如何自动将pdf表单字段导出到xml

我有一个包含表单字段的pdf文件，需要将数据导出到一个自动的xml文件中。 这是我为测试创建的示例表单的屏幕：

在此处输入图像描述

注意：通过单击Tools > Form > Export Form Data ，最后使用Acrobat Professional 手动导出它，最后选择xml扩展名进行文件输出。 这是我手动导出时得到的结果： 

   John Doe

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 。 我可以使用哪些库或工具将表单字段数据导出到xml ？ 该工具或库应该是开源的 ，我可以将它集成到我的工作流程中。

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: pdfminer ：但是如何导出表单字段数据（在我的例子中是表单字段的内容） first_name和last_name ）??

编辑：随意下载sample.pdf文件。

Apache PDFBox怎么样？ 它是开源的，可以满足您的需求，因为该网站说“从PDF表单中提取表单数据或预填充PDF表单”。

编辑：查看PrintFields示例 。

在bash中，你可以这样做（至少使用我的这些工具版本，减去444和cat 8.13）： 

 less ~/Downloads/sample.pdf | cat

我得到的输出看起来像这样： 

 Static form header First name: John Last name: Doe

然后你可以使用Java / Python / awk / what来解析它。

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

在Java中，有一些库可以使用PDF，但通常很难从PDF获取格式化信息。 我从来没有实现那个东西，但Qoppa看起来很好，似乎是先进的，但它不是免费的。 它包含jPDFFields ，它可用于从表单字段中提取值。 还有一个类似的线程 ，其中有一些关于命令行工具的信息。

我希望它对你有所帮助。

我使用pdfminer取得了很大的成功： 

 pdf2txt.py -o out.xml -t xml sample.pdf

然后使用xpath和连接字符串解析它，从代码中使用它来跟踪代码

除此之外，还有一个名为tabula的新孩子，用ruby写的，我没有机会使用但是应该很棒

我理解您不愿意使用付费服务，但仍然值得一提的是Adobe有一个转换服务，在撰写本文时每月花费2美元， 请查看 ，只是说……

对于Java解决方案，您可以使用iText读取字段，然后使用jackson-dataformat-xml将结果写为XML。 一个有点基本的例子是： 

 // read fields final PdfReader reader = new PdfReader("/path/to/my.pdf"); final AcroFields fields = reader.getAcroFields(); final Map values = new HashMap<>(); for (String fieldName : (Set) fields.getFields().keySet()) { values.put(fieldName, fields.getField(fieldName)); } // write final XmlMapper mapper = new XmlMapper(); final String result = mapper.writeValueAsString(values); System.out.println(result);

这里肯定有一些改进空间，但它可能是一个很好的起点。

Interesting Posts