pdfminer 错误消息：pdfminer.pdfdocument.PDFTextExtractionNotAllowed：不允许提取文本

问题描述

我需要处理一些 PDF 文件并将它们的表单域内容添加到数据库中。

此文档没有设置安全方法，正如我在 PDF 查看器文档属性中看到的那样。

我尝试了我找到的建议 here。

当我使用 pdfminer（或 pdfminer.six）进行测试时，我没有收到错误消息，但它没有检索到任何字段。

使用 PyPDF2，我收到错误消息：“文件尚未解密。”

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!')

可以下载示例文件 here。

如何获取字段名称和内容？

解决方法

正如 mkl 所解释的，我的 PDF 文件以 XFA 格式存储表单数据，这是一种已弃用的格式。 XFA 是一组 XML 文档，我必须在每个文档中获取字段名称。

我使用 PyPDF2 库来做到这一点：

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

pdf pdfminer python