pdfminer 不会从填写的 pdf 表单中提取数据

Question

我正在尝试使用pdfminer 提取pdf 表单中填写的内容。访问pdf的说明是：

1. 转到https://www.ffiec.gov/nicpubweb/nicweb/InstitutionProfile.aspx?parID_Rssd=1073757&parDT_END=99991231
2. 点击倒数第四个报告旁边的“创建报告”（即银行组织系统性风险报告 (FR Y-15)）
3. 点击“您的财务报告请求已准备就绪”

为了提取蓝色的内容，我从this post复制了代码：

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdftypes import resolve1

filename = 'FRY15_1073757_20160630.PDF'
fp = open(filename, 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)
fields = resolve1(doc.catalog['AcroForm'])['Fields']

for i in fields:
    field = resolve1(i)
    name, value = field.get('T'), field.get('V')
    print '{0}: {1}'.format(name, value)

这没有按预期提取数据字段 - 没有打印任何内容。我在另一个 pdf 上尝试了相同的代码并且它有效，所以我怀疑失败可能与第一个 pdf 的安全设置有关，如下所示

对于代码工作的第二个 pdf，安全设置对所有操作显示“允许”。我还尝试使用 pdfminer 的 pdf2txt.py 功能（请参阅here），但原始 pdf 表单（这是我想要的）字段中填写的数据不在转换后的文本文件中；仅转换了 pdf 的“平面”不可填充部分。有趣的是，如果我使用 Adob​​e Reader 的 Save As Text 将 pdf 转换为文本文件，则可填充部分 在转换后的文本文件中。这就是我为绕过失败的代码而一直在做的事情。

知道如何直接从 pdf 表单中提取数据吗？谢谢。

Answer 1

我只能解释问题所在，但无法提出解决方案，因为我没有 Python 知识。

您的代码遍历 AcroForm Fields 数组的直接子级，并期望它们代表表单字段。

虽然这种期望经常实现，但它实际上只代表一种特殊情况：表单字段排列为 tree 结构，该 Fields 数组作为根元素，例如如果您的示例文档有大树：

因此，您必须深入到结构中，而不仅仅是遍历 Fields 的直接子级，以查找所有表单字段。