使用 PDF 元数据来识别使用 C# 的文件

Question

场景 - 我有 10 家银行的 pdf 文件的报表。它们都是不同的格式。这些文件中的每一个都有一个相应的解析器来提取数据。现在我们根据文件名将文件提供给解析器。

但是现在源没有提供正确的文件名。因此，我们无法将文件路由到相应的解析器。

我的疑惑，

1. 每个 pdf 文件都有元数据还是可选的？
2. 我能否使用元数据来区分 PDF 文件以将文件路由到 对应的解析器。

3. 我使用以下代码从我的文件中提取元数据，它看起来很混乱。

   http://kuujinbo.info/iTextInAction2Ed/index.aspx?ch=Chapter12&ex=MetadataXmp 5]

自动化这个过程的最佳方法是什么。

提前致谢。

Answer 1

在 ISO 32000-1 中，允许使用两种不同类型的元数据：

• 信息字典中的元数据，
• XMP 元数据流。

信息字典在 ISO 32000-2 中已弃用。

您引用的示例是 XMP 示例。 XMP 代表可扩展元数据平台。它是以纯文本形式存储在 XML 格式的二进制文件中的元数据。 XMP 可用于 PDF、JPG、PNG、... 不限于 PDF；您还可以在其他类型的文件中找到 XMP 元数据。

此外，XMP 是可选的。 XMP 规范的第一个版本于 2004 年发布（Adobe 于 2001 年开发），而第一个 PDF 规范于 1993 年发布。不用说，许多 PDF 文件缺少 XMP 格式的元数据。

如果要检测文件是否为 PDF 文件，可以查看前 7 个字节。如果前 7 个字节与 %PDF-1. 匹配，则您的 PDF 文件可能遵循 ISO 32000-1 (2008)。如果前 7 个匹配 %PDF-2.，则您有一个声称符合 ISO 32000-2 (2017) 的 PDF 文件。