pdf - 从 PDF 中提取 xdp 或 xfa

Question

我使用 Adob​​e LiveCycle Designer 创建了一个 PDF 表单。我现在正努力在填写完 PDF 后以编程方式从 PDF 中提取数据。

我尝试使用 poppler (qt4 绑定(bind)，但我想这并不重要)来做到这一点，但显然 poppler 无法处理 XFA 表单。虽然 evince 和 okular 能够显示表单...

据我了解，PDF 包含一个 XDP，而 XDP 又包含 XFA 表单。我的问题是，如何从 PDF 中提取该数据？

如果有库，我的选择是 c++、java、python 或 PHP。

Answer 1

构成 XFA 的 XML 文档(XDP 格式)作为 AcroForm 字典中 XFA 键的值存储(交互式表格词典)。 AcroForm 字典是从 Catalog 字典(PDF 文档的根)引用的。

XFA 值可以是流或流数组。如果它是一个流，则它包含整个 XML 文档。如果它是一个数组，则不同的流包含单独的 XDP 数据包。连接它们将得到完整的 XML 文档。

XDP 数据包之一是dataSets 数据包。实际的表单数据将位于此数据包的子元素中:xfa:data。示例:

<xfa:dataSets xmlns:xfa="http://www.xfa.org/schema/xfa-data/1.0/">
  <xfa:data>
    <!-- arbitrary XML data, e.g.: -->
    <Employee>
      <FirstName>John</FirstName>
      <Name>Doe</Name>
    </Employee>
  </xfa:data>
</xfa:dataSets>

任何提供对 PDF 对象的低级访问的 PDF 库都可用于提取 XML 文档。只需浏览目录> AcroForm> XFA即可。

某些 PDF 库可能提供更高级的便捷方法。

(免责声明:我是 iText Software 员工。)例如，使用 iText (Java)，您可以简单地执行此操作来获取 org.w3c.dom.Document 形式的 XFA:

PdfReader reader = new PdfReader(pdfFile);
XfaForm xfa = reader.getAcroFields().getXfa();
org.w3c.dom.Document doc = xfa.getDomDocument();

或者只是将dataSets数据包作为org.w3c.dom.Node获取:

org.w3c.dom.Node datasets = xfa.getDatasetsNode();