If you have ever tried to pull bold or italic text out of a PDF, you probably started with a regex. It feels like the obvious move. Search the font name for the word “Bold,” flag the text, and move on. That strategy works just long enough to give you false confidence. Then someone exports the same document from a different version of Acrobat, or from LibreOffice, or from a print-to-PDF driver, and every assumption you coded falls apart.
Why Font Names Lie
PDF.js will hand you strings like ABCDEF+TimesNewRomanPS-BoldMT. The first six characters are a random prefix injected during export, and they change every time the file is regenerated. Betting your parser on that prefix is betting on noise. Other exporters are even less helpful. Some emit bare identifiers like Font12 or F1. These labels carry no semantic meaning at all; they are internal resource tags that happened to be nearby when the file was written.
Because the Portable Document Format was never designed to make downstream text extraction easy, font names are simply references to embedded or subsetted resources. They were never intended to act as a stable API for style detection. When you write a regex that looks for the substring Bold or Italic, you are scraping a label that the creator application was free to format however it pleased. You are not reading the actual typographic properties. You are reading a file-naming convention, and conventions are not contracts.
Read the Descriptor, Not the Label
The ground truth lives elsewhere. In PDF.js, every page object exposes commonObjs, a map that holds the real font descriptors needed to render the page. When the library parses a page, it populates this map with genuine font objects. Those objects expose boolean properties for bold and italic. Those booleans are not inferred from the name string. They originate from the font descriptor embedded inside the PDF, derived from glyph metrics, OS/2 table flags, and the symbolic descriptors that the typesetter wrote into the document.
That means you can stop guessing. Before you walk the text items on a page, create a fontStyleMap by iterating over page.commonObjs. For each font ID, store an object that records the actual .bold and .italic properties provided by the font object. Later, when you process each text item, look up its font reference in your map and read the precomputed flags. You suddenly have a deterministic answer that does not change between exports.
You can keep a fallback. If the descriptor is somehow absent or incomplete, clean the font name strip the prefix, drop the random tags, and run a conservative regex against what remains. But this should be your last resort, not your primary logic. The difference in reliability is dramatic. Where name-based parsing fractures across exporters, descriptor-based parsing holds steady because it asks the file what it actually contains.
When the Font Lies Too: Synthetic Styles
Even the descriptor can miss a trick. Some PDF creators do not bother embedding a separate italic typeface. Instead, they take the upright roman font and slant it with a transform matrix. This is common in files generated by design tools or older word processors that favor file size over typographic purity.
Every text item in PDF.js carries a transform array, a six-element affine matrix that maps the glyph coordinate system into the page coordinate system. The third element of that array controls horizontal shear. When that value is non-zero, the text is being mechanically slanted by the renderer. If you only trust the font descriptor, you will classify this text as upright roman. If you inspect the matrix, you catch the synthetic italic and mark it correctly. The same logic applies to synthetic bold created by overprinting, though that is harder to detect from geometry alone. For slanted text, the shear value is your smoking gun.
Underlines Are Drawn, Not Declared
Bold and italic are font properties. Underline is not. In PDF, an underline is a vector path. The renderer issues a drawing command for a thin horizontal segment positioned near the text baseline. It is a graphical element that happens to sit underneath glyphs, not a character attribute stored in a cmap.
Perbezaan ini penting kerana pembacaan deskriptor fon sebanyak mana pun tidak akan mendedahkan garis bawah. Anda perlu melihat operator lukisan mentah pada halaman, atau ringkasnya, output pada tahap geometri, untuk mencari segmen garis mendatar pendek yang selari dengan garisan dasar (baseline) pada jarak yang betul. Apabila enjin pengekstrakan anda mengesan segmen sedemikian di bawah satu larian teks, anda menandakan larian tersebut sebagai bergaris bawah. Menganggap ini sebagai lapisan pengesanan yang berasingan memastikan model data anda tepat: tebal (bold) dan condong (italic) adalah intrinsik kepada fon, manakala garis bawah adalah hiasan ekstrinsik yang dihasilkan oleh dokumen.
Saluran Kerja (Pipeline) yang Berfungsi
Sistem pengekstrakan yang bersih memisahkan tugasan kepada lapisan yang berbeza. Pertama, seorang pekerja geometri menelusuri halaman tersebut. Ia membuat pertanyaan pada page.commonObjs untuk menyusun fontStyleMap anda, memeriksa tatasusunan transformasi (transform array) setiap item teks untuk mengesan italik sintetik, dan mengimbas laluan vektor berhampiran untuk mengesan garis bawah. Outputnya adalah struktur perantara yang bersih yang dipanggil textMeta di mana setiap larian teks membawa tiga boolean ringkas: bold, italic, dan underline.
Seterusnya, pembina semula teks menggunakan struktur tersebut dan menghasilkan output bertanda. Urutan sarang (nesting order) adalah penting di sini. Hierarki yang betul meletakkan garis bawah di lapisan paling luar, kemudian italik, dan kemudian tebal di lapisan paling dalam. Ini bermakna larian yang mempunyai gaya lengkap akan menjadi <u><i><b>text</b></i></u>. Susunan ini mengelakkan pertindihan HTML yang tidak sah dan memastikan paparan yang konsisten merentasi pelayar dan penukar dokumen. Ia juga mencerminkan logik tipografi: hiasan membungkus penekanan semantik, dan penekanan semantik membungkus berat struktur.
Kekuatan pendekatan ini adalah ia hanya menggunakan apa yang sudah diketahui oleh PDF tentang dirinya sendiri. Tiada OCR yang terlibat, tiada perkhidmatan penglihatan awan, dan tiada model pembelajaran mesin yang meneka gaya daripada piksel yang dirasterkan. Anda sedang membaca lapisan semantik fail itu sendiri, yang didedahkan melalui geometri dan metadata yang telah dikira oleh aplikasi pencipta. Hasilnya adalah pantas, deterministik, dan tepat merentasi landskap penjana PDF yang bercelaru.
Pengajaran Sebenar
Regex terhadap nama fon adalah satu perangkap. Ia terasa seperti jalan pintas kerana ia berfungsi pada satu fail yang anda uji, tetapi ia akan gagal di bawah tekanan kecil daripada eksport kedua. Maklumat sebenar sudah pun berada di dalam PDF, terletak dalam deskriptor, matriks, dan laluan vektor. Bina saluran kerja anda berdasarkan fakta-fakta tersebut. Tanya objek fon sama ada ia tebal. Periksa matriks transformasi untuk ricihan (shear). Lihat segmen yang dilukis untuk garis bawah. Jika anda membuat pertanyaan terhadap kejuruteraan dokumen itu sendiri dan bukannya mengikis label permukaannya, anda akan mendapat gaya yang kekal bertahan dari satu penjana PDF ke penjana yang lain.