getAcroForm（）方法返回空值，但是使用PDFTextStripper我可以读取完整文本

Question

我有一个PDF文档，我想阅读该文档的字段，但是PDAcroForm中的docCatalog.getAcroForm();对象为空。使用PDFTextStripper可以获取完整的pdf文本，但是我想阅读字段。

文档is here。

Answer 1

您共享的PDF 不不包含任何AcroForm表单字段。

如果使用PDF浏览器（例如iText RUPS或PDFBox PDFDebugger）检查文件，则会看到目录仅包含页面和输入条目：

尤其是，没有 AcroForm 条目捆绑AcroForm表单的数据。因此，docCatalog.getAcroForm();无法返回任何现有的字段结构。

查看最后一个 Contents 流，例如第1页，有人看到

Q
q
Q
q
1 0 0 1 329.78 655.45 cm
/Xi5 Do
Q
q
Q
q
1 0 0 1 324.17 624.51 cm
/Xi8 Do
Q
q
Q
q
1 0 0 1 265.95 702.31 cm
/Xi10 Do
Q
q
Q
q
1 0 0 1 554.46 655.6 cm
/Xi17 Do
Q
...

这对于通常包含 AcroForm表单定义（然后被展平到页面内容中）的PDF来说，对于每个以前的表单字段都是XObject（定义了表单字段小部件注释的外观），现在可以直接从页面内容流中引用。

因此，提取内容的唯一方法是通过文本提取。

---

文本提取的一个明显问题是，可能难以区分以前的字段内容和静态形式的文本（如标签）。根据PDF的数量，您必须从中提取数据可能值得扩展PDFTextStripper来为从某些XObject内容中提取的文本添加一些标记（与立即页面内容相反）。这样的标记可以让您很好地区分。