从PDF中提取xdp或xfa

Question

我用Adobe LiveCycle Designer创建了一个PDF表单。我现在正在努力从PDF中以编程方式提取填充后的数据。

我尝试使用poppler（qt4绑定，但我想这并不重要），但显然poppler无法处理XFA表单。虽然evince和okular能够显示表单。。。

据我所知，PDF包含一个XDP，而XDP又包含XFA表单。我的问题是，我如何从PDF中提取这些数据？

Answer 1

构成XFA的XML文档（XDP格式）作为XFA键的值存储在AcroForm字典（交互式表单字典）中。AcroForm字典从Catalog字典（PDF文档的根）中引用。

XFA值可以是流或流数组。如果是流，它包含整个XML文档。如果是数组，不同的流包含单独的XDP数据包。将它们连接起来将获得完整的XML文档。

其中一个XDP数据包是dataSets数据包。实际的表单数据将在此数据包的子元素中：xfa： data。示例：

<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>

任何提供对PDF对象的低级访问的PDF库都可以用于提取XML文档。只需在目录中导航

一些PDF库可能提供更高级的方便方法。

（免责声明：我是iText软件公司的员工。）例如，使用iText（Java），您可以简单地将XFA作为一个组织来实现。w3c。dom。文档：

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

或者仅仅以组织的形式获取数据集数据包。w3c。dom。节点：

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