在python中查找pdf表单字段的宽度

Question

我有一个可填写的 pdf，其中包含需要用户填写的字段。我正在尝试使用 python 为这些字段自动生成响应，但我需要知道表单字段的宽度/长度才能知道我的响应是否适合该字段。

我如何找到这些字段的宽度，或者至少测试可能的响应是否合适？

我在想，如果我知道该字段的字体和字体大小，那可能会有所帮助。

编辑：我刚刚意识到 pdf 是加密的，因此以编程方式与 pdf 交互可能是不可能的。不过，欢迎任何有关快速而肮脏的解决方案的建议。

表格链接：http://static.e-publishing.af.mil/production/1/af_a1/form/af910/af910.pdf

我需要知道 cmets 块的宽度。

Answer 1

在对 pdf 文件和one of Adobe's pdf references (source) 进行一些快速挖掘之后，事实证明一个文本字段可能有一个键“MaxLen”，其值是一个整数，表示字段文本的最大长度，以字符为单位（参见提到的参考文献中的第 444 页）。看来，如果不存在这样的密钥，则没有最大长度。

然后可以做的就是在 pdf 文件中搜索“MaxLen”键（如果有多个文本字段，否则您可以只搜索一个）并返回它们的值。例如：

import re

with open('your_file.pdf', 'r', errors='ignore') as pdf_file:
    content = pdf_file.read()

    # Matches every substring "n" (n is an integer) with a preceding "/MaxLen "
    regexp = '(?<=\/MaxLen )\d+'
    max_lengths = [int(match) for match in re.findall(regexp, content)]

（如果文件很大，您可能无法一次将其全部读入内存。如果是这种情况，逐行读取可能是一种解决方案。）

max_lengths 将是所有“MaxLen”值的列表，在文件中出现后排序（第一次出现将是第一个，依此类推）。

但是，根据您的需要，您可能需要进一步搜索并向我的代码添加更多条件。例如，如果一个文件包含多个文本字段，但并非所有文本字段都有最大长度，您可能不知道哪个长度对应哪个字段。此外，如果 pdf 文件已被修改并保存（不使用“另存为”），则修改将附加到旧文件而不是完全覆盖它。我不确定它到底是如何工作的，但我想如果你不小心并检查一下，它可能会让你获得以前删除的字段的最大长度等。

（以这种方式使用 pdf 对我来说是非常新的，如果我有任何错误，请纠正我。我并不是说没有图书馆可以为你做到这一点，也许 PDFMiner 可以，尽管它会可能更高级。）

---

2017 年 10 月 23 日更新

恐怕问题变得更难了。我相信您仍然应该能够通过解析 pdf 文件的正确部分来推断文本字段的宽度。为什么？因为 Adob​​e 的软件可以正确渲染它（至少是 Adob​​e Acrobat Pro DC），而不需要一些密码来首先解密它。问题是我不知道 如何 解析它。深入挖掘，你可能会发现，也可能不会。

我想您可以以图形方式解决问题，使用可以正确阅读它们的查看器打开每个 pdf，然后测量文本字段的宽度。但是，这会相当慢，我不确定您将如何识别文本字段。

表单不使用等宽字体并没有帮助，但这是一个绝对可以解决的小问题（查找文本字段使用的字体，查找该字体中所有字符的宽度，然后在计算中使用该信息）。

如果您确实设法解决了问题，请分享。 :)