node.js - 为什么通过 pdftk 将多页 PDF 重复拆分为单独的页面会更改这些页面的 md5 校验和？

Question

我正在使用 pdftk并进行了一些测试，发现将多页 PDF 文件拆分为单独的单页 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)，每次我进行拆分时都会产生不同的哈希值。这就是结果，即使它是完全相同的文件且没有任何更改。

我的测试流程是:

1. 解压 test.pdf(包含 10 页的简单纯文本 PDF)
2. 使用 pdftk，将 test.pdf 分成 10 个单独的 PDF 文件(每个文件一页)
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。

我正在使用 node.js及其 crypto本练习的模块。

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

Answer 1

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的 /Info 数组中名为 /ModDate 的键。

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 之前执行以下两件事之一-总结:

• “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)，
• 或对规范化 /ModDate(可能还有 /CreationDate)的文件运行编辑(您可以使用 sed)和文件的 UUID 条目。

---

更新:由于您似乎已经熟悉 pdftk，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，使它们满足您的需求:更改 PDF UUID(pdftk 调用它们 PdfID0/PdfID1 ) 到易于识别的值(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

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

只有然后运行您的 Md5 校验和并查看它是否有效(或需要更多微调)。