如何解决使用 Python 从“扁平化”/不可编辑的 PDF 中识别和提取表单字段及其对应的值
我有一组“扁平化”但可搜索的 PDF 表单（附上示例）。由于它们不是 Acroforms/可编辑的 PDF 表单，我无法使用 PDFTK 或任何其他 Acroform Extractor 工具来提取表单字段及其对应的值。
由于 PDF 不是图像并且具有可搜索的文本，因此我能够使用 PDFparser.poppler 提取 PDF 的单词及其坐标。但是，这种类型的提取会不加选择地提取 PDF 文档中的所有文本，因为“扁平化”的 PDF 不包含表单域数据。 >
有谁知道如何将表单域及其值（包括空白域）与文本的其余部分区分开来，并仅从各种“扁平化”PDF 中提取表单域及其对应的域值使用 Python 的文档？ （也许在 Python 上使用一些基于规则的算法或机器学习算法来执行此操作？）
我在此处提供了填充虚构数据的 PDF 文档示例：
https://drive.google.com/file/d/1r57yrPuvzYlXwg-0KPM9UQGhu8jgWcUs/view?usp=sharing
https://drive.google.com/file/d/1S5Rz1H80y3SxCIzeEMb28FPjsXzeI6Ci/view?usp=sharing
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
