PDF表单字段操作
我正在制作一个网页界面，用来自动填充PDF表单，数据来自数据库。管理员需要能够上传一个PDF文件（目前主要是针对IRS的PDF表单），然后将PDF中的字段与数据库中的数据字段关联起来。
我需要一种方法来帮助管理员将字段名称（比如“topmostSubform[0].Page2[0].p2-t66[0]”）与数据库中的数据字段关联。我在寻找一种方法，可以通过编程的方式修改PDF，以某种方式提供这些信息。
简单来说，我希望能找到一些建议，让字段名称在修改后的PDF中明显显示出来。我目前能做到的就是通过逐行编辑原始PDF，向字段中插入提示信息（Tooltips）。不过，这种方式编辑后字段名称变得很难理解，所以我不能直接使用它们。
一个理想的解决方案是能够自动解析PDF，并将每个字段的提示信息设置为字段名称的任何工具。如果有可以从命令行运行的工具，或者任何Python工具，或者只是一些关于如何正确解析原始PDF文件中字段名称的基本方法，那就太好了。
6 个回答
这可能和你想做的事情有点偏离，但值得考虑一下。我一直在把扫描的结构化文档转化为Django模型实例。通过使用tesseract和unpaper进行预处理和光学字符识别（OCR），我得到了超过99%的准确率。这让我可以用Levenshtein和re模块来解析OCR输出的文本，然后简单地创建一个新的实例，比如new_instance = MyModel(parsed1, parsed2, ...)。
看起来你也在尝试做类似的事情。看看这个网站上的表单：http://www.irs.gov/formspubs/，这些表单通常在字段旁边有文本标签。使用像py-tesseract这样的工具，你应该能够识别这些标签的文字，把识别出来的文字覆盖在表单图片上，并允许用户选择或编辑这些字段标签。
还有一个不错的小工具，叫做ocrfeeder，你可以在这里找到它：https://live.gnome.org/OCRFeeder。这个工具是用Python写的，可以给你一个关于这个过程在桌面应用中如何工作的基本概念。祝你好运。
这里有一个PostScript解析器：https://github.com/haxwithaxe/py-ps-parser
我一直想试试这个东西，但还没动手。
可能有更简单的解决办法，但你完全可以使用 ReportLab 来完成这个任务。
如果你能把当前的税表保存成一张图片，你就可以找出每个项目应该写在哪里，然后编写代码，让它自动把数据库里的相应值叠加到这张图片上（比如税表，或者其他的东西）。
一旦你确定了 1) 需要从数据库中提取哪些字段，以及 2) 它们应该放在表单的哪个位置……
你基本上就是在做这些事情：
from reportlab.pdfgen import canvas
report_string_values = ['Alex',500,500],['Guido',400,400],
c = canvas.Canvas('hello.pdf')
c.drawImage(background_image,x_pos,y_pos) # x_pos and w_pos are # pixels from bl origin
for rsv in report_string_values:
c.drawString(rsv.x_pos,rsv.,rsv.text)
c.showPage()
c.save()