使用Apache PDFBox Splitter拆分PDF后，页面无PDAcroForm的问题排查

我用以下代码拆分税务表单PDF为单个页面，但拆分后的页面里找不到PDAcroForm。这是Splitter的限制吗？我是不是漏了什么配置？

拆分代码：

package xxxx.util.pdf.box;

import org.apache.pdfbox.multipdf.Splitter;
import org.apache.pdfbox.pdmodel.PDDocument;

import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;
import java.util.logging.Logger;

public class PdfSplitter {

    private static final Logger LOGGER
        = Logger.getLogger( PdfSplitter.class.getSimpleName( ) );

    public static List<byte[]> splitPdfBytes(
        byte[] pdfBytes
    ) {

        List<byte[]> pages = new ArrayList<>( );

        try (
            PDDocument document = PDDocument.load( pdfBytes );
        ) {

            Splitter splitter = new Splitter();

            List<PDDocument> docs = splitter.split( document );

            for ( PDDocument doc : docs ) {

                ByteArrayOutputStream baos = new ByteArrayOutputStream( );

                doc.save( baos );

                pages.add( baos.toByteArray( ) );

            }

        } catch ( IOException e ) {

            LOGGER.severe( e.getMessage( ) );

        }

        return pages;

    }

}

后续操作代码：

PDDocument doc = PDDocument.load(templateStream)

PDDocumentCatalog pdDocCatalog = doc.getDocumentCatalog();

PDAcroForm acroForm = pdDocCatalog.getAcroForm();

// acroForm is null !

请问Splitter类有没有可用的配置选项？

2022年8月25日更新：
感谢告知这一限制。我的实际场景是：IRS提供的1099表单是单个PDF文件，包含多份副本/页面。我的应用需要填写收件人副本，因此仅需PDF的第4页。目前我采用的临时解决方案是先通过AcroForm/AcroField填充表单，再删除不需要的页面。

核心原因 #

这是PDFBox Splitter的默认行为限制。AcroForm是文档级的资源，它关联的表单域可能分布在多个页面上。Splitter默认拆分时，只会复制页面内容，不会将原文档的AcroForm及其关联的域映射到单个拆分出的文档中，因此拆分后的文档会丢失AcroForm引用，导致getAcroForm()返回null。

Splitter的配置选项 #

Splitter本身没有直接的配置项可以自动保留拆分后文档的AcroForm。可以通过以下方式处理：

• 手动复制AcroForm到拆分文档：拆分后将原文档的AcroForm复制到目标文档，同时过滤出仅属于当前页面的表单域并重新关联。但这种方式需要处理表单域与页面的关联逻辑，实现复杂，容易出现域错位或丢失问题。

• 针对场景优化的提取方案：你的需求是获取指定页面并保留表单，直接提取目标页面并复制对应AcroForm的方式更高效可靠：

  public static byte[] extractPageWithAcroForm(byte[] pdfBytes, int pageNumber) throws IOException {
      try (PDDocument originalDoc = PDDocument.load(pdfBytes)) {
          PDDocument newDoc = new PDDocument();
          // PDFBox页面索引从0开始，这里转换为目标页索引
          newDoc.addPage(originalDoc.getPage(pageNumber - 1));
          
          // 复制原文档的AcroForm到新文档
          PDAcroForm originalForm = originalDoc.getDocumentCatalog().getAcroForm();
          if (originalForm != null) {
              PDAcroForm newForm = new PDAcroForm(newDoc);
              newDoc.getDocumentCatalog().setAcroForm(newForm);
              
              // 过滤并保留属于目标页面的表单域
              for (PDField field : originalForm.getFields()) {
                  List<PDAnnotationWidget> widgets = field.getWidgets();
                  boolean belongsToPage = widgets.stream()
                      .anyMatch(widget -> widget.getPage() == originalDoc.getPage(pageNumber - 1));
                  if (belongsToPage) {
                      newForm.getFields().add(field);
                      // 将Widget注释关联到新文档的页面
                      for (PDAnnotationWidget widget : widgets) {
                          newDoc.getPage(0).getAnnotations().add(widget);
                      }
                  }
              }
          }
          
          ByteArrayOutputStream baos = new ByteArrayOutputStream();
          newDoc.save(baos);
          newDoc.close();
          return baos.toByteArray();
      }
  }
  

• 临时方案的合理性：你当前采用的“先填充表单再删除不需要页面”的方案是可行的。填充后表单域值已嵌入文档，删除其他页面不会影响目标页面的已填充内容，实现起来更简单，适配你的场景。

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