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.
Это различие важно, потому что никакое чтение дескрипторов шрифта не позволит обнаружить подчеркивание. Вам нужно смотреть на необработанные операторы рисования на странице или, проще говоря, на вывод на уровне геометрии, чтобы найти короткие горизонтальные отрезки, которые проходят параллельно базовой линии на правильном расстоянии. Когда ваш движок извлечения обнаруживает такой сегмент под текстовым фрагментом, вы помечаете этот фрагмент как подчеркнутый. Рассмотрение этого как отдельного уровня обнаружения позволяет вашей модели данных оставаться достоверной: жирный шрифт и курсив присущи самому шрифту, в то время как подчеркивание — это внешнее украшение, отрисованное документом.
Рабочий конвейер
Чистая система извлечения разделяет зоны ответственности на отдельные уровни. Сначала модуль обработки геометрии обходит страницу. Он запрашивает page.commonObjs для формирования вашего fontStyleMap, проверяет массив трансформации каждого текстового элемента, чтобы обнаружить синтетический курсив, и сканирует близлежащие векторные пути для поиска подчеркиваний. Его результатом является чистая промежуточная структура, назовем ее textMeta, где каждый текстовый фрагмент несет три простых булевых значения: bold, italic и underline.
Затем ребилдер текста потребляет эту структуру и выдает размеченный результат. Здесь важен порядок вложенности. Правильная иерархия помещает подчеркивание на самый внешний уровень, затем курсив, и, наконец, жирный шрифт — на самый внутренний. Это означает, что полностью стилизованный фрагмент превращается в <u><i><b>text</b></i></u>. Такой порядок предотвращает некорректные наложения HTML и обеспечивает согласованность рендеринга в различных браузерах и конвертерах документов. Это также отражает типографическую логику: декорация оборачивает семантический акцент, а семантический акцент оборачивает структурный вес.
Сила этого подхода заключается в том, что он использует только то, что PDF уже знает о самом себе. Здесь не задействовано OCR, нет облачных сервисов компьютерного зрения и моделей машинного обучения, пытающихся угадать стили по растрированным пикселям. Вы читаете собственный семантический слой файла, открытый через геометрию и метаданные, которые уже были рассчитаны приложением-создателем. Результат получается быстрым, детерминированным и точным в хаотичном мире генераторов PDF.
Главный вывод
Использование регулярных выражений для имен шрифтов — это ловушка. Это кажется коротким путем, потому что работает на одном протестированном файле, но система рушится при малейшем давлении при втором же экспорте. Реальная информация уже находится внутри PDF — в дескрипторах, матрицах и векторных путях. Стройте свой конвейер на основе этих фактов. Спрашивайте объект шрифта, является ли он жирным. Проверяйте матрицу трансформации на наличие скоса. Ищите подчеркивания в отрисованных сегментах. Если вы обращаетесь к инженерной сути документа, а не скрапите его поверхностные метки, вы получите стили, которые сохраняются при переходе от одного генератора PDF к другому.