部分情况下，PDF里的嵌入字体即使没有ToUnicode表，也会包含内部的CID到字符的映射。用fitz（PyMuPDF）可以直接获取这层映射：

import fitz

doc = fitz.open("your_file.pdf")
page = doc[0]  # 取目标页面

# 遍历页面字体
for font in page.get_fonts():
    font_id = font[0]
    font_name = font[3]
    if font_name == "CourierNewPSMT":
        # 获取字体的CID映射
        cid_map = doc.extract_font(font_id).get("cid_to_unicode")
        # 测试映射：比如cid:3
        if 3 in cid_map:
            print(f"cid:3 对应字符: {cid_map[3]}")

如果extract_font返回的字典里没有cid_to_unicode，可以尝试读取字体的原始cmap表，用fonttools库解析：

from fonttools.ttLib import TTFont

# 先提取字体文件到本地
font_data = doc.extract_font(font_id)["fontfile"]
with open("courier_new_psmt.ttf", "wb") as f:
    f.write(font_data)

# 解析字体的cmap表
ttfont = TTFont("courier_new_psmt.ttf")
cmap = ttfont.getBestCmap()
# CID通常对应cmap中的键，直接查找
print(f"cid:3 对应字符: {chr(cmap[3])}")

2. 确认CourierNewPSMT的ROS规则 #

CourierNewPSMT属于Adobe标准拉丁字符集的CID字体，对应的ROS是Adobe-Identity-0（Registry=Adobe, Ordering=Identity, Supplement=0）。这类字体的CID编码直接对应字体内部的字符索引，不需要额外的ROS映射表，只需要读取字体本身的cmap映射即可。

3. 扩展暴力破解的映射表 #

如果你已经有部分CID-字符的映射，可以结合CourierNewPSMT的字符集（基本拉丁、拉丁扩展A/B等）来补全：

• 该字体的CID顺序通常和Unicode的基本拉丁区（U+0020到U+007E）、扩展拉丁区（U+00A0到U+00FF）顺序对应
• 可以通过对比已破解的CID和对应Unicode值，推断出CID与Unicode的偏移量，批量生成完整映射

4. 处理无映射的极端情况 #

如果上述方法都失效，还可以通过PDF的内容流反向推导：

# 提取页面的原始内容流
content = page.get_text("raw")
# 查找包含(cid:xxx)的片段，结合字体的绘制指令，匹配字符形状对应的Unicode
# 或者用OCR工具（比如pytesseract）识别页面区域，对应CID位置的字符

内容的提问来源于stack exchange，提问作者Franciska