從 PDF 中提取 xdp 或 xfa

Question

我使用 Adob​​e LiveCycle Designer 創建了一個 PDF 表單。 我現在正在努力在填寫后以編程方式從 PDF 中提取數據。

我嘗試使用 poppler（qt4 綁定，但我想這無關緊要）來做到這一點，但顯然 poppler 無法處理 XFA 表單。 雖然 evince 和 okular 能夠顯示表單...

據我了解，PDF 包含一個 XDP，而 XDP 又包含 XFA 表單。 我的問題是，如何從 PDF 中提取該數據？

如果有庫，c++、java、python 或 PHP 是我的選擇。

Answer 1

組成 XFA 的 XML 文檔（ XDP 格式）作為XFA鍵的值存儲在AcroForm字典（交互式表單字典）中。 AcroForm字典引用自目錄字典（PDF 文檔的根目錄）。

XFA值可以是一個流或一個流數組。 如果它是一個流，則它包含整個 XML 文檔。 如果是數組，則不同的流包含單獨的 XDP 數據包。 連接它們將提供完整的 XML 文檔。

XDP 數據包之一是dataSets數據包。 實際的表單數據將位於此數據包的子元素中： 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>

任何提供對 PDF 對象的低級訪問的 PDF 庫都可用於提取 XML 文檔。 只需通過目錄> AcroForm > XFA導航。

一些 PDF 庫可能提供更高級的便利方法。

（免責聲明：我是 iText Software 的員工。 ）例如，使用 iText (Java)，您可以簡單地執行此操作以將 XFA 作為org.w3c.dom.Document ：

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

或者只是將dataSets數據包作為org.w3c.dom.Node ：

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