检测PDF文件是否正确(标题PDF)

Question

我有一个Windows应用程序.NET管理许多PDF文件.有些文件已损坏.

2个问题:我会用最糟糕的英语解释...对不起

1.)

如何检测pdf文件是否正确？

我想读PDF的标题和检测是正确的.

var okPDF = PDFCorrect(@"C:\ temp\pdfile1.pdf");

2.)

如何知道文件的byte [](bytearray)是否是PDF文件.

例如,对于ZIP文件,您可以检查前四个字节并查看它们是否与本地标头签名匹配,即以十六进制表示

50 4b 03 04

if(buffer [0] == 0x50 && buffer [1] == 0x4b && buffer [2] == 0x03 && buffer [3] == 0x04)

如果要将其加载到long中,则为(0x04034b50).作者:David Pierson

我希望PDF文件也一样.

byte [] dataPDF = ...

var okPDF = PDFCorrect(dataPDF);

.NET中的任何示例源代码？

Answer 1

我检查Header PDF是这样的:

 public bool IsPDFHeader(string fileName)
    {
        byte[] buffer = null;
        FileStream fs = new FileStream(fileName, FileMode.Open, FileAccess.Read);
        BinaryReader br = new BinaryReader(fs);
        long numBytes = new FileInfo(fileName).Length;
        //buffer = br.ReadBytes((int)numBytes);
        buffer = br.ReadBytes(5);

        var enc = new ASCIIEncoding();
        var header = enc.GetString(buffer);

        //%PDF?1.0
        // If you are loading it into a long, this is (0x04034b50).
        if (buffer[0] == 0x25 && buffer[1] == 0x50
            && buffer[2] == 0x44 && buffer[3] == 0x46)
        {
            return header.StartsWith("%PDF-");
        }
        return false;

    }

Answer 2

1)遗憾的是,没有简单的方法来确定pdf文件是否已损坏.通常问题文件具有正确的标题,因此腐败的真正原因是不同的.PDF文件实际上是PDF对象的转储.该文件包含一个引用表,给出了从文件开头起每个对象的确切字节偏移位置.所以很可能损坏的文件有一个破坏的偏移或可能是一些对象被遗漏.

确定文件已损坏的最佳方法是使用专用的PDF库.这些.NET的免费版和商业版都有很多.您可以尝试使用其中一个库加载PDF文件.iTextSharp将是一个不错的选择.

2)根据PDF参考文献,PDF文件的标题通常形成%PDF-1.X(其中X是数字,目前从0到7).99%的PDF文件都有这样的标题.但是还有一些其他类型的标题,Acrobat Viewer接受,甚至没有标题也不是PDF查看器的真正问题.因此,如果文件没有标题,则不应将文件视为已损坏.例如,标题可能出现在文件的前1024个字节内的某个位置,或者格式为%!PS-Adobe-Nn PDF-Mm

仅供参考,我是Docotic PDF库的开发人员.

Answer 3

PDF文件的第一行是标识所述文件符合PDF规范的版本的报头%PDF-1.0,%PDF-1.1,%PDF-1.2,%PDF-1.3,%PDF-1.4等.

您可以通过从文件开头读取一些字节来检查这一点,看看您是否在开头有标题作为PDF文件进行匹配.有关详细信息,请参阅Adobe 的PDF参考.

没有你的.NET示例(现在几年没有触及过这个问题)但即使我有,我也不确定你是否可以检查文件的完整有效内容.标题可能没问题,但文件的其余部分可能搞砸了(正如你自己说的,有些文件已损坏).

Answer 4

表现良好的PDF %PDF-1.x从前9个字节开始加上换行符(其中x在0..8中).1.x应该给你PDF文件格式的版本.第二行是一些二进制字节,以帮助应用程序(编辑者)将PDF标识为非ASCII文本文件类型.

但是,你完全不能相信这个标签.有很多应用程序使用PDF-1.7中的功能,但声称是PDF-1.4,因此误导了一些观众吐出无效的错误消息.(最喜欢这些PDF是由于文件从较高版本到较低版本的错误管理转换而导致的.)

在PDF中没有像"标题"这样的部分(也许最初的9字节%PDF-1.x是你用"标题"的意思？).可能嵌入了一个用于在PDF中保存元数据的结构,为您提供有关Author,CreationDate,ModDate,Title和其他一些内容的信息.

我可靠地检查PDF损坏的方法

除了呈现PDF之外,没有其他方法可以检查PDF的有效性和未损坏性.

对我个人来说,检查这种有效性的"便宜"且相当可靠的方法是使用Ghostscript.

但是:您希望这种情况能够快速自动地发生.并且您希望以编程方式或通过脚本方法使用该方法来检查许多PDF.

这是诀窍:

• 不要让Ghostscript将文件渲染到显示器或真实(图像)文件.
• 请改用Ghostscript的nullpage设备.

这是一个示例命令行:

gswin32c.exe ^
    -o nul ^
    -sDEVICE=nullpage ^
    -r36x36 ^
    "c:/path to /input.pdf"

此示例适用于Windows; 在Unix上使用gs而不是gswin32c.exe和-o /dev/null.

使用-o nul -sDEVICE=nullpage不会输出任何渲染结果.但是Ghostscript处理input.pdf的所有stderr和stdout输出仍会出现在你的控制台中.-r36x36将分辨率设置为36 dpi以加快检查速度.

%errorlevel%(或$?在Linux上)将0用于未损坏的文件.它不适0用于损坏的文件.并且stdout上出现的任何警告或错误消息都可以帮助您识别input.pdf的问题.

没有其他方法来检查PDF文件的损坏,而不是以某种方式呈现它...

更新:同时不仅%PDF-1.0,%PDF-1.1,%PDF-1.2,%PDF-1.3,%PDF-1.4,%PDF-1.5,%PDF-1.6,%PDF-1.7和%PDF-1.8都是有效的版本指标,还有%PDF-2.0.