如何通过pdftotext（Poppler/Xpdf版）获取单词的字体信息

好消息是，Poppler版本的pdftotext确实支持输出每个单词的字体信息，包括字体族、样式和大小，但Xpdf版本目前没有这个功能。下面详细说明：

Poppler pdftotext的实现方式 #

从Poppler 0.80版本开始，pdftotext新增了-bbox-layout参数（注意不是你当前用的-bbox），这个参数会在输出的XML/HTML结构中包含字体相关属性。

使用命令 #

替换你原来的命令为：

pdftotext -bbox-layout file.pdf output.html

输出示例 #

你会得到类似这样的带字体信息的标签：

<word xMin="351.852025" yMin="42.548936" xMax="365.689478" yMax="47.681498" font="Verdana" fontsize="9" fontstyle="bold">foo</word>

其中：

• font字段对应字体族（如Verdana）
• fontsize是字体大小（如9）
• fontstyle会标注样式，比如bold（粗体）、italic（斜体）、bolditalic（粗斜体），默认常规样式会显示为normal

Xpdf pdftotext的限制 #

Xpdf版本的pdftotext目前（截至最新稳定版）没有提供输出字体信息的参数，-bbox参数仅能输出坐标信息，无法获取字体相关属性。如果需要用Xpdf生态获取字体信息，可能需要借助其他工具比如pdfinfo或者直接解析PDF底层结构，但操作复杂度会高很多。

验证你的pdftotext版本 #

不确定自己用的是哪个版本？可以运行以下命令查看：

pdftotext -v

如果输出里包含poppler字样，就是Poppler版本；如果是Xpdf，则是Xpdf版本。

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