Question

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

enter image description here

注意：通过单击Tools > Form > Export Form Data，最后选择xml扩展名进行文件输出，使用Acrobat Professional轻松导出 MANUALLY 。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>

然而，我需要自动化它，例如使用 python脚本， Java实现或某些命令行工具。我可以使用哪些库或工具将表单字段数据导出到xml？该工具或库应该是开源，我可以将其集成到我的工作流程中。

我已经尝试过python pdfminer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（在我的例子中是表单字段first_name和last_name的内容）??

编辑：随意下载sample.pdf文件here。

Answer 1

Apache PDFBox怎么样？它是开源的，可以满足您的需求，因为该网站说“从PDF表单中提取表单数据或预填充PDF表单。”

编辑：查看PrintFields example。

Answer 2

在bash中，你可以这样做（至少使用我的这些工具版本，减去444和cat 8.13）：

less ~/Downloads/sample.pdf | cat

我得到的输出如下：

Static form header

First name:   John

Last name:    Doe

然后你可以使用Java / Python / awk / what来解析它。

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），您可以查找less's source code以查看它是如何做的它

Answer 3

在Java中，有一些库可以使用PDF，但通常很难从PDF获取格式化信息。我从来没有实现过那个东西，但Qoppa看起来不错，似乎很先进，但它并不是免费的。它包含jPDFFields，它可用于从表单字段中提取值。还有一个similar thread，其中有一些关于命令行工具的信息。

我希望它会对你有所帮助。

Answer 4

我使用pdfminer取得了很大成功：

pdf2txt.py -o out.xml -t xml sample.pdf

然后使用xpath和连接字符串对其进行解析，以便在代码中使用它跟踪代码here

除了那个名为tabula的块上有一个新的孩子，用红宝石写的，我没有机会使用但是应该很棒

我理解您不愿意使用付费服务，但仍然值得一提的是，Adobe提供转换服务，在撰写本文时，每月费用为2美元check it out，只是说......

Answer 5

对于Java解决方案，您可以使用iText来读取字段，然后使用jackson-dataformat-xml之类的内容将结果写为XML。一个基本的例子是：

// 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空间，但这可能是一个很好的起点。

如何自动将pdf表单字段导出到xml

5 个答案: