如何知道某个字段是否在特定页面上？

Question

PDFbox内容流是按页面完成的，但是字段来自于来自目录的表单，该目录来自pdf
doc本身。因此，我不确定哪些字段位于哪些页面上，以及导致将文本写到错误的位置/页面上的原因。

即。我正在处理每页的字段，但不确定哪些字段在哪些页面上。

有没有办法告诉哪个字段在哪个页面上？或者，是否有办法只获取当前页面上的字段？

谢谢！

标记

代码段：

PDDocument pdfDoc = PDDocument.load(file);
PDDocumentCatalog docCatalog = pdfDoc.getDocumentCatalog();
PDAcroForm acroForm = docCatalog.getAcroForm();

// Get field names
List<PDField> fieldList = acroForm.getFields();
List<PDPage> pages = pdfDoc.getDocumentCatalog().getAllPages();
for (PDPage page : pages) {
  PDPageContentStream contentStream = new PDPageContentStream(pdfDoc, page, true, true, true);
  processFields(acroForm, fieldList, contentStream, page);
  contentStream.close();
}

Answer 1

PDFbox内容流是按页面完成的，但是字段来自于来自目录的表单，该目录来自pdf doc本身。所以我不确定哪些字段在哪些页面上

其原因是PDF包含定义表单的全局html" target="_blank">对象结构。此结构中的表单字段在0、1或更多实际PDF页面上可能具有0、1或更多可视化效果。此外，在仅一个可视化的情况下，允许将现场对象和可视化对象合并。

PDFBox 1.8.x

不幸的是，PDFBox中的PDAcroForm和PDField对象仅表示此对象结构，无法轻松访问相关页面。但是，通过访问基础结构，您可以建立连接。

以下代码应明确说明如何执行此操作：

@SuppressWarnings("unchecked")
public void printFormFields(PDDocument pdfDoc) throws IOException {
    PDDocumentCatalog docCatalog = pdfDoc.getDocumentCatalog();

    List<PDPage> pages = docCatalog.getAllPages();
    Map<COSDictionary, Integer> pageNrByAnnotDict = new HashMap<COSDictionary, Integer>();
    for (int i = 0; i < pages.size(); i++) {
        PDPage page = pages.get(i);
        for (PDAnnotation annotation : page.getAnnotations())
            pageNrByAnnotDict.put(annotation.getDictionary(), i + 1);
    }

    PDAcroForm acroForm = docCatalog.getAcroForm();

    for (PDField field : (List<PDField>)acroForm.getFields()) {
        COSDictionary fieldDict = field.getDictionary();

        List<Integer> annotationPages = new ArrayList<Integer>();
        List<COSObjectable> kids = field.getKids();
        if (kids != null) {
            for (COSObjectable kid : kids) {
                COSBase kidObject = kid.getCOSObject();
                if (kidObject instanceof COSDictionary)
                    annotationPages.add(pageNrByAnnotDict.get(kidObject));
            }
        }

        Integer mergedPage = pageNrByAnnotDict.get(fieldDict);

        if (mergedPage == null)
            if (annotationPages.isEmpty())
                System.out.printf("i Field '%s' not referenced (invisible).\n", field.getFullyQualifiedName());
            else
                System.out.printf("a Field '%s' referenced by separate annotation on %s.\n", field.getFullyQualifiedName(), annotationPages);
        else
            if (annotationPages.isEmpty())
                System.out.printf("m Field '%s' referenced as merged on %s.\n", field.getFullyQualifiedName(), mergedPage);
            else
                System.out.printf("x Field '%s' referenced as merged on %s and by separate annotation on %s. (Not allowed!)\n", field.getFullyQualifiedName(), mergedPage, annotationPages);
    }
}

当心 ，PDFBox PDAcroForm表单字段处理中有两个缺点：

1. PDF规范允许定义表单的全局对象结构为一棵深树，即，实际字段不必是根的直接子代，而可以通过内部树节点来组织。PDFBox会忽略这一点，并希望这些字段是根的直接子代。

2. 某些原始的PDF（最早的PDF）不包含域树，而仅通过可视化的窗口小部件注释引用页面中的域对象。PDFBox在其PDAcroForm.getFields列表中看不到这些字段。

PS：
@mikhailvs在他的答案中正确显示，您可以使用来从字段窗口小部件检索页面对象，PDField.getWidget().getPage()并使用确定其页码catalog.getAllPages().indexOf。这种getPage()方法虽然速度很快，但有一个缺点：它从小部件注释字典的
可选
条目中检索页面引用。因此，如果您处理的PDF是由填充该条目的软件创建的，那么一切都很好，但是，如果PDF创建者尚未填充该条目，那么您得到的只是一个null页面。

PDFBox 2.0.x

在2.0.x中，用于访问有问题的元素的某些方法已更改，但整体情况没有改变，要安全地检索小部件的页面，您仍然必须遍历页面并找到引用注释的页面。

安全方法：

int determineSafe(PDDocument document, PDAnnotationWidget widget) throws IOException
{
    COSDictionary widgetObject = widget.getCOSObject();
    PDPageTree pages = document.getPages();
    for (int i = 0; i < pages.getCount(); i++)
    {
        for (PDAnnotation annotation : pages.get(i).getAnnotations())
        {
            COSDictionary annotationObject = annotation.getCOSObject();
            if (annotationObject.equals(widgetObject))
                return i;
        }
    }
    return -1;
}

快速方法

int determineFast(PDDocument document, PDAnnotationWidget widget)
{
    PDPage page = widget.getPage();
    return page != null ? document.getPages().indexOf(page) : -1;
}

用法：

PDAcroForm acroForm = document.getDocumentCatalog().getAcroForm();
if (acroForm != null)
{
    for (PDField field : acroForm.getFieldTree())
    {
        System.out.println(field.getFullyQualifiedName());
        for (PDAnnotationWidget widget : field.getWidgets())
        {
            System.out.print(widget.getAnnotationName() != null ? widget.getAnnotationName() : "(NN)");
            System.out.printf(" - fast: %s", determineFast(document, widget));
            System.out.printf(" - safe: %s\n", determineSafe(document, widget));
        }
    }
}

（ 确定小部件页面.java）

（与1.8.x代码相反，这里的安全方法只是搜索单个字段的页面。如果在代码中必须确定许多小部件的页面，则应Map像在1.8.x情况下那样创建查找。 ）

示例文件

快速方法失败的文档：aFieldTwice.pdf

快速方法适用的文档：test_duplicate_field2.pdf