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 ob

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.

Dit onderscheid is van belang omdat het lezen van fontdescriptors nooit een onderstreping zal onthullen. Je moet kijken naar de ruwe tekenoperators op de pagina, of kort gezegd naar de output op geometrie-niveau, om korte horizontale lijnsegmenten te vinden die parallel aan de baseline lopen op de juiste afstand. Wanneer je extractie-engine zo'n segment onder een tekstreeks detecteert, tag je die reeks als onderstreept. Door dit als een aparte detectielaag te behandelen, blijft je datamodel accuraat: vetgedrukt en cursief zijn intrinsiek aan het font, terwijl een onderstreping een extrinsieke decoratie is die door het document wordt weergegeven.

Een werkende pipeline

Een schoon extractiesysteem scheidt verantwoordelijkheden in duidelijke lagen. Eerst doorloopt een geometry worker de pagina. Het bevraagt page.commonObjs om je fontStyleMap samen te stellen, inspecteert de transform-array van elk tekstitem om synthetische cursiefstijl te detecteren, en scant nabijgelegen vectorpaden om onderstrepingen te vinden. De output is een schone tussenstructuur, laten we het textMeta noemen, waarbij elke tekstreeks drie eenvoudige booleans bevat: bold, italic en underline.

Vervolgens consumeert een text rebuilder die structuur en genereert een gemarkeerde output. De volgorde van nesting is hierbij belangrijk. De juiste hiërarchie plaatst de onderstreping het meest naar buiten, gevolgd door cursief, en vetgedrukt het meest naar binnen. Dat betekent dat een volledig gestileerde reeks <u><i><b>text</b></i></u> wordt. Deze volgorde voorkomt ongeldige HTML-overlaps en zorgt voor een consistente weergave in browsers en documentconverters. Het weerspiegelt ook de typografische logica: decoratie omsluit semantische nadruk, en semantische nadruk omsluit structureel gewicht.

De kracht van deze aanpak is dat deze alleen gebruikt wat de PDF al over zichzelf weet. Er is geen OCR aan de orde, geen cloud vision-service en geen machine learning-model dat stijlen raadt op basis van gerasterde pixels. Je leest de eigen semantische laag van het bestand, die wordt blootgesteld via de geometrie en metadata die de bronapplicatie al heeft berekend. Het resultaat is snel, deterministisch en nauwkeurig in het chaotische landschap van PDF-generators.

De belangrijkste les

Regex op fontnamen is een valkuil. Het voelt als een kortere weg omdat het werkt op het ene bestand dat je hebt getest, maar het stort in onder de lichte druk van een tweede export. De werkelijke informatie zit al in de PDF, verankerd in descriptors, matrices en vectorpaden. Bouw je pipeline rond deze feiten. Vraag het font-object of het vetgedrukt is. Controleer de transform-matrix op shear. Kijk naar de getekende segmenten voor onderstrepingen. Als je de eigen technische architectuur van het document bevraagt in plaats van de oppervlakkige labels te scrapen, krijg je stijlen die standhouden van de ene PDF-generator naar de volgende.