3

我正在使用pdftk并进行一些测试，发现将多页 PDF 文件分解为单独的单页 PDF 文件，然后为每个单页 PDF 生成一个 md5 哈希校验和（数字指纹），每次我都会产生不同的哈希做爆发。这就是结果，即使它是完全相同的文件而没有任何更改。

我的测试过程是：

  1. 解压 test.pdf（包含 10 页的简单纯文本 PDF）
  2. 使用 pdftk，将 test.pdf 爆裂（拆分）成 10 个单独的 PDF 文件（每个文件 1 页）
  3. 为 10 个单页 PDF 文件中的每一个生成 md5 哈希校验和
  4. 记录 10 个哈希校验和
  5. 重复步骤 1-4
  6. 请注意，所有哈希值都不同

旁注：解压缩后在 PDF 上生成校验和会在重复时产生完全相同的校验和。

我在这个练习中使用了node.js及其加密模块。

我的问题是：为什么校验和在重复时会有所不同？我认为生成的 10 个单页文件与上次创建它们时完全相同。他们的父文档（以及各个页面本身）根本没有改变。

4

2 回答 2

4

根据 PDF 规范，每当 PDF 创建者写出修改后的 PDF 时，它应该更新元数据条目数组中命名/ModDate的键。/Info

此外，它（可能）会将 PDF 的 XMP 元数据结构中的文档 UUID 更改为新 ID。

因此，当您想使用 MD5（或任何类似方法）检查​​ PDF 生成过程中的“稳定结果”（考虑单元测试或其他）时，您应该在应用 MD5 求和之前执行以下两件事之一：

  • 要么“规范化”您的 PDF 输出以始终将相同的 ModDate 和 UUID 写入文件（如果您的 PDF 生成工具允许您以这种方式进行调整），
  • 或对文件运行编辑（您可以使用sed）来规范化文件的/ModDate（并且可能还有/CreationDate）和 UUID 条目。

更新：由于您似乎pdftk已经熟悉，您应该能够转储元数据文本文件（如 Ezra 所示）：

pdftk in.pdf dump_data output data.txt

或（如果您需要）：

pdftk in.pdf dump_data_utf8 output data.utf8.txt

然后编辑 data*.txt 文件以使其适合您的需求：将 PDF UUID（pdftk调用它们PdfID0/ PdfID1）更改为易于识别的值（00000...和fffff...），将日期更改为另一个易于识别的日期。然后使用这些元数据值更新您的文件：

pdftk in.pdf update_info data.txt output in-updated.pdf \
      &&  mv in-updated.pdf in.pdf

或者

pdftk in.pdf update_info data.utf8.txt output in-updated.utf8.pdf \
      &&  mv in-updated.utf8.pdf in.pdf

然后才运行您的 Md5 校验和，看看它是否有效（或需要更多微调）。

于 2012-07-10T17:13:29.933 回答
2

glib 的答案是校验和，因为数据不同。

我证实了这一点的实验：

首先，我爆破一个pdf并移动文件：

$pdftk Michael-Jordan-I-Cant-Accept-Not-Trying.pdf burst
$md5sum pg_0001.pdf 
150ef33eec73cd13c957194ebead0e93  pg_0001.pdf
$mv pg_0001.pdf 150ef33eec73cd13c957194ebead0e93

接下来，我再次爆破相同的 pdf，再次移动文件：

$pdftk Michael-Jordan-I-Cant-Accept-Not-Trying.pdf burst
$md5sum pg_0001.pdf
49c7c885bc516856f4316452029e0626  pg_0001.pdf
$mv pg_0001.pdf 49c7c885bc516856f4316452029e0626

这证实了您的发现；总和是不同的。经检查，字节 91411-92163 有所不同。

我的直觉告诉我这是日期元数据，因此我确认了这一点：

$pdftk 150ef33eec73cd13c957194ebead0e93 dump_data output 150.txt
$pdftk 49c7c885bc516856f4316452029e0626 dump_data output 49c.txt
$diff -u 150.txt 49c.txt 
--- 150.txt 2012-07-10 11:08:02.371119999 -0600
+++ 49c.txt 2012-07-10 11:08:18.891201910 -0600
@@ -3,9 +3,9 @@
 InfoKey: Producer
 InfoValue: itext-paulo-155 (itextpdf.sf.net-lowagie.com)
 InfoKey: ModDate
-InfoValue: D:20120710105934-06'00'
+InfoValue: D:20120710110010-06'00'
 InfoKey: CreationDate
-InfoValue: D:20120710105934-06'00'
-PdfID0: 51671a1a6c4f5e6bb81b88fc7efd14d0
-PdfID1: 82fd646061863972216ccf8a32cf3c7b
+InfoValue: D:20120710110010-06'00'
+PdfID0: 844f34f87275b9184ebe10b82d3397c9
+PdfID1: 8f555a30216e37d77abaf03a4217b2a
 NumberOfPages: 1

我不确定你的问题是什么，但如果你真的需要匹配总和，两种明显的方法是：

  1. 将日期设置为相同。
  2. 仅使用前 N 个字节来计算总和；省略有问题的元数据。
于 2012-07-10T17:15:05.967 回答