如何获取PDF特定文本的字体名？PyMuPDF实现及替代方案问询

问题背景 #

你现有基于PyMuPDF提取PDF内容的脚本，希望给txt变量添加基于字体名的条件判断（比如判断是否为Cambria-Bold），但发现page.get_fonts()只能获取页面所有字体，无法关联到特定文本块。

原有核心代码：

for page in doc:
    rect = fitz.Rect(22, 52, 562,802)  # 裁剪页面边距，忽略页眉、页脚和左侧内容
    blocks = page.get_text("blocks",rect, flags=fitz.TEXTFLAGS_TEXT)

    for i in blocks:
        if (i[-3][0].isdigit()):# 判断是否为标题
            if (i[-3].partition(" ")[0].count('.')==0):# 判断是否为子标题
                nr=i[-3].partition(" ")[0]
                txt = (i[-3]).partition(" ")[2]
            else:
                sub_nr='="' +i[-3].partition(" ")[0]+ '"'
                sub_txt=i[-3].partition(" ")[2]

        elif (i[-3].startswith("[V2G")):
            id=i[-3].partition("\n")[0].replace("[", " ").replace("]"," ")
            text=i[-3].partition("\n")[2].strip()
            data.append(req(filename, nr, txt, sub_nr, sub_txt, id, text))

PyMuPDF的解决方案：使用"dict"文本提取模式 #

page.get_text("blocks")模式不会返回字体信息，你需要改用"dict"模式，该模式会返回包含**文本块（blocks）、行（lines）、文本段（spans）**的层级结构，每个span对象包含对应文本的字体名、字号等属性。

修改后的代码示例：

for page in doc:
    rect = fitz.Rect(22, 52, 562,802)
    # 使用dict模式提取带格式的文本
    text_dict = page.get_text("dict", clip=rect, flags=fitz.TEXTFLAGS_TEXT)
    
    nr = ""
    txt = ""
    sub_nr = ""
    sub_txt = ""
    
    for block in text_dict["blocks"]:
        if "lines" not in block:
            continue  # 跳过非文本块
        for line in block["lines"]:
            for span in line["spans"]:
                text = span["text"].strip()
                font_name = span["font"]  # 获取当前文本段的字体名
                
                if not text:
                    continue
                
                # 判断是否为标题类文本
                if text[0].isdigit():
                    if text.partition(" ")[0].count('.') == 0:
                        # 主标题，判断字体是否为Cambria-Bold
                        if font_name == "Cambria-Bold":
                            nr = text.partition(" ")[0]
                            txt = text.partition(" ")[2]
                    else:
                        sub_nr = f'"{text.partition(" ")[0]}"'
                        sub_txt = text.partition(" ")[2]
                
                elif text.startswith("[V2G"):
                    id_part = text.partition("\n")[0].replace("[", " ").replace("]", " ")
                    content = text.partition("\n")[2].strip()
                    data.append(req(filename, nr, txt, sub_nr, sub_txt, id_part, content))

关键说明： #

• span["font"]返回的是PDF中实际的字体名称，可能和你预期的名称略有差异（比如可能显示为Cambria-BoldMT而不是Cambria-Bold），建议先打印所有font_name值确认实际名称。
• 层级结构：text_dict["blocks"] → 每个block包含lines → 每个line包含多个spans（同一行中不同格式的文本段）。

替代Python库选项 #

如果PyMuPDF的方式不符合需求，还可以尝试以下库：

• pdfplumber：对文本格式的提取更直观，每个字符/文本段都携带字体信息：

import pdfplumber

with pdfplumber.open("your_file.pdf") as pdf:
    page = pdf.pages[0]
    # 裁剪页面
    cropped_page = page.crop((22, 52, 562, 802))
    for word in cropped_page.extract_words():
        text = word["text"]
        font_name = word["fontname"]
        # 这里可以添加你的条件判断逻辑
        if font_name == "Cambria-Bold" and text[0].isdigit():
            # 处理标题逻辑
            pass

• pdfminer.six：是PDF解析的底层库，能精细控制文本和字体的关联，但使用复杂度更高。需要遍历PDF的文本对象，通过LTTextLine、LTChar等对象获取字体信息，每个LTChar包含对应的字体名。

内容的提问来源于stack exchange，提问作者user34088