如何自动将pdf表单字段导出到xml

Question

我有一个包含表单字段的pdf 文件，需要将数据导出到xml 文件中自动。这是我为测试创建的示例表单的屏幕：

注意：使用 Acrobat Professional 通过单击 Tools > Form > Export Form Data 并最终选择 xml 扩展名进行文件输出，手动导出效果很好。这是我手动导出时得到的结果：

<?xml version="1.0" encoding="UTF-8"?>
<fields>
    <first_name>John</first_name>
    <last_name>Doe</last_name>
</fields>

但是，我需要将其自动化，例如使用 python 脚本、Java 实现 或一些命令行工具。有什么想法可以使用哪些库或工具将表单字段数据导出到xml？工具或库应该是开源，我可以将其集成到我的工作流程中。

我已经尝试过 python pdfminer 库，它帮助我导出 pdf 文件的静态部分（如 Static form header、First name: 和 Last name:）：但是如何导出表单字段数据（在我的情况下是表单字段first_name 和last_name 的内容？？

编辑：请随意下载 sample.pdf 文件here。

Answer 1

Apache PDFBox 怎么样？它是开源的，可以满足您的需求，因为网站上说“从 PDF 表单中提取表单数据或预填 PDF 表单”。

编辑：查看PrintFields example。

Answer 2

在 bash 中，您可以这样做（至少使用这些工具的我的版本，更少的 444 和 cat 8.13）：

less ~/Downloads/sample.pdf | cat

我得到如下所示的输出：

Static form header

First name:   John

Last name:    Doe

然后您可以使用 Java/Python/awk/whatever 非常明显地解析它。

当然，或者，如果您不想依赖这些特定版本的行为（不确定它们是否总是这样做），您可以查找 less's source code 以了解它是如何做到的。

Answer 3

在 Java 中，有一些库可以处理 PDF，但通常很难从 PDF 中获取格式化信息。我从来没有实现过那个东西，但是 Qoppa 看起来不错，而且似乎很先进，但它不是免费的。它包含jPDFFields，这对于从表单字段中提取值应该很有用。 还有一个similar thread，里面有一些命令行工具的信息。

希望对你有帮助。

Answer 4

我使用pdfminer取得了很大的成功：

pdf2txt.py -o out.xml -t xml sample.pdf

然后使用 xpath 解析它并加入字符串，以从您的代码中使用它跟踪代码here

除此之外，街区里有一个叫tabula 的新孩子，用 ruby​​ 写的，我还没有机会使用它，但应该很棒

我理解您不愿意使用付费服务，但仍然值得一提的是，Adobe 有一个转换服务，在撰写本文时每月收费 2 美元，check it out，只是说...

Answer 5

对于 Java 解决方案，您可以使用 iText 读取字段，然后使用 jackson-dataformat-xml 之类的东西将结果写入 XML。 A，有点基本的例子是：

// read fields
final PdfReader reader = new PdfReader("/path/to/my.pdf");

final AcroFields fields = reader.getAcroFields();
final Map<String, Object> values = new HashMap<>();
for (String fieldName : (Set<String>) fields.getFields().keySet()) {
    values.put(fieldName, fields.getField(fieldName));
}

// write
final XmlMapper mapper = new XmlMapper();
final String result = mapper.writeValueAsString(values);

System.out.println(result);

这里肯定有一些改进的余地，但它可能是一个足够好的起点。