如何在LangChain中处理PDF表单？获取已填问卷答案

PyPDFLoader默认仅提取PDF中的静态文本内容，而问卷中填写的答案通常存储在PDF表单字段中（不属于普通文本流），因此无法被直接获取。以下是几种可行的解决方案：

方法1：直接读取PDF表单字段（推荐） #

使用PyPDF2库直接访问PDF的表单字段，获取每个字段对应的填写值：

from PyPDF2 import PdfReader

# 加载PDF文件
reader = PdfReader("files/blo-file.pdf")
# 如果PDF加密，先解密（无密码则传空字符串）
if reader.is_encrypted:
    reader.decrypt("")

# 遍历所有表单字段，输出问题/字段名和对应的答案
form_fields = reader.get_fields()
for field_label, field in form_fields.items():
    # 字段值存储在/V键中，默认显示"未填写"
    answer = field.get("/V", "未填写")
    print(f"问题：{field_label}")
    print(f"答案：{answer}\n")

这种方法适合结构化的问卷表单，能精准获取每个问题对应的填写答案。

方法2：结合LangChain与表单提取 #

如果需要保留LangChain的文档处理流程，可以先提取静态问题文本，再关联表单字段的答案：

from langchain.document_loaders import PyPDFLoader
from PyPDF2 import PdfReader

# 用LangChain提取问题文本
loader = PyPDFLoader("files/blo-file.pdf")
pages = loader.load_and_split()
question_content = "\n".join([page.page_content for page in pages])

# 提取表单答案
reader = PdfReader("files/blo-file.pdf")
if reader.is_encrypted:
    reader.decrypt("")
form_fields = reader.get_fields()

# 关联问题与答案（若字段名与问题文本匹配）
for field_label, field in form_fields.items():
    answer = field.get("/V", "未填写")
    print(f"问题：{field_label}")
    print(f"答案：{answer}\n")

若表单字段名与问题文本不直接对应，可能需要手动建立映射或通过文本匹配关联内容。

方法3：OCR提取非结构化填写内容 #

如果答案是手写输入或直接绘制在文本框中的非表单内容，需要用OCR工具提取：

from pdf2image import convert_from_path
import pytesseract

# 将PDF页面转换为图片
pdf_pages = convert_from_path("files/blo-file.pdf")

# 逐页执行OCR提取文本（中文问卷指定lang='chi_sim'）
for page_num, page_img in enumerate(pdf_pages, 1):
    extracted_text = pytesseract.image_to_string(page_img, lang="chi_sim")
    print(f"第{page_num}页提取内容:\n{extracted_text}\n")

使用前需先安装依赖：pip install pdf2image pytesseract，并安装Tesseract OCR引擎（需配置环境变量）。

内容的提问来源于stack exchange，提问作者Cole