如何识别PDF文件是否为PDF/A？批量处理与元数据提取咨询

一、纯PowerShell实现（有限可行性） #

PowerShell没有原生PDF解析能力，但可通过调用.NET开源PDF库实现，无需开发完整阅读器，不过对大文件友好度低：

1. 引入.NET PDF库（以PdfSharp为例）：
   下载对应DLL到本地后，在PowerShell中加载：

   Add-Type -Path "PdfSharp.dll"
   

2. 批量处理脚本示例：

   $pdfFiles = Get-ChildItem -Path "你的目标路径" -Filter *.pdf -Recurse
   $results = @()
   
   foreach ($file in $pdfFiles) {
       try {
           $document = [PdfSharp.Pdf.PdfReader]::Open($file.FullName)
           # 检测PDF/A核心标识：OutputIntents
           $isPdfA = $document.Info.Elements.ContainsKey("/OutputIntents")
           # 提取PDF/A版本（需解析XMP元数据，此处简化处理）
           $pdfAVersion = if ($isPdfA) { "PDF/A（需进一步解析XMP确认具体版本）" } else { "Non-PDF/A" }
           
           $results += [PSCustomObject]@{
               FilePath = $file.FullName
               IsPdfA = $isPdfA
               PdfAVersion = $pdfAVersion
               CreationDate = $document.Info.CreationDate
               Author = $document.Info.Author
           }
           $document.Close()
       } catch {
           Write-Warning "处理文件 $($file.FullName) 出错: $_"
           $results += [PSCustomObject]@{
               FilePath = $file.FullName
               IsPdfA = $null
               PdfAVersion = "处理错误"
               CreationDate = $null
               Author = $null
           }
       }
   }
   
   $results | Export-Csv -Path "PdfAMetadata.csv" -NoTypeInformation -Encoding UTF8
   

   注意：该方案需加载完整PDF到内存，GB级文件易出现内存溢出，处理0.5TB文件耗时极长，仅适合小批量测试。

二、第三方工具方案（推荐，适配大规模处理） #

1. ExifTool（首选） #

ExifTool对PDF元数据支持完善，仅读取元数据区域，处理速度快，能准确识别PDF/A具体版本：

• 安装ExifTool后，执行以下PowerShell脚本：

  $pdfFiles = Get-ChildItem -Path "你的目标路径" -Filter *.pdf -Recurse
  $results = @()
  
  foreach ($file in $pdfFiles) {
      # 调用ExifTool提取指定元数据
      $metadata = exiftool -s -n -PDFAVersion -IsPDFA -CreateDate -Author "$($file.FullName)"
      # 解析输出结果
      $isPdfA = ($metadata | Select-String "IsPDFA").Line.Split(":")[1].Trim() -eq "1"
      $pdfAVersion = if ($isPdfA) { ($metadata | Select-String "PDFAVersion").Line.Split(":")[1].Trim() } else { "Non-PDF/A" }
      $creationDate = ($metadata | Select-String "CreateDate").Line.Split(":")[1].Trim()
      $author = ($metadata | Select-String "Author").Line.Split(":")[1].Trim()
  
      $results += [PSCustomObject]@{
          FilePath = $file.FullName
          IsPdfA = $isPdfA
          PdfAVersion = $pdfAVersion
          CreationDate = $creationDate
          Author = $author
      }
  }
  
  $results | Export-Csv -Path "PdfAMetadata_ExifTool.csv" -NoTypeInformation -Encoding UTF8
  

2. PDFtk #

PDFtk可检测PDF/A，但无法直接提取具体版本，适合仅需识别是否为PDF/A的场景：

• 安装PDFtk后，脚本示例：

  $pdfFiles = Get-ChildItem -Path "你的目标路径" -Filter *.pdf -Recurse
  $results = @()
  
  foreach ($file in $pdfFiles) {
      $output = pdftk "$($file.FullName)" dump_data output -
      $isPdfA = $output -match "OutputIntent"
      $pdfAVersion = if ($isPdfA) { "PDF/A（版本需额外工具确认）" } else { "Non-PDF/A" }
      $creationDate = ($output | Select-String "CreationDate").Line.Split(":")[1].Trim()
  
      $results += [PSCustomObject]@{
          FilePath = $file.FullName
          IsPdfA = $isPdfA
          PdfAVersion = $pdfAVersion
          CreationDate = $creationDate
      }
  }
  
  $results | Export-Csv -Path "PdfAMetadata_PDFtk.csv" -NoTypeInformation -Encoding UTF8
  

三、大规模处理优化建议 #

针对0.5TB文件量，优先用ExifTool方案，并做以下优化：

• 并行处理：使用PowerShell 7+的ForEach-Object -Parallel提升效率：

  $pdfFiles = Get-ChildItem -Path "你的目标路径" -Filter *.pdf -Recurse
  $results = $pdfFiles | ForEach-Object -Parallel {
      $file = $_
      $metadata = exiftool -s -n -PDFAVersion -IsPDFA -CreateDate -Author "$($file.FullName)"
      $isPdfA = ($metadata | Select-String "IsPDFA").Line.Split(":")[1].Trim() -eq "1"
      $pdfAVersion = if ($isPdfA) { ($metadata | Select-String "PDFAVersion").Line.Split(":")[1].Trim() } else { "Non-PDF/A" }
      $creationDate = ($metadata | Select-String "CreateDate").Line.Split(":")[1].Trim()
      $author = ($metadata | Select-String "Author").Line.Split(":")[1].Trim()
  
      [PSCustomObject]@{
          FilePath = $file.FullName
          IsPdfA = $isPdfA
          PdfAVersion = $pdfAVersion
          CreationDate = $creationDate
          Author = $author
      }
  } -ThrottleLimit 8 # 根据CPU核心数调整
  
  $results | Export-Csv -Path "PdfAMetadata_Parallel.csv" -NoTypeInformation -Encoding UTF8
  

• 优先处理本地磁盘文件，避免网络IO延迟。

内容的提问来源于stack exchange，提问作者meataxe