Apache PDFBox - 无法从 PDF 读取所有字段答案

【问题标题】：Apache PDFBox - Not able to read all fields from PDFApache PDFBox - 无法从 PDF 读取所有字段
【发布时间】：2019-01-17 11:59:03
【问题描述】：

我们正在尝试读取 PDF 并在其中动态填充值。根据传入的请求，我们运行一些规则并派生要使用的 PDF，然后动态填充值。我们使用的是 Apache PDFBox 2.0.11 版，出于某种原因，我们遇到了特定 PDF 模板的问题。我们无法读取此特定模板的某些字段，并且生成的 PDF 不完整。想知道是否与原始 PDF 本身有关。这是我们用来读取字段并填充它的代码 sn-p。

PDDocument pdfTemplate = PDDocument.load(inputStream);
PDDocumentCatalog docCatalog = pdfTemplate.getDocumentCatalog();
PDAcroForm  acroForm = docCatalog.getAcroForm();
acroForm.setXFA(null);
COSArrayList<PDField> list = (COSArrayList<PDField>) acroForm.getFields();
for (PDField field : list) {
     field.setReadOnly(true);
      logger.debug("Field name "+field.getFullyQualifiedName())))
      //use logic to populate value by calling field.setValue();
}

当我们尝试打印每个字段名称时，我们发现超过 30% 的字段丢失。任何人都可以帮助解决它吗？ PDF 有 15 页，有不同的问题。如果问题出在原始 PDF 本身，那么可能是什么原因导致无法读取某些字段？

【问题讨论】：

请阅读getFields()的javadoc并更新代码。如果这没有帮助，请分享 PDF 并提及一个被忽略的字段。
您好 Tilam，感谢您的回复。我仔细检查了 java doc 并试图检索孩子，但没有帮助。不幸的是，我无法在任何地方附加 PDF，因为它可能违反公司的政策。你有什么建议我检查的吗
一种可能性是 PDF 只有小部件注释（与页面相关），而没有字段（与文档相关，每个字段可以有 1-n 个小部件）。使用 PDFBox PDFDebugger 打开文件。在页面中，将鼠标移动到字段区域。字段名称是否出现在状态栏中？另一个想法：在菜单中，单击“查看”、“显示内部结构”，然后在树中转到 Root/AcroForm/Fields。然后查看整个结构并尝试找到您的领域。你找到了吗？
您好 Tilman，我尝试了您的建议，但在 Root/AcroForm/Fields 下看不到字段。在那里找不到字段可能是什么原因？我们需要修复 PDF 本身吗？
可能是 XFA 表格。 Pdfbox 无法处理这些。但是你写了你得到了一些字段然后你应该看到它们

标签： java apache pdf pdf-generation pdfbox

【解决方案1】：

您可能在该表单上有分层字段。请尝试类似下面的代码...

PDDocument pdfTemplate = PDDocument.load(inputStream);
PDDocumentCatalog docCatalog = pdfTemplate.getDocumentCatalog();    
PDAcroForm  acroForm = docCatalog.getAcroForm();
PDFieldTree fieldTree = acroForm.getFieldTree();
Iterator<PDField> fieldTreeIterator = fieldTree.iterator();
while (fieldTreeIterator.hasNext()) {
    PDField field = fieldTreeIterator.next();
    if (field instanceof PDTerminalField) {
        String fullyQualifiedName = field.getFullyQualifiedName();
        logger.debug("Field name "+fullyQualifiedName);
    }
}

PDAcroForm.getFields() 只获取根字段，而不是它们的子字段。 PDAcroForm.getFieldTree() 获取所有字段，但是您需要在设置值之前测试它们是否是终端。非终端字段不能有值，也没有与之关联的小部件（页面上的表示）。如果完全限定名称中有句点，您就会知道这是问题所在。句点代表层次结构。

【讨论】：

感谢 joelgeraci 的建议。使用 FieldTree 也没有帮助。
你能把 PDF 贴在某个地方让我看看细节吗？
joelgeric，不幸的是，我无法在任何地方附加 PDF，因为它可能违反公司的政策。你有什么建议我检查的吗？
您能否将底层页面替换为空白页面，然后发布仅包含表单字段的 PDF？

【解决方案2】：

重新构建整个 PDF 后问题已解决。

【讨论】：