12

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

在此处输入图像描述

注意：通过单击使用 Acrobat Professional手动导出它Tools > Form > Export Form Data并最终选择 xml 扩展名进行文件输出，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，我需要自动化它，例如使用python 脚本、Java 实现或一些命令行工具。我可以使用哪些库或工具将表单字段数据导出到任何想法xml？该工具或库应该是开源的，我可以将其集成到我的工作流程中。

我已经尝试过pythonpdfminer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的内容first_name和last_name）？

编辑：请随时在此处下载 sample.pdf 文件。

4

5 回答 5

9

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 示例。

于 2014-01-23T21:00:02.593 回答
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

然后你可以很明显地使用 Java/Python/awk/whatever 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），您可以查看less 的源代码以了解它是如何做到的。

于 2014-01-22T20:02:46.683 回答
1

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。还有一个类似的线程，其中有一些关于命令行工具的信息。

我希望它对你有帮助。

于 2014-01-22T19:31:39.087 回答
1

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，以便从您的代码中使用它在此处跟踪代码

除此之外，街区里有一个叫tabula的新孩子，用红宝石写的，我还没有机会使用，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 有一项转换服务，在撰写本文时每月收费 2 美元，请查看，只是说...

于 2014-01-22T20:08:03.987 回答
0

对于 Java 解决方案，您可以使用iText读取字段，然后使用类似jackson-dataformat-xml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空间，但它可能是一个足够好的起点。

于 2014-01-23T10:22:26.833 回答