Question

我有一个PDF文件，它实质上是一种表格。我需要退回可填补的位置；要填充的字段，它们的页码及其坐标，我可以在其中放置边界框。

我已经采用了各种方法来处理该问题，但事实证明，使用PDF非常困难。

有关PDF文件的详细信息：

from pdfrw import PdfReader
pdf = PdfReader('RED-46808(Short).pdf')
print(pdf.keys())
print(pdf.Info)
print(pdf.Root.keys())
print('PDF has {} pages'.format(len(pdf.pages)))

哪个返回：

['/Root', '/Info', '/ID', '/Size']
{'/CreationDate': "(D:20171003184937+08'00')", '/Creator': '(Microsoft® Word 2013)', '/ModDate': '(D:20200214163844Z)', '/Producer': '(Microsoft® Word 2013)'}
['/AcroForm', '/Lang', '/MarkInfo', '/Metadata', '/Names', '/OutputIntents', '/Pages', '/StructTreeRoot', '/Type']
PDF has 5 pages

到目前为止，我所做的是；我可以阅读页面并填写表格，大多数情况下都是命中注定要错过的，但是我不想填写表格，我只需要获取表格应填写的坐标并放置边界框放在适当的位置。

import os
import pdfrw


INVOICE_TEMPLATE_PATH = 'RED-46808(Short).pdf'
INVOICE_OUTPUT_PATH = 'output.pdf'


ANNOT_KEY = '/Annots'
ANNOT_FIELD_KEY = '/T'
ANNOT_VAL_KEY = '/V'
ANNOT_RECT_KEY = '/Rect'
SUBTYPE_KEY = '/Subtype'
WIDGET_SUBTYPE_KEY = '/Widget'


def write_fillable_pdf(input_pdf_path, output_pdf_path, data_dict):
    template_pdf = pdfrw.PdfReader(input_pdf_path)
    annotations = template_pdf.pages[0][ANNOT_KEY]
    for annotation in annotations:
        if annotation[SUBTYPE_KEY] == WIDGET_SUBTYPE_KEY:
            if annotation[ANNOT_FIELD_KEY]:
                key = annotation[ANNOT_FIELD_KEY][1:-1]
                if key in data_dict.keys():
                    annotation.update(
                        pdfrw.PdfDict(V='{}'.format(data_dict[key]))
                    )
#     pdfrw.PdfDict(AP=data_dict[key], V=data_dict[key])
    pdfrw.PdfWriter().write(output_pdf_path, template_pdf)



data_dict = {
   'business_name_1': 'Bostata',
   'customer_name': 'company.io',
   'customer_email': 'joe@company.io',
   'invoice_number': '102394',
   'send_date': '2018-02-13',
   'due_date': '2018-03-13',
   'note_contents': 'Thank you for your business, Joe',
   'item_1': 'Data consulting services',
   'item_1_quantity': '10 hours',
   'item_1_price': '$200/hr',
   'item_1_amount': '$2000',
   'subtotal': '$2000',
   'tax': '0',
   'discounts': '0',
   'total': '$2000',
   'business_name_2': 'Bostata LLC',
   'business_email_address': 'hi@bostata.com',
   'business_phone_number': '(617) 930-4294'
}

if __name__ == '__main__':
    write_fillable_pdf(INVOICE_TEMPLATE_PATH, INVOICE_OUTPUT_PATH, data_dict)

上面的代码并不总是返回填充有标记字段的PDF，不是特别有用。我不知道从这里去哪里。如果有人可以帮助我，因为我用尽了几乎所有资源。我是刚接触PDF的人。

Answer 1

如果还没有，请尝试使用pdfminer！它具有强大的支持和许多强大的功能。

您也可以尝试使用PyMuPDF，它可以帮助您查找文本，还可以使用PyPDF2突出显示内容。它不会创建边界框，但是您可能可以在未填写的标签旁边输入一些文本，例如“空字段”，并突出显示它，这可以替代您的要求。

我不确定python中是否有任何基于pdf的软件包可能会创建边界框。

要专门创建边界框，您可能必须将pdf转换为图像，在图像中标识出未填充的选项卡，然后使用OpenCV之类的程序包绘制边界框，这会很麻烦，我我不确定这种方法是否会一直有效并且从长远来看是否可行。再一次，您还需要将该图像转换回pdf。因此，这是一个相当长的管道。

读取PDF表单文件并返回可填写的字段坐标和字段名称

1 个答案: