如何将pdf表单字段自动导出到xml

Question

我有一个包含表单字段的pdf文件，需要将数据自动导出到xml文件中。下面是我为测试而创建的示例表单的屏幕：

​

​

注意:通过单击Tools > Form > Export Form Data，使用Acrobat手动导出它非常有效，最后选择了输出。这是当我手动导出它时得到的结果：

<?xml version="1.0" encoding="UTF-8"?>
<fields>
    <first_name>John</first_name>
    <last_name>Doe</last_name>
</fields>

但是，我需要自动化它，例如使用python脚本、Java实现或一些命令行工具。有哪些库或工具可以用于将表单字段数据导出到xml？工具或库应该是开放源码，这样我就可以将它集成到工作流中。

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:欢迎下载sample.pdf文件这里。

Answer 1

Apache PDFBox怎么样？它是开源的，可以满足你的需要，因为网站上写着“从PDF表单中提取表单数据或预先填写PDF表单。”

编辑:查看PrintFields实例。

Answer 2

在bash中，您可以这样做(至少可以使用我版本的这些工具，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

显然，您可以使用Java/Python/awk/什么来解析它。

当然，或者，如果您不想依赖这些版本的特定版本的行为(不确定它们是否总是这样做)，您可以查找less的源代码来查看它是如何做到的。

Answer 3

在Java中，有一些库可以使用PDF，但通常很难从PDF中获取格式化信息。我从来没有实现过那个东西，但是Qoppa看起来很好，看起来很先进，但它不是免费的。它包含jPDFFields，对于从表单字段提取值应该很有用。还有一个相似螺纹，其中包含一些关于命令行工具的信息。

我希望这对你有帮助。