☰

验证/确认 PDF 文件的完整性

tag-icon • tag-icon pdf file-corruption validation
验证/确认 PDF 文件的完整性

是否有任何工具可以在 PDF 档案（所有目录）上运行，并最终列出/识别损坏/无效的 PDF？

我的电脑（Windows 计算机）上有数百个 PDF 文件（与文档等相关），而且我经常通过电子邮件接收/发送数十个 PDF。现在我收到或发送的 PDF 损坏已是常态。当源文件（例如 Word 文件或 Tex 文件）丢失或无法立即使用时，这有时会造成严重麻烦。

在有限的时间内检查这数千个 PDF 是不可能的，所以我搜索了一个可以运行一次的工具，它会扫描所有 PDF（在目录和子目录中），最后我会得到一个我应该重新创建的文件列表。到目前为止，似乎还没有这样的工具。

答案1

使用 PDFtk 检查 PDF 文件是否有效非常容易。PDFtk 的免费 G​​UI可从PDF 实验室。当您运行此工具时，您可以从多个目录加载任意数量的 PDF（通过使用添加文件按钮），然后它将非常快速地开始访问这些 PDF 文件中的页面。

如果所选 PDF 中的任何文件不是有效 PDF，此实用程序将显示有关错误的消息，并自动将其从选择窗口中删除。

因此，使用 PDFtk 的此过程可以节省很多时间。此外，如果您有多核 CPU，您可以运行此实用程序的多个实例，并在每个实例中放入数百个 PDF。

我从去年开始使用这个软件，它是我用过的最方便的 PDF 工具。

答案2

我使用 xpdfbin-win 包中的“pdfinfo.exe”和 cpdf.exe 来检查 PDF 文件是否损坏，但如果没有必要，我不想涉及二进制文件。

我读到较新的 PDF 格式在末尾有一个可读的 xml 数据目录，因此我使用常规 Windows NOTEPAD.exe 打开 PDF，向下滚动到不可读的数据，直到末尾，看到几个可读的键。我只需要一个键，但选择同时使用 CreationDate 和 ModDate。

以下 Powershell (PS) 脚本将检查当前目录中的所有 PDF 文件，并将每个文件的状态输出到文本文件 (!RESULTS.log) 中。对 35,000 个 PDF 文件运行此脚本大约需要 2 分钟。我尝试为 PS 新手添加注释。希望这能节省一些时间。可能有更好的方法可以做到这一点，但这对我来说非常完美，并且可以静默处理错误。您可能需要在开始时定义以下内容：如果您在屏幕上看到错误，则 $ErrorActionPreference =“SilentlyContinue”。

将以下内容复制到文本文件中并适当命名（例如：CheckPDF.ps1）或打开 PS 并浏览到包含要检查的 PDF 文件的目录并将其粘贴到控制台中。

#
# PowerShell v4.0
#
# Get all PDF files in current directory
#
$items = Get-ChildItem | Where-Object {$_.Extension -eq ".pdf"}

$logFile = "!RESULTS.log"
$badCounter = 0
$goodCounter = 0
$msg = "`n`nProcessing " + $items.count + " files... "
Write-Host -nonewline -foregroundcolor Yellow $msg
foreach ($item in $items)
{
    #
    # Suppress error messages
    #
    trap { Write-Output "Error trapped"; continue; }

    #
    # Read raw PDF data
    #
    $pdfText = Get-Content $item -raw

    #
    # Find string (near end of PDF file), if BAD file, ptr will be undefined or 0
    #
    $ptr1 = $pdfText.IndexOf("CreationDate")
    $ptr2 = $pdfText.IndexOf("ModDate")

    #
    # Grab raw dates from file - will ERR if ptr is 0
    #
    try { $cDate = $pdfText.SubString($ptr1, 37); $mDate = $pdfText.SubString($ptr2, 31); }

    #
    # Append filename and bad status to logfile and increment a counter
    # catch block is also where you would rename, move, or delete bad files.
    #
    catch { "*** $item is Broken ***" >> $logFile; $badCounter += 1; continue; }

    #
    # Append filename and good status to logfile
    #
    Write-Output "$item - OK" -EA "Stop" >> $logFile

    #
    # Increment a counter
    #
    $goodCounter += 1
}
#
# Calculate total
#
$totalCounter = $badCounter + $goodCounter

#
# Append 3 blank lines to end of logfile
#
1..3 | %{ Write-Output "" >> $logFile }

#
# Append statistics to end of logfile
#
Write-Output "Total: $totalCounter / BAD: $badCounter / GOOD: $goodCounter" >> $logFile
Write-Output "DONE!`n`n"

答案3

按照@n0nuf 的脚步，我编写了一个批处理脚本，使用 pdfinfo 检查特定文件夹中的所有 PDF，如果发现损坏则通过 cpdf 推送，以尝试修复它们：

@ECHO OFF
FOR %%f in (*.PDF) DO (
    echo %%f
    pdfinfo "%%f" 2>&1 | findstr /I "error"  >nul 2>&1
    if not errorlevel 1 (
        echo "bad -> try to fix"
        @cpdf -i %%f -o %%f_.pdf 2>NUL
        mv %%f .\\bak\\%%f
    ) else (
       REM echo good        
    )
)
@ECHO ON

或者与 bash 脚本相同：

for file in $(find . -iname "*.pdf")
do
    echo "$file"
    pdfinfo "$file" 2>&1 | grep -i 'error' &> /dev/null
    if [ $? == 0 ]; then
       echo "broken -> try to fix"
       cpdf -i "$file" -o "$file"_.pdf
    fi
done

损坏的 PDF 将被移动到子文件夹 \bak，重新创建的 PDF 将获得后缀 _.pdf（虽然不完美，但对我来说已经足够好了）。注意：重新创建的 PDF 包含较少的错误，应该可以使用常规 PDF 查看器查看。但这并不意味着您可以恢复所有内容。无法恢复的内容会导致空白页。

我也尝试使用 JHOVE（开源文件格式识别、验证和特性工具）进行相同的操作，正如@kraftydevil 在此处建议的那样：使用 Linux 上的命令行检查 PDF 文件是否损坏现在可以确认这也是一种有效的方法。（一开始我不太成功。但后来我注意到我没有正确处理 JHOVE 的输出。）

为了测试这两种方法，我用文本编辑器从 PDF 中删除并更改了随机部分（删除了流，因此页面无法在我的 PDF 查看器中呈现，更改了 PDF 标签，并移动了一些位）。结果是：两者pdfinfo 和 JHOVE 能够正确识别损坏的文件（在某些情况下，JHOVE 甚至更加敏感）。

以下是 JHOVE 的等效脚本：

@ECHO OFF
FOR %%f in (*.PDF) DO (
    echo %%f
    "C:\Program Files (x86)\JHOVE\jhove.bat" -m pdf-hul %%f | findstr /C:"Well-Formed and valid" >nul 2>&1
    if not errorlevel 1 (
        echo good
    ) else (
        echo "bad -> try to fix"
        @cpdf -i %%f -o %%f_.pdf 2>NUL
        REM mv %%f .\\bak\\%%f
    )
)
@ECHO ON

答案4

还有（相对较新的）pdfcpu具有验证功能的库/工具：

pdfcpu validate whatever.pdf

请注意，在撰写本文时（2020 年 8 月），pdfcpu 仍处于 Alpha 阶段。

相关内容