pdfminer不从filledout pdf表单中提取数据

Question

我试图使用pdfminer来提取pdf表单中填写的内容。访问pdf的说明如下：

1. 转到https://www.ffiec.gov/nicpubweb/nicweb/InstitutionProfile.aspx?parID_Rssd=1073757&parDT_END=99991231
2. 单击顶部第四份报告（即银行组织系统性风险报告（FR Y-15））旁边的“创建报告”
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)

这并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，但它成功了，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都显示“允许”。我也试过使用pdfminer的pdf2文本.py功能（参见here）但是原始pdf表单中字段中填写的数据（这是我想要的）不在转换后的文本文件中；只有pdf的“平面”不可填充部分被转换。有趣的是，如果我使用Adobe Reader的另存为文本文件将pdf转换为文本文件，则可填充部分位于转换后的文本文件中。这就是我一直在做的，以避免失败的代码。在

你知道我如何直接从pdf表格中提取数据吗？谢谢。在

Answer 1

我只能解释问题是什么，但无法提出解决方案，因为我没有实际的Python知识。

代码迭代AcroForm字段数组的直接子级，并期望它们表示表单字段。在

虽然这个期望值经常得到满足，但它实际上只代表了一种特殊情况：表单字段被安排为一个树结构，其中字段数组作为根元素，例如，如果您的示例文档中有一棵大树：

因此，您必须深入到结构中，而不仅仅是迭代字段的直接子级来查找所有表单字段。在