Java 如何将pdf表单字段自动导出为xml

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。下面是我为测试创建的示例表单的屏幕：

注意：使用Acrobat Professional手动导出它非常有效，方法是单击

Tools>Form>Export Form Data

，最后选择xml扩展名作为文件输出。这是手动导出时得到的结果：

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

约翰
雌鹿

但是，我需要实现自动化，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，我可以将其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

静态表单头

，

名字：

和

姓氏：

），但是如何导出表单字段数据（在我的例子中，表单字段的内容是

名字

和

姓氏

）

---

编辑：可以免费下载sample.pdf文件。

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Qoppa看起来不错，似乎很先进，但它不是免费的。它包含从表单字段中提取值时应该有用的内容。 还有一个，其中有一些关于命令行工具的信息

我希望它能对您有所帮助。

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

我得到的输出如下所示：

Static form header

First name:   John

Last name:    Doe

很明显，您可以使用Java/Python/awk/whatever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），您可以查看它是如何做到的。

我在以下方面取得了很大成功：

然后使用xpath和连接字符串对其进行解析，以便从代码跟踪代码

除此之外，街区里有一个新来的孩子叫ruby，是用ruby写的，我还没有机会使用它，但它应该很棒

---

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，在编写本文时每月花费2美元，只是说…

对于Java解决方案，您可以使用读取字段，然后将结果写入XML。A、 这有点基本，例如：

// read fields
final PdfReader reader = new PdfReader("/path/to/my.pdf");

final AcroFields fields = reader.getAcroFields();
final Map<String, Object> values = new HashMap<>();
for (String fieldName : (Set<String>) 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);

//读取字段
最终PdfReader阅读器=新PdfReader（“/path/to/my.pdf”）；
final AcroFields=reader.getAcroFields（）；
最终映射值=新HashMap（）；
for（String fieldName:（Set）fields.getFields（）.keySet（））{
value.put（fieldName，fields.getField（fieldName））；
}
//写
最终XmlMapper映射器=新的XmlMapper（）；
最终字符串结果=mapper.writeValueAsString（值）；
系统输出打印项次（结果）；

这里肯定有一些改进的空间，但这可能是一个足够好的起点。

怎么样？它是开源的，可以满足您的需要，因为网站上说“从PDF表单中提取表单数据或预先填充PDF表单。”

---

编辑：查看。

感谢您抽出时间。实际上，我正在寻找一个开源库或工具。对不起，我还没有提到。jpdfields将完成这项工作。我尝试了这个演示小程序，它可以工作，因为我可以将它导出为XML（XFDF）。但是，它不是开源的：-/你知道我在Windows机器上怎么做吗？你可以试试cygwin。或者，正如我在编辑中添加的那样，您可以查看less本身的功能，并尝试将代码移植到Windows。或者，您可以安装VMWare，启动虚拟机，让虚拟机执行此操作，然后返回结果。或者你可以启动一个EC2实例，让EC2实例执行，然后返回结果。谢谢你的想法。我将检查源代码，看看是否可以修改它。使用虚拟机还不是一种选择。我更喜欢在独立机器上运行的解决方案。我在AdobeAcrobatDC中填写了PDF的字段，但无法获取字段数据。答案就在那里，但是被二进制垃圾包围着。在GoogleChrome中填写相同的表单并打印成PDF文件，它具有可以检索的结构良好的XML。需要找到一个能理解所有PDF格式字段的库。你能用pdfminer导出格式字段吗？因为我不是。我尝试使用（pdf2text演示页面）转换我的pdf示例文件（如上所述）[要提取表单字段，但导出仅限于静态字段。我还没有在ruby中做任何事情，但这可能是一个选项。我将对此进行研究。此外，我将在一秒钟内测试您的命令行代码段，以确保我以前使用它时没有做错。好吧，pdfminer上没有字段的概念，但是使用正确的xpath，您可以走得更远。如果值得的话，您可以提供一个小示例或链接吗？在我看来，我无法想象在输出文件（从pdf转换为文本）时如何使用xpath提取内容不包含任何表单字段数据。我做对了吗？这应该转换为当前版本我已经尝试了此解决方案，但如果我记得正确，我无法使用

fields=resolve1（doc.catalog['AcroForm']）['fields']

。但是，我会再试一次。必须有某种方法导出表单字段。如果我可以将表单字段内容存储在对象中而不将其解析为xml，我也会感到满意。我会让您不断更新。iText不是开源的，对吧？至少我没有看到开源库。如果它不是开源的，它就不是一个选项，因为我我们只能使用该功能提取表单字段数据

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

// read fields
final PdfReader reader = new PdfReader("/path/to/my.pdf");

final AcroFields fields = reader.getAcroFields();
final Map<String, Object> values = new HashMap<>();
for (String fieldName : (Set<String>) 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);