pdfminer不会从填写的pdf表单中提取数据

Question

我正在尝试使用pdfminer以pdf格式提取已填写的内容。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. 点击顶部第四份报告旁边的“创建报告”（即银行业组织系统风险报告（FR Y-15））
3. 点击“您的财务报告请求已准备就绪”

要以蓝色提取内容，我复制了this post的代码：

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并且它有效，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，安全设置显示所有操作的“允许”。我也尝试过使用pdfminer的pdf2txt.py功能（参见here），但原始pdf格式（我想要的）字段中的填写数据不在转换后的文本文件中;只转换了pdf的“平面”不可填写部分。有趣的是，如果我使用Adobe Reader的另存为文本将pdf转换为文本文件，则可转换文本文件中的可填充部分 。这就是我为解决失败的代码所做的工作。

知道如何直接从pdf表单中提取数据吗？感谢。

Answer 1

我只能解释问题是什么，但无法提供解决方案，因为我没有正常的Python知识。

您的代码会迭代 AcroForm Fields 数组的直接子代，并期望它们代表表单字段。

虽然这种期望经常得到满足，但它实际上只代表一种特殊情况：表单字段被排列为树结构，其中 Fields 数组作为根元素，例如如果你的样本文件有大树：

因此，您必须进入结构，而不是仅仅遍历 Fields 的直接子项，以查找所有表单域。