Python pdfminer错误消息:pdfminer.pdfdocument.PDFTextExtractionNotAllowed:不允许文本提取
我需要处理一些PDF文件,并将其表单字段内容添加到数据库中 正如我在PDF Viewer文档属性中看到的,此文档未设置安全方法 我尝试了我找到的建议 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,我得到错误消息:“文件尚未解密。” 这是pdfminer代码:Python pdfminer错误消息:pdfminer.pdfdocument.PDFTextExtractionNotAllowed:不允许文本提取,python,pdf,pdfminer,Python,Pdf,Pdfminer,我需要处理一些PDF文件,并将其表单字段内容添加到数据库中 正如我在PDF Viewer文档属性中看到的,此文档未设置安全方法 我尝试了我找到的建议 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,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 im
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!')
可以下载一个示例文件
如何获取字段名和内容?正如mkl所解释的,我的PDF文件以XFA格式存储表单数据,XFA格式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库来实现这一点:
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
您的示例文件包含一个XFA表单,即不是您要查找的正常AcroForm表单定义。带有XFA表单的PDF是一种不推荐使用的技术。Tks!但是,PDF表单已经填写完毕,如何访问数据字段,或者您知道是否有任何工具可以在Acroform中转换XFA?实际上,XFA表单定义是一个xml文件,可以作为一个整体嵌入,也可以作为一个部分嵌入。您可以提取它并从xml中读取数据。它作为键XFA的值位于AcroForm字典中。