读取由 Adob​​e LiveCycle Designer 创建的 PDF 中的表单域

Question

如何从this PDF file 获取字段？它是由 Adob​​e LiveCycle Designer 创建的动态 PDF。如果您在网络浏览器中打开链接，您可能会看到一个以“请稍候...”开头的页面。如果您下载文件并通过 Adob​​e Reader（5.0 或更高版本）打开它，您应该会看到全部 8 个页面。

因此，当通过PyPDF2 阅读时，您会得到一个空字典，因为它将文件呈现为单个页面，就像您通过网络浏览器看到的那样。

def print_fields(path):
    from PyPDF2 import PdfFileReader
    reader = PdfFileReader(str(path))
    fields = reader.getFields()
    print(fields)

您可以使用 Java 依赖库 tika 来读取所有 8 个页面的内容。但是结果很混乱，我正在避免 Java 依赖。

def read_via_tika(path):
    from tika import parser
    raw = parser.from_file(str(path))
    content = raw['content']
    print(content)

所以，基本上，我可以在 Adob​​e Actobat DC 中手动 Edit -> Form Options -> Export Data… 来获得一个不错的 XML。同样，我需要通过 Python 获取漂亮的表单字段及其值。

Answer 1

就我而言，以下代码有效（来源：ankur garg）

import PyPDF2 as pypdf
def findInDict(needle, haystack):
    for key in haystack.keys():
        try:
            value=haystack[key]
        except:
            continue
        if key==needle:
            return value
        if isinstance(value,dict):            
            x=findInDict(needle,value)            
            if x is not None:
                return x
pdfobject=open('CTRX_filled.pdf','rb')
pdf=pypdf.PdfFileReader(pdfobject)
xfa=findInDict('/XFA',pdf.resolvedObjects)
xml=xfa[7].getObject().getData()

Answer 2

感谢this awesome answer，我设法使用pdfminer.six 检索字段。

浏览目录 > AcroForm > XFA，然后在列表中b'datasets' 元素之后的pdfminer.pdftypes.resolve1 对象。