如何程序化识别PDF中复选框的勾选状态？

针对PDF中的复选框，需分原生表单复选框和扫描版图像复选框两种场景处理，以下是具体实现方案：

一、原生PDF表单（非扫描件） #

这类复选框是PDF内置的表单元素，无需OCR，直接通过PDF解析库读取状态即可：

• Python 实现（使用pdfplumber）：

  import pdfplumber
  
  with pdfplumber.open("target.pdf") as pdf:
      for page in pdf.pages:
          form_fields = page.extract_form_fields()
          for field in form_fields:
              if field.get("type") == "checkbox":
                  print(f"复选框名称: {field['name']}, 勾选状态: {'已勾选' if field['checked'] else '未勾选'}")
  

• Java 实现（使用Apache PDFBox）：

  import org.apache.pdfbox.pdmodel.PDDocument;
  import org.apache.pdfbox.pdmodel.interactive.form.PDAcroForm;
  import org.apache.pdfbox.pdmodel.interactive.form.PDCheckbox;
  import org.apache.pdfbox.pdmodel.interactive.form.PDField;
  
  import java.io.File;
  import java.util.Map;
  
  public class CheckboxReader {
      public static void main(String[] args) throws Exception {
          PDDocument document = PDDocument.load(new File("target.pdf"));
          PDAcroForm acroForm = document.getDocumentCatalog().getAcroForm();
          
          if (acroForm != null) {
              Map<String, PDField> fields = acroForm.getFields();
              for (PDField field : fields.values()) {
                  if (field instanceof PDCheckbox) {
                      PDCheckbox checkbox = (PDCheckbox) field;
                      String status = checkbox.isChecked() ? "已勾选" : "未勾选";
                      System.out.printf("复选框名称: %s, 勾选状态: %s%n", field.getFullyQualifiedName(), status);
                  }
              }
          }
          document.close();
      }
  }
  

二、扫描版PDF（图像型复选框） #

扫描版PDF本质是图像集合，需先提取页面图像，再针对复选框区域做图像分析：

1. 定位复选框区域 #

• 若复选框位置固定，可直接预设坐标范围；
• 若位置不固定，先用Tesseract/Google Cloud Vision API识别文本，通过文本位置反推复选框坐标。

2. 图像分析判断状态 #

针对你提供的三种复选框样式，推荐两种高效方法：

像素统计法

通过统计复选框区域内深色像素占比判断状态：

import cv2
import numpy as np

def check_checkbox_status(image_path, x, y, w, h):
    # 读取灰度图
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    # 截取复选框区域
    roi = img[y:y+h, x:x+w]
    # 二值化：将背景转为白色，勾选标记转为黑色
    _, binary_img = cv2.threshold(roi, 200, 255, cv2.THRESH_BINARY_INV)
    # 统计黑色像素数量
    black_pixel_count = np.sum(binary_img == 255)
    # 占比超过10%则判定为已勾选（阈值可根据实际调整）
    return black_pixel_count > (w * h * 0.1)

模板匹配法

提前准备已勾选/未勾选的模板图，通过模板匹配度判断状态：

import cv2

def match_checkbox_template(image_path, template_path):
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    template = cv2.imread(template_path, cv2.IMREAD_GRAYSCALE)
    # 执行模板匹配
    match_result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)
    # 匹配度超过0.8则判定为匹配成功
    return np.max(match_result) > 0.8

# 使用示例
is_checked = match_checkbox_template("checkbox_area.png", "checked_template.png")

3. 优化OCR方案 #

你之前使用的Google Cloud Vision API，可切换至Document AI表单解析器，它专门针对表单场景优化，能直接识别复选框的勾选状态，比通用OCR精准度更高。

三、混合类型PDF处理 #

若PDF同时包含原生表单页和扫描页，可先通过PDF解析库判断页面类型：

• 检查页面是否存在表单元素，存在则按原生表单处理；
• 若页面仅包含图像，则按扫描版PDF处理。

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