如何在Python中从填写的表单中提取PDF字段？

Question

我试图使用Python处理一些PDF表单，这些表单是使用Adobe Acrobat Reader填写并签名的。

我试过：

• 演示：它没有转储任何已填写的数据。
• pyPdf：当我试图用PdfFileReader（f）加载文件时，它使一个核心最大化了2分钟，而我刚刚放弃并杀死了它。
• Jython和PDFBox：运行良好，但启动时间过长，如果这是我唯一的选择，我将用纯Java编写一个外部实用程序。

我可以继续寻找和尝试图书馆，但我希望有人已经有一个有效的解决方案。

---

更新：根据史蒂文的回答，我查看了pdfminer，它做得很好。

from argparse import ArgumentParser
import pickle
import pprint
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdftypes import resolve1, PDFObjRef

def load_form(filename):
    """Load pdf form contents into a nested list of name/value tuples"""
    with open(filename, 'rb') as file:
        parser = PDFParser(file)
        doc = PDFDocument()
        parser.set_document(doc)
        doc.set_parser(parser)
        doc.initialize()
        return [load_fields(resolve1(f)) for f in
                   resolve1(doc.catalog['AcroForm'])['Fields']]

def load_fields(field):
    """Recursively load form fields"""
    form = field.get('Kids', None)
    if form:
        return [load_fields(resolve1(f)) for f in form]
    else:
        # Some field types, like signatures, need extra resolving
        return (field.get('T').decode('utf-16'), resolve1(field.get('V')))

def parse_cli():
    """Load command line arguments"""
    parser = ArgumentParser(description='Dump the form contents of a PDF.')
    parser.add_argument('file', metavar='pdf_form',
                    help='PDF Form to dump the contents of')
    parser.add_argument('-o', '--out', help='Write output to file',
                      default=None, metavar='FILE')
    parser.add_argument('-p', '--pickle', action='store_true', default=False,
                      help='Format output for python consumption')
    return parser.parse_args()

def main():
    args = parse_cli()
    form = load_form(args.file)
    if args.out:
        with open(args.out, 'w') as outfile:
            if args.pickle:
                pickle.dump(form, outfile)
            else:
                pp = pprint.PrettyPrinter(indent=2)
                file.write(pp.pformat(form))
    else:
        if args.pickle:
            print pickle.dumps(form)
        else:
            pp = pprint.PrettyPrinter(indent=2)
            pp.pprint(form)

if __name__ == '__main__':
    main()

Answer 1

您应该可以使用pdfminer来完成这项工作，但这需要深入研究pdfminer的内部，了解pdf格式（当然是wrt格式，也需要了解pdf的内部结构，如“字典”和“间接对象”）。

这个例子可能会帮助您（我认为它只适用于简单的情况，没有嵌套字段等…）

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

filename = sys.argv[1]
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)

编辑：忘记提及：如果需要提供密码，请将其传递给doc.initialize()