Estoy tratando de usar Python para procesar algunos formularios PDF que se completaron y firmaron utilizando Adobe Acrobat Reader.¿Cómo extraer campos PDF de un formulario completo en Python?
que he probado:
- La demo pdfminer: no volcar cualquiera de los datos rellenados.
- pyPdf: maxed un núcleo durante 2 minutos cuando traté de cargar el archivo con PdfFileReader (f) y me rendí y lo maté.
- Jython y PDFBox: funciona bien, pero el tiempo de inicio es excesivo, solo escribiré una utilidad externa en Java directo si esa es mi única opción.
Puedo seguir buscando bibliotecas y probarlas, pero espero que alguien ya tenga una solución eficiente para esto.
Actualización: Sobre la base de la respuesta de Steven Miré en pdfminer y se hizo el truco muy bien.
from argparse import ArgumentParser
import pickle
import pprint
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdftypes import resolve1, PDFObjRef
def load_form(filename):
"""Load pdf form contents into a nested list of name/value tuples"""
with open(filename, 'rb') as file:
parser = PDFParser(file)
doc = PDFDocument()
parser.set_document(doc)
doc.set_parser(parser)
doc.initialize()
return [load_fields(resolve1(f)) for f in
resolve1(doc.catalog['AcroForm'])['Fields']]
def load_fields(field):
"""Recursively load form fields"""
form = field.get('Kids', None)
if form:
return [load_fields(resolve1(f)) for f in form]
else:
# Some field types, like signatures, need extra resolving
return (field.get('T').decode('utf-16'), resolve1(field.get('V')))
def parse_cli():
"""Load command line arguments"""
parser = ArgumentParser(description='Dump the form contents of a PDF.')
parser.add_argument('file', metavar='pdf_form',
help='PDF Form to dump the contents of')
parser.add_argument('-o', '--out', help='Write output to file',
default=None, metavar='FILE')
parser.add_argument('-p', '--pickle', action='store_true', default=False,
help='Format output for python consumption')
return parser.parse_args()
def main():
args = parse_cli()
form = load_form(args.file)
if args.out:
with open(args.out, 'w') as outfile:
if args.pickle:
pickle.dump(form, outfile)
else:
pp = pprint.PrettyPrinter(indent=2)
file.write(pp.pformat(form))
else:
if args.pickle:
print pickle.dumps(form)
else:
pp = pprint.PrettyPrinter(indent=2)
pp.pprint(form)
if __name__ == '__main__':
main()
Como nota, también intenté usar pdftk como una utilidad externa y no pasó la contraseña del propietario. – Olson