PDFBox从无密码加密的PDF中提取空白

Question

我怀疑它没有正确解密，因为它能够拉动表单的文本提示，但不能拉动响应本身。在下面的代码中，它从示例PDF中提取地址（街道名称和号码）和城市，但不是它们之间的响应。

我正在使用PDFBox2.0，但我也尝试过1.8。

我已经尝试了所有的解密方法，我可以找到的PDFBox，包括不推荐的那些（为什么不）。我得到的结果与完全不尝试解密一样，只是地址和城市提示。

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPageTree;
import org.apache.pdfbox.pdmodel.encryption.StandardDecryptionMaterial;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import java.io.File;
import org.apache.pdfbox.pdmodel.PDPage;
import java.awt.Rectangle;
import java.util.List;


class Scratch {

    private static float pwidth;
    private static float pheight;

    private static int widthByPercent(double percent) {
        return (int)Math.round(percent * pwidth);
    }

    private static int heightByPercent(double percent) {
        return (int)Math.round(percent * pheight);
    }

    public static void main(String[] args) {
        try {
            //Create objects
            File inputStream = new File("ocr/TestDataFiles/i-9_08-07-09.pdf");

            PDDocument document = PDDocument.load(inputStream);

            // Try every decryption method I've found
            if(document.isEncrypted()) {

                // Method 1
                document.decrypt("");

                // Method 2
                document.openProtection(new StandardDecryptionMaterial(""));

                // Method 3
                document.setAllSecurityToBeRemoved(true);

                System.out.println("Removed encryption");
            }

            PDFTextStripperByArea stripper = new PDFTextStripperByArea();

            //Get the page with data on it
            PDPageTree allPages = document.getDocumentCatalog().getPages();
            PDPage page = allPages.get(3);

            pheight = page.getMediaBox().getHeight();
            pwidth = page.getMediaBox().getWidth();

            Rectangle LastName = new Rectangle(widthByPercent(0.02), heightByPercent(0.195), widthByPercent(0.27), heightByPercent(0.1));
            stripper.addRegion("LastName", LastName);
            stripper.setSortByPosition(true);
            stripper.extractRegions(page);
            List<String> regions = stripper.getRegions();

            System.out.println(stripper.getTextForRegion("LastName"));

        } catch (Exception e){
            System.out.println(e.getMessage());
        }
    }
}

Answer 1

Brunos的评论解释了为什么PDF是加密的，即使您不需要输入密码：

PDF可以用两个密码加密：用户密码和所有者密码。当使用用户密码加密PDF时，如果不输入该密码，就无法在PDF查看器中打开文档。当PDF仅使用所有者密码加密时，每个人都可以在没有该密码的情况下打开PDF，但可能会有一些限制。您可以识别使用所有者密码加密的PDF，因为它们在Adobe Reader中提到了“安全”。

您的PDF仅使用所有者密码加密，即用户密码为空。因此，您可以使用空密码“”对其进行解密，如下所示：

document.decrypt("");

document.openProtection(new StandardDecryptionMaterial(""));

蒂尔曼提案

doc.getDocumentCatalog().getAcroForm().getField("form1[0].#subform[3].address[0]").getValueAsString()

演示如何提取您知道其名称的表单字段的值，在本例中为“Form1[0].#Subform[3].Address[0]”。如果您不知道要从中提取内容的字段的名称，则Doc.GetDocumentCatalog（）.GetAcroForm()返回的PDAcroForm对象有许多其他方法可以访问字段内容。

顺便说一句，AcroForm定义中类似“form1[0].#subform[3].address[0]”的字段名称表明了PDF的另一个特点：它实际上包含两个表单定义，核心PDF AcroForm定义和更独立的XFA定义。两者都描述了相同的视觉形式。这样的PDF表单称为混合PDF表单。