Как определить, является ли файл файлом PDF?

Ответ 1

вы можете узнать тип mime файла (или массив байтов), чтобы вы не полагались на расширение. Я делаю это с апертурой MimeExtractor (http://aperture.sourceforge.net/), или я видел несколько дней назад библиотеку только для этого (http://sourceforge.net/projects/mime-util)

Я использую диафрагму для извлечения текста из множества файлов, а не только для pdf, но, например, для того, чтобы подгонять мысли для pdf файлов (апертура использует pdfbox, но я добавил другую библиотеку в качестве резервной копии при отказе pdfbox)

Ответ 2

Вот что я использую в своих тестах NUnit, которые должны проверять несколько версий PDF, сгенерированных с помощью Crystal Reports:

public static void CheckIsPDF(byte[] data)
    {
        Assert.IsNotNull(data);
        Assert.Greater(data.Length,4);

        // header 
        Assert.AreEqual(data[0],0x25); // %
        Assert.AreEqual(data[1],0x50); // P
        Assert.AreEqual(data[2],0x44); // D
        Assert.AreEqual(data[3],0x46); // F
        Assert.AreEqual(data[4],0x2D); // -

        if(data[5]==0x31 && data[6]==0x2E && data[7]==0x33) // version is 1.3 ?
        {                  
            // file terminator
            Assert.AreEqual(data[data.Length-7],0x25); // %
            Assert.AreEqual(data[data.Length-6],0x25); // %
            Assert.AreEqual(data[data.Length-5],0x45); // E
            Assert.AreEqual(data[data.Length-4],0x4F); // O
            Assert.AreEqual(data[data.Length-3],0x46); // F
            Assert.AreEqual(data[data.Length-2],0x20); // SPACE
            Assert.AreEqual(data[data.Length-1],0x0A); // EOL
            return;
        }

        if(data[5]==0x31 && data[6]==0x2E && data[7]==0x34) // version is 1.4 ?
        {
            // file terminator
            Assert.AreEqual(data[data.Length-6],0x25); // %
            Assert.AreEqual(data[data.Length-5],0x25); // %
            Assert.AreEqual(data[data.Length-4],0x45); // E
            Assert.AreEqual(data[data.Length-3],0x4F); // O
            Assert.AreEqual(data[data.Length-2],0x46); // F
            Assert.AreEqual(data[data.Length-1],0x0A); // EOL
            return;
        }

        Assert.Fail("Unsupported file format");
    }

Ответ 3

Вы должны попробовать это....

public boolean isPDF(File file){
    file = new File("Demo.pdf");
    Scanner input = new Scanner(new FileReader(file));
    while (input.hasNextLine()) {
        final String checkline = input.nextLine();
        if(checkline.contains("%PDF-")) { 
            // a match!
            return true;
        }  
    }
    return false;
}

Ответ 4

Здесь адаптированная версия Java кода NinjaCross.

/**
 * Test if the data in the given byte array represents a PDF file.
 */
public static boolean is_pdf(byte[] data) {
    if (data != null && data.length > 4 &&
            data[0] == 0x25 && // %
            data[1] == 0x50 && // P
            data[2] == 0x44 && // D
            data[3] == 0x46 && // F
            data[4] == 0x2D) { // -

        // version 1.3 file terminator
        if (data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x33 &&
                data[data.length - 7] == 0x25 && // %
                data[data.length - 6] == 0x25 && // %
                data[data.length - 5] == 0x45 && // E
                data[data.length - 4] == 0x4F && // O
                data[data.length - 3] == 0x46 && // F
                data[data.length - 2] == 0x20 && // SPACE
                data[data.length - 1] == 0x0A) { // EOL
            return true;
        }

        // version 1.3 file terminator
        if (data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x34 &&
                data[data.length - 6] == 0x25 && // %
                data[data.length - 5] == 0x25 && // %
                data[data.length - 4] == 0x45 && // E
                data[data.length - 3] == 0x4F && // O
                data[data.length - 2] == 0x46 && // F
                data[data.length - 1] == 0x0A) { // EOL
            return true;
        }
    }
    return false;
}

И некоторые простые модульные тесты:

@Test
public void test_valid_pdf_1_3_data_is_pdf() {
    assertTrue(is_pdf("%PDF-1.3 CONTENT %%EOF \n".getBytes()));
}

@Test
public void test_valid_pdf_1_4_data_is_pdf() {
    assertTrue(is_pdf("%PDF-1.4 CONTENT %%EOF\n".getBytes()));
}

@Test
public void test_invalid_data_is_not_pdf() {
    assertFalse(is_pdf("Hello World".getBytes()));
}

Если вы придумаете какие-либо отказоустойчивые модульные тесты, сообщите мне.

Ответ 5

Файлы Pdf начинаются с "% PDF" (откройте один в TextPad или аналогичный и посмотрите)

По какой-либо причине вы не можете просто прочитать файл с помощью StringReader и проверить это?

Ответ 6

Поскольку вы используете PDFBox, вы можете просто сделать:

PDDocument.load(file);

Это приведет к ошибке с исключением, если PDF поврежден и т.д.

Если это удается, вы также можете проверить, зашифрован ли PDF с помощью .isEncrypted()

Ответ 7

Возможно, я слишком поздно, чтобы ответить. Но вы должны взглянуть на Тику. Он использует PDFBox Parser внутри для анализа PDF

Вам просто нужно импортировать tika-app-latest *.jar

 public String parseToStringExample() throws IOException, SAXException, TikaException 
 {

      Tika tika = new Tika();
      try (InputStream stream = ParsingExample.class.getResourceAsStream("test.pdf")) {
           return tika.parseToString(stream); // This should return you the pdf text
      }
}

Это было бы намного более чистое решение. Вы можете обратиться сюда для получения более подробной информации об использовании Тики: https://tika.apache.org/1.12/api/

Ответ 8

Я использовал некоторые предложения, которые я нашел здесь, и на других сайтах/сообщениях для определения того, был ли PDF действителен или нет. Я намеренно исказил файл PDF, и, к сожалению, многие из этих решений не обнаружили, что файл поврежден.

В конце концов, после использования разных API-интерфейсов, я пробовал это:

PDDocument.load(file).getPage(0).getContents().toString();

Это не выдавало исключение, но оно выводило это:

 WARN  [COSParser:1154] The end of the stream doesn't point to the correct offset, using workaround to read the stream, stream start position: 171, length: 1145844, expected end position: 1146015

Лично я хотел, чтобы было исключено исключение, если файл был поврежден, поэтому я мог справиться с этим сам, но оказалось, что API, который я реализовал, уже обрабатывал их по-своему.

Чтобы обойти это, я решил попробовать разбор файлов с помощью класса, который дал теплый оператор (COSParser). Я обнаружил, что существует подкласс под названием PDFParser, который унаследовал метод "setLenient", который был ключом (https://pdfbox.apache.org/docs/2.0.4/javadocs/org/apache/pdfbox/pdfparser/COSParser.html).

Затем я реализовал следующее:

        RandomAccessFile accessFile = new RandomAccessFile(file, "r");
        PDFParser parser = new PDFParser(accessFile); 
        parser.setLenient(false);
        parser.parse();

Это бросило исключение для моего поврежденного файла, как я и хотел. Надеюсь, это поможет кому-то!

Ответ 9

Ответ Роджера Кейса неверен! поскольку не все файлы PDF в версии 1.3 и не все завершены EOL. Ответ ниже работает для всех не поврежденных файлов pdf:

public static boolean is_pdf(byte[] data) {
    if (data != null && data.length > 4
            && data[0] == 0x25 && // %
            data[1] == 0x50 && // P
            data[2] == 0x44 && // D
            data[3] == 0x46 && // F
            data[4] == 0x2D) { // -

        // version 1.3 file terminator
        if (//data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x33 &&
                data[data.length - 7] == 0x25 && // %
                data[data.length - 6] == 0x25 && // %
                data[data.length - 5] == 0x45 && // E
                data[data.length - 4] == 0x4F && // O
                data[data.length - 3] == 0x46 && // F
                data[data.length - 2] == 0x20 // SPACE
                //&& data[data.length - 1] == 0x0A// EOL
                ) {
            return true;
        }

        // version 1.3 file terminator
        if (//data[5] == 0x31 && data[6] == 0x2E && data[7] == 0x34 &&
                data[data.length - 6] == 0x25 && // %
                data[data.length - 5] == 0x25 && // %
                data[data.length - 4] == 0x45 && // E
                data[data.length - 3] == 0x4F && // O
                data[data.length - 2] == 0x46 // F
                //&& data[data.length - 1] == 0x0A // EOL
                ) {
            return true;
        }
    }
    return false;
}

Ответ 10

В общем, нам может понравиться, что любая версия PDF будет заканчиваться с %% EOF, чтобы мы могли проверить, как ниже.

public static boolean is_pdf(byte[] data) {
        String s = new String(data);
        String d = s.substring(data.length - 7, data.length - 1);
        if (data != null && data.length > 4 &&
                data[0] == 0x25 && // %
                data[1] == 0x50 && // P
                data[2] == 0x44 && // D
                data[3] == 0x46 && // F
                data[4] == 0x2D) { // -

              if(d.contains("%%EOF")){
                 return true; 
              }         
        }
        return false;
    }

Ответ 11

Существует очень удобная и простая библиотека для тестирования содержимого PDF: https://github.com/codeborne/pdf-test

API очень прост:

import com.codeborne.pdftest.PDF;
import static com.codeborne.pdftest.PDF.*;
import static org.junit.Assert.assertThat;

public class PDFContainsTextTest {
  @Test
  public void canAssertThatPdfContainsText() {
    PDF pdf = new PDF(new File("src/test/resources/50quickideas.pdf"));
    assertThat(pdf, containsText("50 Quick Ideas to Improve your User Stories"));
  }
}