Проверять / проверять целостность PDF-файлов

С помощью PDFtk довольно легко проверить, является ли файл PDF действительным. Свободный GUI для Pdftk доступен из PDF Labs . Когда вы запустите этот инструмент, вы можете загрузить столько PDF-файлов, сколько пожелаете, из нескольких каталогов (с помощью кнопки «Добавить файлы»), и тогда он очень быстро начнет получать доступ к страницам в этих файлах PDF.

Если какой-либо файл среди выбранных PDF-файлов не является допустимым PDF-файлом, эта утилита покажет сообщение об ошибке и автоматически удалит его из окна выбора.

Следовательно, вы можете сэкономить много часов, используя эту процедуру с PDFtk. Кроме того, если у вас многоядерный процессор, вы можете запустить несколько экземпляров этой утилиты и добавить сотни PDF-файлов в каждом экземпляре.

Я использую это программное обеспечение с прошлого года, и это самый удобный инструмент PDF, который я когда-либо использовал.

Я использовал "pdfinfo.exe" из пакета xpdfbin-win и cpdf.exe для проверки файлов PDF на наличие повреждений, но не хотел использовать двоичный файл, если в этом нет необходимости.

Я прочитал, что в новых форматах PDF в конце есть читаемый каталог данных xml, поэтому я открыл PDF с обычными окнами NOTEPAD.exe и прокрутил до конца нечитаемые данные и увидел несколько читаемых ключей. Мне нужен был только один ключ, но я решил использовать и CreationDate, и ModDate.

Следующий скрипт Powershell (PS) проверит ВСЕ PDF-файлы в текущем каталоге и выведет их состояние в текстовый файл (! RESULTS.log). Потребовалось около 2 минут, чтобы запустить это с 35 000 PDF-файлов. Я пытался добавить комментарии для тех, кто плохо знаком с PS. Надеюсь, это сэкономит кому-то время. Вероятно, есть лучший способ сделать это, но это работает безупречно для моих целей и обрабатывает ошибки бесшумно. Вначале вам может потребоваться определить следующее: $ ErrorActionPreference = "SilentlyContinue", если вы видите ошибки на экране.

Скопируйте следующее в текстовый файл и назовите его соответствующим образом (например, CheckPDF.ps1) или откройте PS и перейдите в каталог, содержащий файлы PDF, чтобы проверить и вставить его в консоль.

# # 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" 

Следуя указаниям @ n0nuf, я написал пакетный скрипт, чтобы проверить все PDF-файлы в определенной папке с помощью pdfinfo и протолкнуть его через cpdf, если он был сломан, в попытке их исправить:

@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 

Или так же, как скрипт bash:

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 

Сломанные PDF-файлы будут перемещены в подпапку \ bak, а воссозданные PDF-файлы получат суффикс _.pdf (который не идеален, но достаточно хорош для меня). ПРИМЕЧАНИЕ. Повторно созданный PDF-файл содержит меньше ошибок и должен просматриваться с помощью обычного средства просмотра PDF-файлов. Но это не значит, что вы получите весь свой контент обратно. Невосстанавливаемый контент приводит к пустым страницам.

Я также попробовал то же самое с JHOVE (инструмент для идентификации, проверки и определения формата файла с открытым исходным кодом), как предложено здесь @kraftydevil: Проверьте, не повреждены ли PDF-файлы с помощью командной строки в Linux, и теперь можно подтвердить, что это тоже правильный подход. (Сначала у меня был меньший успех. Но потом я заметил, что неправильно обработал вывод JHOVE.)

Чтобы протестировать оба подхода, я удалил и изменил случайные части из PDF с помощью текстового редактора (удалял потоки, поэтому страницы не отображались в моей программе просмотра PDF, изменял теги PDF и сдвигал некоторые биты). Результат: и pdfinfo, и JHOVE способны правильно определять поврежденные файлы (в некоторых случаях JHOVE был еще более чувствительным).

А вот эквивалентный скрипт для JHOVE:

@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 

Существует различие между типом файла "not valid PDF" и поврежденным файлом PDF. Я только что запустил поврежденный файл PDF через pdftk, и он не обнаружил его.

Пока что pdf2ps (инструмент ghostscript) лучше всего обнаруживает поврежденные файлы, однако я не уверен, что pdfs, созданные на Mac, правильно оценены.