PDF フォームデータ抽出

記入済み PDF フォームから回答を取り出す

返送されたフォームは、文書の中に閉じ込められたデータです。PDF フォームデータ抽出は 1 件でも 30 件でもフォームの値を読み取り、JSON・CSV・FDF・XFDF として書き出します。処理はすべてブラウザー内です。

型を保った値

• テキストフィールドは文字列として出力されます。複数行テキストも同様です。
• チェックボックスは真偽値と実際に送信される書き出し値の両方で出力されます。この値はウィジェットの /AP /N キーから取得します。1、On、製品コードであることも多く、Yes と決めつけると気づかないまま誤ったデータになります。
• ラジオボタンは、丸印の横に印字されたラベルではなく、選択された書き出し値として出力されます。
• ドロップダウンは選択項目、リストボックスは配列を返します。
• 署名フィールドは署名済みか未署名かを報告し、署名辞書に署名者名があればそれも示します。

主役はバッチモード

申請書の返送コピーをまとめて読み込ませると、横長の表ができます。1 文書 1 行、1 フィールド名 1 列、見出しは全フィールド名の和集合です。CSV として書き出して表計算ソフトで開くだけ。任意セクションの有無で内容が違うフォームでも列は揃います。そのフィールドがない文書はセルが空欄になるだけです。

XFA フォーム

一部の PDF、とくに LiveCycle 時代の官公庁や銀行のフォームは、回答を AcroForm のフィールド値ではなく XFA の XML データセットに保存します。静的 XFA は両方に反映しますが、動的 XFA はそうとは限らず、多くの抽出ツールは何も返せません。このツールは datasets パケットも読み取り、AcroForm の値と統合し、回答ごとに出所を表示します。両者が食い違う場合はそれも明示します。

FDF と XFDF

どちらもフォームデータの標準交換形式で、ここでは仕様どおりに書き出します。/Kids による入れ子で正しい階層のフィールドに戻り、非ラテン文字は UTF-16BE、複数選択は繰り返しの <value> 要素になります。Acrobat で空のフォームに読み込めば回答が復元されます。

プライバシー

各文書は pdf-lib を使ってブラウザー内で解析されます。記入済みフォームには個人情報が含まれることが多いものですが、ここでは何もアップロードされず、書き出しファイルはすべてローカルで生成されます。