验证/验证PDF文件的完整性

有什么我可以在PDF档案（所有目录）上运行的工具，最终它可以列出/标识损坏/无效的PDF？

我的计算机（Windows机器）上有数百个PDF文件（与文档等有关），而且经常收到/必须通过电子邮件发送数十个PDF。现在，我接收或发送的PDF已损坏是正常的例程。当源文件（例如Word文件或Tex文件丢失/无法立即使用）时，有时会造成严重的麻烦。

在有限的时间内不可能检查成千上万的PDF，因此我搜索了一个可以运行一次的工具，它扫描了所有PDF（在目录和子目录中），最后我得到了这些文件的列表， -创建。到目前为止，似乎还没有这样的工具。

使用PDFtk可以很容易地检查PDF文件是否有效。一对PDFTK免费GUI可从PDF实验室。运行此工具时，可以从多个目录中加载所需数量的PDF（使用“添加文件”按钮），然后它将开始非常快速地访问这些PDF文件中的页面。

如果所选PDF中的任何文件都不是有效的PDF，则该实用程序将显示有关该错误的消息，并将自动从选择窗口中将其删除。

因此，使用PDFtk使用此过程可以节省许多时间。此外，如果您具有多核CPU，则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。

我从去年开始就使用此软件，它是我使用过的最方便的PDF工具。

我已经使用了xpdfbin-win软件包和cpdf.exe中的“ pdfinfo.exe”来检查PDF文件是否损坏，但是如果没有必要，则不想包含二进制文件。

我了解到，较新的PDF格式的末尾具有可读的xml数据目录，因此我使用常规窗口NOTEPAD.exe打开了PDF，并向下滚动经过了不可读的数据，最后看到了几个可读的键。我只需要一个键，但是选择同时使用CreationDate和ModDate。

以下Powershell（PS）脚本将检查当前目录中的所有PDF文件，并将每个状态输出为文本文件（！RESULTS.log）。对35,000个PDF文件运行了大约2分钟。我试图为PS的新手添加评论。希望这可以节省一些时间。可能有更好的方法来执行此操作，但这对我而言是完美的，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：$ ErrorActionPreference =“ SilentlyContinue”，如果您在屏幕上看到错误。

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PDF文件的目录以进行检查并将其粘贴在控制台中。

#
# 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"

遵循@ 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，如果损坏则通过cpdf推送它，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将移到\ bak子文件夹中，并且重新创建的PDF具有后缀_.pdf（这不是完美的，但对我来说足够好了）。注意：重新创建的PDF包含的错误较少，应该可以用常规的PDF查看器查看。但这并不意味着您可以收回所有内容。无法恢复的内容导致空白页。

我也使用@kraftydevil的建议使用JHOVE（开源文件格式识别，验证和表征工具）进行了相同的尝试：在Linux上使用命令行检查PDF文件是否已损坏，现在可以确认这也是有效的方法。（首先，我获得的成功较少。但是后来，我注意到我没有正确处理JHOVE的输出。）

为了测试这两种方法，我使用文本编辑器从PDF中删除和更改了随机部分（删除了流，因此页面无法在PDF查看器中呈现，更改了PDF标签并移位了一些位）。结果是：pdfinfo和JHOVE都能够正确发现损坏的文件（在某些情况下，JHOVE更加敏感）。

这是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