我正在制作一个网络界面，以使用数据库中的用户数据自动填充 pdf 表单。管理员需要能够上传 pdf（目前针对 IRS pdf 表单），然后将 pdf 中的字段与数据库中的数据字段相关联。
我需要一种方法来帮助管理员将字段名称（诸如“topmostSubform[0].Page2[0].p2-t66[0]”之类的内容）与数据库中的数据字段相关联。我正在寻找一种以编程方式修改 PDF 以某种方式提供此信息的方法。
基本上，我愿意接受有关如何使字段名称以明显方式出现在原始 pdf 的修改版本上的建议。我得到的最接近的是能够通过逐行编辑原始 pdf 将工具提示插入到 pdf 的字段中。但是，当以这种方式编辑 pdf 时，字段名称是乱码，所以我不能只使用它们。
最佳解决方案是可以自动解析 pdf 并将每个字段的工具提示设置为字段名称的任何内容。任何可以从命令行运行的东西，或任何 python 工具，或者只是如何从原始 pdf 文件中正确解析字段名称的基本方法都会令人惊叹。
【问题讨论】：
这可能会偏离您的预期；但是，这可能值得考虑。我一直致力于将扫描的结构化文档解析为 Django 模型实例。使用 tesseract 和 unpaper 进行预处理和 OCR，我得到了超过 99% 的准确率。这让我可以使用 Levenshtein 和 re 模块解析 OCR 输出文本并执行简单的 new_instance = MyModel(parsed1, parsed2, ...)。
您似乎正在尝试做类似的事情。查看http://www.irs.gov/formspubs/ 处的表格，它们的文本标签往往与字段相邻。使用 py-tesseract 之类的东西，您应该能够对标签进行 OCR，将 OCR 文本覆盖在表单图像上，并允许用户选择/编辑字段标签。
有一个不错的小工具，ocrfeederhttps://live.gnome.org/OCRFeeder，它是用 python 编写的，应该可以让您基本了解该过程在桌面应用程序中的工作原理。祝你好运。
【讨论】：
这里有一个后记解析器：https://github.com/haxwithaxe/py-ps-parser
我一直有兴趣玩它，但还没有。
【讨论】：
我可能对问题的解释有误，但由于我在该网站上工作了 5 个月，因此我在使用 python/django 生成 pdf 方面有很多经验。我建议使用 texlive。基本上我所做的是为文档构建了一个通用的 tex 模板，然后使用 django 模板插入字段。我使用 render_to_string 将模板渲染为 html，然后使用 pdflatex 命令生成它。我使用 pythons 子进程模块和一些额外的运行 pdflatex。为了进行生成，我使用了这些家伙 pdflatex 模块 http://bit.ly/KaDMBp ，并进行了一些修改。您需要的所有东西都在 pdflatex 目录的 core.py 中。
ex tex 文档 (test.tex) )
\begin{document}
my name is {{input_name}} and i live in {{input_location}}.
\end{document}
带有 django 模板和 render_to_string 的 Ex 渲染模板）
params={input_name:"andrew",input_location:"nyc"}
tex_doc = render_to_string('test.tex', params)
Ex 生成为 pdf)
pdflatex = PDFLatex(texfile=tex_path,outputdir=pdf_path)
pdflatex.transform()
Latex 的学习曲线有些烦人且困难，但如果您花时间学习创建这些 pdf 文件所需的知识。
希望这会有所帮助。
【讨论】：
可能有比这更简单的解决方案，但您绝对可以通过 http://www.reportlab.com/software/opensource/rl-toolkit/'>ReportLab 完成工作。
如果您可以将当前的税表保存为图像，则可以确定每个项目需要写入的位置并开发代码，以便它自动将数据库中的适当值分层到图像之上（税形式，或任何形式）。
一旦您确定了 1) 需要从数据库中提取哪些字段，以及 2) 它们应该在表单中的哪个位置继续...
这基本上就是你要做的：
from reportlab.pdfgen import canvas
report_string_values = ['Alex',500,500],['Guido',400,400],
c = canvas.Canvas('hello.pdf')
c.drawImage(background_image,x_pos,y_pos) # x_pos and w_pos are # pixels from bl origin
for rsv in report_string_values:
c.drawString(rsv.x_pos,rsv.,rsv.text)
c.showPage()
c.save()
【讨论】：