如何从带有复选框的PDF文件中提取被勾选框对应的值

针对交互式原生表单PDF #

这类PDF的复选框是标准表单控件，可直接通过PDF解析库读取状态和关联内容：

• 使用pdfplumber（推荐，表单解析能力更强）
  代码示例：

  import pdfplumber
  
  with pdfplumber.open("待解析文件.pdf") as pdf:
      for page in pdf.pages:
          form_fields = page.form_fields
          for field in form_fields:
              # 筛选已勾选的复选框控件
              if field.get("field_type") == "checkbox" and field.get("value") == "/Yes":
                  # 优先取控件预设的标签文本
                  if field.get("label"):
                      print(field["label"].strip())
                      continue
                  # 无预设标签则提取复选框右侧同水平行的文本
                  x1, y1, x2, y2 = field["x"], field["y"]-3, page.width, field["y"]+3
                  print(page.within_bbox((x1+5, y1, x2, y2)).extract_text().strip())
  

• 使用PyPDF2
  代码示例：

  from PyPDF2 import PdfReader
  
  reader = PdfReader("待解析文件.pdf")
  for page in reader.pages:
      if "/Annots" not in page:
          continue
      for annot in page["/Annots"]:
          field = annot.get_object()
          # 筛选已勾选的按钮类控件（复选框属于按钮类表单）
          if field.get("/FT") == "/Btn" and field.get("/V") == "/Yes":
              print(field.get("/T", "无关联标签").strip())
              # 如需提取旁侧文本可结合PyMuPDF等库的文本位置解析能力实现
  

针对扫描件/扁平化非交互式PDF #

这类PDF的复选框是图片像素，没有表单控件属性，需要结合OCR和图像识别处理：

1. 先通过opencv或pillow定位所有复选框的坐标位置
2. 用模板匹配或轻量二分类模型判断复选框是否被勾选
3. 调用pytesseract或PaddleOCR识别全页文本及对应坐标
4. 将已勾选的复选框坐标和同水平行的文本做匹配，即可得到对应内容

提示：如果是固定版式的PDF，提前预设复选框坐标模板可以大幅提升识别效率和准确率。

内容的提问来源于stack exchange，提问作者kk97