C# 提取PDF表单数据

PDF表单是一种常见的数据收集工具，广泛应用于调查问卷、业务合同等场景。凭借出色的跨平台兼容性和标准化特点，PDF表单在各行各业中得到了广泛应用。然而，当需要整合、分析或导入大量已填写的表单数据时，传统的手动处理方式不仅耗时，而且容易出错。因此，掌握自动提取PDF表单数据的方法，不仅能大幅提高工作效率，还能确保数据处理的准确性。本文将探讨如何使用C# 实现自动化PDF表单数据提取流程。

使用工具
C# 提取多个PDF表单域的数据
C# 提取特定PDF表单域的数据

使用工具

要使用C# 提取PDF表单的数据，需要用到合适的PDF文档处理库。本文所使用的是Spire.PDF for .NET库。该库主要用于在 .NET 应用程序中创建、读取、编辑、转换和打印PDF 文档。

安装 Spire.PDF for .NET

你可以在 NuGet 包管理器中运行以下命令安装 Spire.PDF for .NET：

PM> Install-Package Spire.PDF

如果你已经安装了该库并希望升级到最新版本，可以使用以下命令：

PM> Update-Package Spire.PDF

C# 提取多个PDF表单域的数据

PDF 表单可能包含多种类型的域，例如文本框、列表框、下拉框、单选按钮和复选框。每种域类型需要采用不同的方法来提取其数据。以下是提取这些类型的域的数据时所使用的关键属性：

文本框（Text Boxes）
通过 PdfTextBoxFieldWidget 对象的 Name 和 Text 属性，获取文本框的名称及其对应的值。
列表框（List Boxes）
通过 PdfListBoxFieldWidget 对象的 Name、Values 和 SelectedValue 属性，提取列表框的名称、所有选项及选定的选项。
下拉框（Combo Boxes）
通过 PdfComboBoxFieldWidget 对象的 Name、Values 和 SelectedValue 属性，获取下拉框的名称、所有选项及选定的选项。
单选按钮（Radio Buttons）
通过 PdfRadioButtonListFieldWidget 对象的 Name 和 SelectedValue 属性，获取单选按钮的名称和选定的值。
复选框（Checkboxes）
通过 PdfCheckBoxFieldWidget 对象的 Name 和 Checked 属性，提取复选框的名称及其状态（是否被选中）。

以下代码展示了如何使用 C# 从多个 PDF 表单域中提取数据：

using Spire.Pdf;
using Spire.Pdf.Fields;
using Spire.Pdf.Widget;
using System.Collections.Generic;
using System.IO;

namespace ExtractPdfFormData
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 初始化 PdfDocument 类实例，用于加载和处理 PDF 文件
            using (PdfDocument doc = new PdfDocument())
            {
                // 加载包含表单域的 PDF 文件
                doc.LoadFromFile("表单.pdf");

                // 创建列表存储提取的域名称及其值
                List<string> content = new List<string>();

                // 获取 PDF 文档的表单对象
                PdfFormWidget formWidget = doc.Form as PdfFormWidget;

                // 检查表单对象中是否包含表单域
                if (formWidget?.FieldsWidget.Count > 0)
                {
                    // 遍历文档中的所有表单域
                    for (int i = 0; i < formWidget.FieldsWidget.List.Count; i++)
                    {
                        // 获取当前表单域
                        PdfField field = formWidget.FieldsWidget[i];

                        // 如果当前表单域为空，跳过该域
                        if (field == null) continue;

                        // 提取当前表单域的内容（名称和值）
                        List<string> currentFieldContent = ExtractFieldContent(field);

                        // 如果提取到域内容，则将其添加到 content 列表中
                        if (currentFieldContent.Count > 0)
                        {
                            content.AddRange(currentFieldContent);

                            // 如果不是最后一个表单域，添加一个空行用于分隔不同域的内容
                            if (i < formWidget.FieldsWidget.List.Count - 1)
                            {
                                content.Add(""); // 添加空行分隔不同域的内容
                            }
                        }
                    }
                }

                // 将提取的内容逐行写入文本文件
                File.WriteAllLines("提取域数据.txt", content);
            }
        }

        /// <summary>
        /// 提取单个 PDF 表单域的内容（域名和域值）
        /// 根据不同的表单域类型（文本框、列表框、下拉框、单选按钮、复选框）提取相应的值
        /// </summary>
        /// <param name="field">当前的 PDF 表单域对象</param>
        /// <returns>包含域内容的字符串列表</returns>
        private static List<string> ExtractFieldContent(PdfField field)
        {
            // 初始化列表来存储当前表单域的内容
            List<string> fieldContent = new List<string>();

            // 检查该域是否为文本框
            if (field is PdfTextBoxFieldWidget textBoxField)
            {
                fieldContent.Add($"文本框名称：{textBoxField.Name}");
                fieldContent.Add($"文本框值：{textBoxField.Text}");
            }
            // 检查该域是否为列表框
            else if (field is PdfListBoxWidgetFieldWidget listBoxField)
            {
                fieldContent.Add($"列表框名称：{listBoxField.Name}");
                fieldContent.Add("列表框选项：");
                // 遍历并提取列表框中的所有选项
                foreach (PdfListWidgetItem item in listBoxField.Values)
                {
                    fieldContent.Add($"{item.Value}");
                }
                fieldContent.Add($"列表框选中项：{listBoxField.SelectedValue}");
            }
            // 检查该域是否为下拉框
            else if (field is PdfComboBoxWidgetFieldWidget comboBoxField)
            {
                fieldContent.Add($"下拉框名称：{comboBoxField.Name}");
                fieldContent.Add("下拉框选项：");
                // 遍历并提取下拉框中的所有选项
                foreach (PdfListWidgetItem item in comboBoxField.Values)
                {
                    fieldContent.Add($"{item.Value}");
                }
                fieldContent.Add($"下拉框选中项：{comboBoxField.SelectedValue}");
            }
            // 检查该域是否为单选按钮
            else if (field is PdfRadioButtonListFieldWidget radioBtnField)
            {
                fieldContent.Add($"单选按钮名称：{radioBtnField.Name}");
                fieldContent.Add($"单选按钮选中项：{radioBtnField.SelectedValue}");
            }
            // 检查该域是否为复选框
            else if (field is PdfCheckBoxWidgetFieldWidget checkBoxField)
            {
                fieldContent.Add($"复选框名称：{checkBoxField.Name}");
                fieldContent.Add($"复选框状态：{(checkBoxField.Checked ? "选中" : "未选中")}");
            }

            // 返回当前表单域的内容
            return fieldContent;
        }
    }
}

C# 提取特定PDF表单域的数据

如果你需要从特定的表单域中提取数据，可以通过该表单域的名称直接访问它，然后通过判断其类型对应地获取其内容。

以下代码展示了如何使用C# 从名为 “国家” 的PDF表单域中提取数据：

using Spire.Pdf;
using Spire.Pdf.Fields;
using Spire.Pdf.Widget;
using System.Collections.Generic;
using System.IO;

namespace ExtractSpecificFormData
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 初始化 PdfDocument 类实例，用于加载和处理 PDF 文件
            using (PdfDocument doc = new PdfDocument())
            {
                // 加载包含表单域的 PDF 文件
                doc.LoadFromFile("表单.pdf");

                // 创建列表来存储提取的表单域名称及其值
                List<string> content = new List<string>();

                // 获取 PDF 文档的表单对象
                PdfFormWidget formWidget = doc.Form as PdfFormWidget;

                // 指定域名称
                string fieldName = "国家";

                // 检查表单对象中是否包含表单域
                if (formWidget?.FieldsWidget.Count > 0)
                {
                    // 通过名称访问特定表单域
                    PdfField specificField = formWidget.FieldsWidget[fieldName];

                    // 确保域存在再进行处理
                    if (specificField != null)
                    {
                        // 提取特定表单域的内容（名称和值）
                        List<string> specificFieldContent = ExtractFieldContent(specificField);

                        // 如果提取到内容，则将其添加到 content 列表中
                        if (specificFieldContent.Count > 0)
                        {
                            content.AddRange(specificFieldContent);
                        }
                    }
                    else
                    {
                        content.Add($"未找到域 '{fieldName}'");
                    }
                }
                else
                {
                    content.Add("PDF 表单中未找到任何域");
                }

                // 将提取的内容逐行写入文本文件
                File.WriteAllLines("提取特定域数据.txt", content);
            }
        }

        /// <summary>
        /// 提取单个 PDF 表单域的内容（名称和值）
        /// 处理不同类型的表单域，如文本框、列表框、下拉框、单选按钮和复选框
        /// </summary>
        /// <param name="field">当前 PDF 表单域对象</param>
        /// <returns>包含表单域内容的字符串列表</returns>
        private static List<string> ExtractFieldContent(PdfField field)
        {
            // 初始化列表来存储当前表单域的内容
            List<string> fieldContent = new List<string>();

            // 检查该域是否为文本框
            if (field is PdfTextBoxFieldWidget textBoxField)
            {
                // 将文本框的名称和值添加到列表中
                fieldContent.Add($"文本框名称：{textBoxField.Name}");
                fieldContent.Add($"文本框值：{textBoxField.Text}");
            }
            // 检查该域是否为列表框
            else if (field is PdfListBoxWidgetFieldWidget listBoxField)
            {
                fieldContent.Add($"列表框名称：{listBoxField.Name}");
                fieldContent.Add("列表框选项：");
                foreach (PdfListWidgetItem item in listBoxField.Values)
                {
                    fieldContent.Add($"{item.Value}");
                }
                fieldContent.Add($"列表框选中项：{listBoxField.SelectedValue}");
            }
            // 检查该域是否为下拉框
            else if (field is PdfComboBoxWidgetFieldWidget comboBoxField)
            {
                fieldContent.Add($"下拉框名称：{comboBoxField.Name}");
                fieldContent.Add("下拉框选项：");
                foreach (PdfListWidgetItem item in comboBoxField.Values)
                {
                    fieldContent.Add($"{item.Value}");
                }
                fieldContent.Add($"下拉框选中项：{comboBoxField.SelectedValue}");
            }
            // 检查该域是否为单选按钮
            else if (field is PdfRadioButtonListFieldWidget radioBtnField)
            {
                fieldContent.Add($"单选按钮名称：{radioBtnField.Name}");
                fieldContent.Add($"单选按钮选中项：{radioBtnField.SelectedValue}");
            }
            // 检查该域是否为复选框
            else if (field is PdfCheckBoxWidgetFieldWidget checkBoxField)
            {
                fieldContent.Add($"复选框名称：{checkBoxField.Name}");
                fieldContent.Add($"复选框状态：{(checkBoxField.Checked ? "选中" : "未选中")}");
            }

            // 返回当前表单域的内容列表
            return fieldContent;
        }
    }
}

以上就是使用C# 读取PDF表单域数据的全部内容。感谢阅读！