pdfminer错误消息:不允许提取pdfminer.pdfdocument.PDFTextExtractionNotAllowed:文本

Question

我需要处理一些PDF文件，并在数据库中添加它们的表单域内容。

此文档未设置安全方法，正如我在PDF Viewer文档属性中看到的那样。

我尝试了我找到的here的建议。

当我使用pdfminer (或pdfminer.six)进行测试时，我没有收到错误消息，但它没有检索任何字段。

使用PyPDF2时，我得到错误消息：“文件尚未解密”。

这是pdfminer代码：

import sys
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdftypes import resolve1

fname=r'D:\Atrium\Projects\CTFC\psgf\database\19022021\formulari-dinamic-redaccio-plans-simples-gestio-forestal_Filled.pdf'
fp = open(fname, '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))
print('Done!')

示例文件可以从here下载。

如何获取字段名称和内容？

Answer 1

正如mkl解释的那样，我的PDF文件以XFA form格式存储表单数据，XFA form是一种不推荐的格式。XFA是一个XML文档数组，我必须在每个文档中获取字段名。

我使用PyPDF2库来做到这一点：

import PyPDF2 as pypdf
import xml.etree.ElementTree as ET

fname=r'form.pdf'

def findInDict(needle, haystack):
    xlas = []
    for key in haystack.keys():
        try:
            value=haystack[key]
        except:
            continue
        if key==needle:
            return value
        if isinstance(value,dict):
            x=findInDict(needle,value)
            if x is not None:
                return x

pdfobject=open(fname,'rb')
pdf=pypdf.PdfFileReader(pdfobject)
xfaparts=findInDict('/XFA',pdf.resolvedObjects)

for xfa in xfaparts:
    if isinstance(xfa,pypdf.generic.IndirectObject):
        xml = str(xfa.getObject().getData())
        ## Then process XML to find form tags