如何从加密XFA格式PDF中提取IMM 008表单的国家编码？

针对加密的XFA格式IMM 008表单，以下是几个比手动提取更高效可靠的解决方案：

1. 先解密PDF再提取XFA数据 #

大部分政府加密PDF仅设置了“禁止导出”类权限，并非强加密。可以用命令行工具qpdf解除权限限制：

qpdf --decrypt imm0008enu_2d.pdf decrypted_imm0008.pdf

解密完成后，用Adobe Acrobat打开解密后的文件，通过「文件 > 导出 > 表单数据 > XML」导出XFA数据集。打开导出的XML文件，你会找到所有下拉控件的选项映射——比如国家选择控件会包含类似<item value="511">Canada</item>的节点，直接提取value（编码）和文本的对应关系即可。

2. 直接从解密PDF中提取XFA XML #

如果没有Acrobat，解密后可以用文本编辑器打开PDF文件，搜索<xfa:datasets>标签，找到内嵌的XFA XML区块。将这段XML复制出来，用lxml或BeautifulSoup等工具解析，自动提取所有下拉选项的编码与名称映射。

示例Python脚本框架：

import re
from lxml import etree

# 读取解密后的PDF文件
with open('decrypted_imm0008.pdf', 'rb') as f:
    content = f.read().decode('utf-8', errors='ignore')

# 提取XFA数据集部分
xfa_match = re.search(r'<xfa:datasets>.*?</xfa:datasets>', content, re.DOTALL)
if xfa_match:
    xfa_xml = xfa_match.group()
    root = etree.fromstring(xfa_xml.encode('utf-8'))
    
    # 遍历所有下拉选项（根据实际控件名称调整XPath）
    for item in root.xpath('//item'):
        code = item.get('value')
        name = item.text.strip()
        print(f"{code}: {name}")

3. 查找公开的现成映射表 #

IMM 008是常用移民表单，很多开发者或移民从业者已经整理过编码映射。可以在代码托管平台、移民相关开发者社区搜索“IMM 008 code mapping”或“IMM008 country codes”，大概率能找到现成的CSV/JSON格式映射表，直接导入你的应用即可。

注意：确保解密和使用表单数据的行为符合加拿大IRCC的相关规定，仅用于合法的社区服务用途。

内容的提问来源于stack exchange，提问作者MelbourneMarsden