OmniDoc入力された PDF フォームのテキストが抽出できないのはなぜですか?
AcroForm フィールドの値は、ページに描画されたテキストとは異なるソースから取得されます。以下では、PyMuPDF を使用してテキスト フィールドを構築し、pypdf を使用してそれを読み取ります。 XFA は関与しておらず、フィールド値が見た目と一致している必要があるとも主張しません。フォームがない場合は、辞書にないキーを使用して直接インデックスを作成しないでください。
入力された PDF フォームの内容を抽出できないのはなぜですか?一文の結論
フォームフィールドの値は、特別なフォームインターフェイスを通じて読み取る必要があります。 extract_text() ではそれらを取り出すことは期待できず、フィールド抽出は別のステップとして受け入れられる必要があります。
| あなたの状況 | 推奨される実践方法 | 理由 |
|---|---|---|
| フィールドが存在するので、入力する必要があります。 | フィールド値の読み取り | フィールド値は /AcroForm に保存されますが、これはページ テキストと同じソースではありません。 |
| ファイル内にフォームがありません | フォームなしステータスとして処理します | 辞書にないキーを直接インデックスするとエラーが発生します。 |
| ファイルはXFA形式です | 個人の特定と処理範囲の明確化 | この記事には XFA は含まれておらず、通常の AcroForm コードではカバーできるとは限りません。 |
| フォームに入力するときに「変更を保存」プロンプトがポップアップ表示されないようにします | auto_regenerate を False に設定します | デフォルトの True は、リーダーをトリガーしてフィールドの外観を再レンダリングします。 |
| アーカイブまたは翻訳の前に静的バージョンが必要です | 最初に flatten=True、次に /Widget 注釈を削除し、元の注釈を保持します。 | フラット化は元に戻すことができず、その後は通常のドキュメントとしてのみ処理できます。 |
プログラムを使用して入力済みの PDF フォームを読み取ったものの、返されたテキストには「名前:」や「日付:」などの静的タグのみが含まれており、ユーザーが入力したコンテンツが欠落していることが判明した場合は、この記事が役に立ちます。通常、問題はパーサー自体にあるわけではありません。フォーム フィールドの値は、ページ コンテンツ ストリームではなく、別の /AcroForm 構造に格納されます。
この記事を読むと、フィールド値とページ テキストのストレージの違いを理解し、PyMuPDF を使用してテキスト フィールドを構築し、pypdf を使用してフィールド値を読み取る方法を理解できるようになります。また、フォームを作成したりフラット化を行うときに何に注意する必要があるかもわかります。この記事では XFA については説明しません。また、フィールド値が必ずしもその外観と一致するという保証もありません。
フォーム データとページ コンテンツが別々に保存されるのはなぜですか?
PDF のフォーム システムは 2 つの部分から構成されます。ページ コンテンツ ストリームは、固定テキストとグラフィックのレンダリングを担当します。インタラクティブ フィールドは、ドキュメント ルート オブジェクトの /AcroForm/Fields 配列で定義されます。各フィールド オブジェクトには、/T (名前)、/V (現在の値)などのプロパティが含まれており、視覚的なプレゼンテーションはページ上の /Widget 注釈によって伝えられます。
したがって、フィールドが視覚的にテキストの一部を覆っている場合でも、そのデータはそのページのテキスト抽出の範囲内にはありません。ここには 2 つのよくある誤解があります。
extract_text()には表示される文字がすべて含まれている必要があることを考慮してください。 フィールド値はコンテンツ ストリームにないため、抽出されません。- すべてのフォームのステータスは、ページのコメントをトラバースすることで復元できると考えられています。
get_fields()は論理フィールド構造を返します。これには、階層関係、または共有値を持つラジオ ボタン グループが含まれる場合があります。ページ コメントは部分的なレンダリング インスタンスにすぎません。この 2 つは、基になるオブジェクトを異なる方法で参照するため、これらを混在させると、データの欠落または重複が発生する可能性があります。
合成例: 正しい読み取りと境界処理
次の例では、メモリ内に PDF を構築し、フィールド値を安全に抽出して例外を処理する方法を示します。このコードは教育用のデモンストレーションのみを目的としており、実際の運用環境では実行されていません。ご確認いただくために構造に沿ったPDFをご用意ください。
from io import BytesIO
import pymupdf
from pypdf import PdfReader, PdfWriter
with pymupdf.open() as doc:
page = doc.new_page()
widget = pymupdf.Widget()
widget.field_name = "applicant_name"
widget.field_type = pymupdf.PDF_WIDGET_TYPE_TEXT
widget.field_value = "Alice"
widget.rect = pymupdf.Rect(50, 50, 200, 80)
page.add_widget(widget)
raw = doc.tobytes()
fields = PdfReader(BytesIO(raw)).get_form_text_fields()
assert isinstance(fields, dict)
assert fields["applicant_name"] == "Alice"
blank = PdfWriter()
blank.add_blank_page(width=200, height=200)
out = BytesIO()
blank.write(out)
assert not PdfReader(BytesIO(out.getvalue())).get_form_text_fields()依存関係は pypdf>=3.0.0 をインストールする必要があります。例の 2 つの PDF ファイルは、上記の方法に従って読者が自分で準備する必要があり、コードには生成ロジックが含まれていません。アサーションは、API の予期される動作を表現するだけであり、特定の PDF で検証されたことを意味するものではありません。フィールド読み取りインターフェイスの完全な説明は、pypdfフォームドキュメントにあります。
フィールド抽出の受け入れ基準と手動レビューの境界
コードのデモでは API 呼び出しロジックのみを検証し、エンドツーエンドの効果は PDF ジェネレーターが準拠しているかどうかによって異なります。 XFA、暗号化、または破損した /AcroForm 構造が発生した場合は、自動化を強制するのではなく、手動レビューに移行してください。
フォーム作成時のレンダリングの問題とフラット化戦略
フィールド書き込み時の自動再生成をオフにする
update_page_form_field_values() auto_regenerate=True はデフォルトで有効になっており、これにより PDF リーダーがフィールドの外観を再レンダリングし、ファイルを開くときに「変更の保存」プロンプトがポップアップ表示される可能性があります。視覚的表現を明示的に更新し、ダウンストリーム ビューアの動作を制御する必要がない限り、運用環境ではこれを常に False に設定する必要があります。
静的なドキュメントが必要な場合は最初にフラット化する
アーカイブや翻訳前処理などのために、フォームを純粋に静的なドキュメントに変換したい場合は、まずフィールド値をコンテンツ ストリームに書き込むように flatten=True を設定し、次に remove_annotations(subtypes="/Widget") を呼び出してインタラクティブな要素を削除します。
この操作は元に戻すことができないため、必ず元のコピーを保持してください。平坦化されたテキストは extract_text() によってキャプチャできますが、構造化されたセマンティクスが失われているため、後続の処理では通常の文書として扱う必要があります。
📊 コアの比較
| オプション | 練習する | 影響 | 知らせ |
|---|---|---|---|
auto_regenerate=True (デフォルト) | 書き込み時にフィールドの外観を再レンダリングする | ビジュアル表現が更新されます | 「変更の保存」プロンプトがポップアップ表示される場合があります |
auto_regenerate=False | 書き込み時に外観を再生成しない | リーダーのポップアップを避ける | ビジュアル表現を更新する必要がある場合は、別途ご確認ください。 |
| フォームを維持する | フィールドは /Widget 注釈付きで変更されません。 | フィールド値は引き続きフォームインターフェイスから読み取ることができます | extract_text() にはフィールド値が含まれていません |
/Widgetを平らにして削除します | フィールド値はコンテンツ ストリームに書き込まれ、インタラクティブな要素は削除されます | テキストは extract_text() でキャプチャできます | 不可逆的な構造的セマンティクスが失われている |
🎯 どの方法があなたに適していますか?
記入済みのフォームを読む必要がある場合
/AcroForm のフィールド値を直接読み取り、extract_text() に依存しないでください。
フォームにコンテンツを書き込む必要がある場合
リーダーが保存プロンプトをポップアップ表示しないようにするには、auto_regenerate を False に設定します。視覚的表現を更新する必要がある場合は、まずダウンストリーム ビューアの動作を確認してください。
アーカイブまたは翻訳の前に静的バージョンが必要な場合
最初に元の文書を保持し、次に flatten=True を使用して /Widget コメントを削除し、通常の文書として処理します。
XFA または暗号化されたファイルが発生した場合
手動レビューに切り替えて、通常の AcroForm コードを適用しないでください。
❓ よくある質問 (FAQ)
1. extract_text() がフォームに入力されたコンテンツを取得できないのはなぜですか?
フィールド値は /AcroForm 構造に格納され、extract_text() はページ コンテンツ ストリームのみを読み取るため、2 つのソースは異なります。
2. ページのコメントを直接走査してすべてのフィールドを取得できますか?
お勧めしません。ページの注釈はローカルのレンダリング インスタンスのみを反映しますが、get_fields() は論理フィールド構造を返します。ラジオ ボタン グループなどの場合、この 2 つは対応しない可能性があります。
3. ファイル内にフォームがありません。コードはどのように処理されるべきですか?
形のない状態として処理する必要があります。辞書に存在しないキーをインデックスに直接使用しないでください。使用しないと、エラーが発生します。
4. 平らにした後もフォームとして使用できますか?
できません。フラット化は元に戻せない操作であり、フィールド値はコンテンツ ストリームに書き込まれ、インタラクティブな要素は削除され、その後は通常のドキュメントと同様に扱われ、元のコピーは保持される必要があります。
📝 概要
フォームフィールドの値はページテキストとは別に保存されます。抽出する場合は、フォーム インターフェイスを使用し、承認のための独立したステップとしてフィールド抽出を使用します。書き込みや平坦化には注意し、オリジナルは保管し、リストを項目ごとに確認してください。
