从 PDF 中提取 xdp 或 xfa

Question

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

我尝试使用 poppler（qt4 绑定，但我想这无关紧要）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，c++、java、python 或 PHP 是我的选择。

Answer 1

组成 XFA 的 XML 文档（ XDP 格式）作为XFA键的值存储在AcroForm字典（交互式表单字典）中。 AcroForm字典引用自目录字典（PDF 文档的根目录）。

XFA值可以是一个流或一个流数组。 如果它是一个流，则它包含整个 XML 文档。 如果是数组，则不同的流包含单独的 XDP 数据包。 连接它们将提供完整的 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 。 例子：

<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。 只需通过目录> AcroForm > XFA导航。

一些 PDF 库可能提供更高级的便利方法。

（免责声明：我是 iText Software 的员工。 ）例如，使用 iText (Java)，您可以简单地执行此操作以将 XFA 作为org.w3c.dom.Document ：

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 ：

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