PDFBox 1.8.12中的XFA建筑，而不是2.0.4中的XFA建筑

Question

我曾尝试从文件中提取XFA，在我将PDFBox从1.8.12更新到2.0.4之前，它对我来说效果很好。

我有一个文件，我可以从使用1.8.12但不使用2.0.4提取XFA。

当我用2.0.4的PDFBox提取它时，我得到了XFA的结构，但是几乎所有的值都不见了。另一方面，当我试图用1.8.12提取相同的形式时，结果很好。

我调查了一个类似的问题。据说是在2.0.4中修复的，但我仍然面临一些问题。

有什么想法吗？

我已经包括了文件

生成的XFA-1.8.12

生成的XFA-2.0.4

使用的文件

编辑#1

对于2.0.4

    // returns PDXFA
    public static byte[] getParsableXFAForm(File file) {
        if (file == null)
            return null;
        PDDocument doc;
        PDDocumentCatalog catalog;
        PDAcroForm acroForm;

        PDXFAResource xfa;
        try {
//            String pass = null;
            doc = PDDocument.load(file);
            if (doc == null)
                return null;
//             flattenPDF(doc);
            doc.setAllSecurityToBeRemoved(true);
            // System.out.println("Security " + doc.isAllSecurityToBeRemoved());
            catalog = doc.getDocumentCatalog();
            if (catalog == null) {
                doc.close();
                return null;
            }
            acroForm = catalog.getAcroForm();
            if (acroForm == null) {
                doc.close();
                return null;
            }
            xfa = acroForm.getXFA();
            if (xfa == null) {
                doc.close();
                return null;
            }
            // TODO return byte[]
            byte[] xfaBytes = xfa.getBytes();
            doc.close();
            return xfaBytes;
        } catch (IOException e) {
            // handle IOException
            // happens when the file is corrupt.
            e.printStackTrace();
            System.out.println("XFAUtils-getParsableXFAForm-IOException");
            return null;
        }
    }

对于1.8.12

public static byte[] getParsableXFAForm(File file) {
        if (file == null)
            return null;
        PDDocument doc;
        PDDocumentCatalog catalog;
        PDAcroForm acroForm;
        PDXFA xfa;
        try {
            doc = PDDocument.loadNonSeq(file, null);
            if (doc == null)
                return null;
            // flattenPDF(doc);
            doc.setAllSecurityToBeRemoved(true);
            // System.out.println("Security " + doc.isAllSecurityToBeRemoved());
            catalog = doc.getDocumentCatalog();
            if (catalog == null) {
                doc.close();
                return null;
            }
            acroForm = catalog.getAcroForm();

            if (acroForm == null) {
                doc.close();
                return null;
            }
            xfa = acroForm.getXFA();
            if (xfa == null) {
                doc.close();
                return null;
            }
            // TODO return byte[]
            byte[] xfaBytes = xfa.getBytes();
            doc.close();
            return xfaBytes;
        } catch (IOException e) {
            // handle IOException
            // happens when the file is corrupt.
//          e.printStackTrace();
            System.out.println("XFAUtils-getParsableXFAForm-IOException");
            return null;
        }
}

Answer 1

在您的PDF中有6个版本，在此过程中XFA表单被越来越多地填写。您的1.8.12代码提取XFA表单的最新版本，而您的2.0.4代码提取XFA表单的最旧版本。

我使用PDFBox版本2.0.4、2.0.5和当前的开发快照2.1.0-snapshot运行了您的2.0.4代码。在版本2.0.4中，我确实可以重现加载了XFA表单的最旧版本，但使用2.0.5或2.1.0-SNAPSHOT加载了当前版本。

这似乎是PDFBox2.0.0...2.0.4中的一个缺点，该缺点已在2.0.5中得到修复。

由于PDFBox 2.0.4中的一个错误从错误版本的文件中读取XFA表单似乎是不可信的，所以我进一步研究了这个问题。

特别是我仔细查看了PDF文件本身。事实证明，该文件在实际的PDF文件头之前有10个垃圾字节！

这些额外的垃圾字节使得交叉引用和相对于文件开始的偏移都是错误的。因此，PDFBox无法以常规方式解析文件，而是必须进行某种修复。

看看2.0.4和2.0.5之间的差异，特别是在修复交叉引用和偏移损坏的PDF的代码中发生了重大变化。虽然PDFBox 2.0.4只能部分修复文件（只找到最初的XFA版本），但PDFBox 2.0.5成功地进行了更完整的修复，特别是找到了最新的XFA版本。

修复了OP的PDF（即删除了前面的垃圾字节，参见XFA File fixed.PDF），我可以使用PDFBox版本2.0.0成功提取当前的XFA表单修订版。。。2.0.4也是。

因此，这并不像我最初设想的那样是一个PDFBox缺陷，而只是一个破损的PDF文件，在PDFBox 2.0.5改进之前，PDFBox文件修复html" target="_blank">功能无法正确修复。