PDF 生成器识别答案

【问题标题】：PDF Generator identificationPDF 生成器识别
【发布时间】：2020-10-01 15:19:55
【问题描述】：

识别生成器/检测自动生成的 PDF 架构的最佳方法是什么？一旦文件被识别，我一直在使用 Tabula & Textual 分析来提取数据，但我正在努力将文件分派到正确的解析器。显然，PDF 没有关于作者的元数据，而且文件名可以更改，因此不是准确的识别来源。

谢谢，亚瑟

【问题讨论】：

基本上，您只能从各自来源的 PDF 中寻找个别的、特定的指纹。它们可能是事实的组合，例如使用了哪个行尾，特殊对象（特别是目录或信息字典）在文件中的位置，哪些类型的对象是间接的，哪些不是，...
根据您的说法，假设每种类型 10 个案例和大量 PDF 类型，是否可以真实地自动推断？现在，忘记自动部分，我将使用 PDFtoText 和正则表达式路线，这对所有测试用例都有效。有更好/更快的想法吗？谢谢！
我认为可以做到，但要找到这些指纹需要大量的初始工作。
好的，我想我会坚持使用正则表达式，谢谢！

标签： parsing pdf signature

【解决方案1】：

你可以看预告片：

trailer
<<
/Size 9
/Root 1 0 R
/Info 8 0 R
>>
startxref
626
%%EOF

...并扫描/Info。将有一个包含元数据的8 0（在这种情况下）部分，例如

8 0 obj
<<
/Creator (PDFDUMP WIN32 )
/CreationDate (D:20201231000000)
>>
endobj

但是当元数据部分不是直截了当（例如包含十六进制代码，或间接指向另一个部分）时，它会变得更加复杂。

当元数据是这样的时候就变得棘手了：

42 0 obj
(git-cheat-sheet-education)
endobj
43 0 obj
(Mac OS X 10.9.1 Quartz PDFContext)
endobj
44 0 obj
(Adobe Illustrator CC \(Macintosh\))
endobj
45 0 obj
(D:20140224195805Z00'00')
endobj
1 0 obj
<< /Title 42 0 R /Producer 43 0 R /Creator 44 0 R /CreationDate 45 0 R /ModDate
45 0 R >>
endobj

有相当多的开源代码可以为您显示 PDF 元数据。

我不确定我是否在回答你的问题。

【讨论】：

嗨！感谢您花时间回答。遗憾的是，正如问题中所述，由于人们不经常签署他们的 PDF，并且解决方案需要“通用”方案，因此无法使用它。举一个需求的例子，假设你有 30 个人发送生成的账单：每个人都有它的模式。如果你知道并从中学习，你只需要处理 30 个案例，100% 准确的解析是通过简单的拖放完成的，没有任何规范。目前我最好的解决方案是 PDFtoText，然后是每个生成器的正则表达式。