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.
Ця відмінність має значення, оскільки жодне читання дескрипторів шрифту не виявить підкреслення. Вам потрібно дивитися на сирі оператори малювання на сторінці, або, коротше кажучи, на вивід на рівні геометрії, щоб знайти короткі горизонтальні відрізки ліній, які проходять паралельно базовій лінії на правильній відстані. Коли ваш механізм вилучення виявляє такий сегмент під текстовим фрагментом, ви позначаєте цей фрагмент як підкреслений. Розгляд цього як окремого рівня виявлення дозволяє вашій моделі даних залишатися достовірною: жирний шрифт і курсив є внутрішніми властивостями шрифту, тоді як підкреслення — це зовнішнє декорування, що рендериться документом.
Робочий пайплайн
Чиста система вилучення розділяє обов'язки на окремі рівні. Спочатку геометрійний воркер обходить сторінку. Він запитує page.commonObjs, щоб зібрати ваш fontStyleMap, перевіряє масив трансформацій кожного текстового елемента, щоб виявити синтетичний курсив, і сканує сусідні векторні шляхи, щоб знайти підкреслення. Його вихід — це чиста проміжна структура, назвемо її textMeta, де кожен текстовий фрагмент має три прості булеві значення: bold, italic та underline.
Далі ребілдер тексту споживає цю структуру та видає розмічений результат. Порядок вкладення тут має значення. Правильна ієрархія ставить підкреслення на найзовнішній рівень, потім курсив, а потім жирний шрифт усередині. Це означає, що повністю стилізований фрагмент перетворюється на <u><i><b>text</b></i></u>. Таке впорядкування запобігає некоректним перекриттям HTML і забезпечує стабільний рендеринг у браузерах і конвертерах документів. Це також відображає типографічну логіку: декорування огортає семантичне наголошення, а семантичне наголошення огортає структурну вагу.
Перевага цього підходу полягає в тому, що він використовує лише те, що PDF вже знає про себе. Тут не задіяно OCR, жодних хмарних сервісів комп'ютерного зору чи моделей машинного навчання, які б вгадували стилі за раструваними пікселями. Ви читаєте власний семантичний шар файлу, відкритий через геометрію та метадані, які вже були розраховані програмою-творцем. Результат є швидким, детермінованим і точним у хаотичному ландшафті генераторів PDF.
Головний висновок
Використання Regex проти назв шрифтів — це пастка. Це здається коротким шляхом, тому що це працює для одного протестованого файлу, але система руйнується під легким тиском другого експорту. Справжня інформація вже міститься всередині PDF — у дескрипторах, матрицях і векторних шляхах. Будуйте свій пайплайн навколо цих фактів. Запитуйте об'єкт шрифту, чи є він жирним. Перевіряйте матрицю трансформації на наявність скосу. Шукайте підкреслення у намальованих сегментах. Якщо ви звертаєтеся до власної інженерної структури документа, а не просто збираєте його поверхневі мітки, ви отримаєте стилі, які зберігаються від одного генератора PDF до іншого.