.Net C#中相同内容PDF文件对比返回false问题求助

你遇到的问题本质是：Word多次导出同内容为PDF时，文件会包含不同的隐性元数据（比如创建时间、文档唯一ID、生成时间戳等），这些元数据属于PDF文件结构的一部分，但不影响实际显示内容，所以直接对比字节或哈希会返回false。

以下是几种可行的解决方案：

方案1：提取PDF文本内容对比 #

直接提取两个PDF中的纯文本内容进行对比，忽略所有元数据。可以用iTextSharp这类PDF处理库实现：

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

public static bool ArePdfContentsEqual(string path1, string path2)
{
    string text1 = ExtractPlainTextFromPdf(path1);
    string text2 = ExtractPlainTextFromPdf(path2);
    return text1.Equals(text2, StringComparison.OrdinalIgnoreCase); // 按需忽略大小写
}

private static string ExtractPlainTextFromPdf(string pdfPath)
{
    var textBuilder = new StringBuilder();
    using (var pdfReader = new PdfReader(pdfPath))
    {
        for (int pageNum = 1; pageNum <= pdfReader.NumberOfPages; pageNum++)
        {
            textBuilder.Append(PdfTextExtractor.GetTextFromPage(pdfReader, pageNum));
        }
    }
    return textBuilder.ToString();
}

方案2：对比PDF视觉渲染结果 #

如果需要确保视觉上完全一致（比如包含图片或复杂排版），可以将PDF每页渲染为图片，再对比图片哈希：

using PdfiumViewer;
using System.Drawing;
using System.Drawing.Imaging;
using System.Security.Cryptography;

public static bool ArePdfVisuallyIdentical(string path1, string path2)
{
    using (var doc1 = PdfDocument.Load(path1))
    using (var doc2 = PdfDocument.Load(path2))
    {
        if (doc1.PageCount != doc2.PageCount)
            return false;

        for (int pageIndex = 0; pageIndex < doc1.PageCount; pageIndex++)
        {
            // 300DPI渲染，保证清晰度
            using (var pageImg1 = doc1.Render(pageIndex, 300, 300, true))
            using (var pageImg2 = doc2.Render(pageIndex, 300, 300, true))
            {
                if (!ComputeImageHash(pageImg1).Equals(ComputeImageHash(pageImg2)))
                    return false;
            }
        }
        return true;
    }
}

private static string ComputeImageHash(Image image)
{
    using (var ms = new MemoryStream())
    {
        image.Save(ms, ImageFormat.Png);
        using (var sha1 = SHA1.Create())
        {
            byte[] hashBytes = sha1.ComputeHash(ms);
            return Convert.ToBase64String(hashBytes);
        }
    }
}

方案3：清理PDF可变元数据后再对比 #

用Ghostscript等工具清理PDF中的可变元数据，生成标准化后的PDF，再用你原来的字节/哈希对比方法：

# 清理第一个PDF
gs -sDEVICE=pdfwrite -dNOPAUSE -dBATCH -dPDFSETTINGS=/default -dPreserveAnnots=false -sOutputFile=cleaned_pdf1.pdf original_pdf1.pdf

# 清理第二个PDF
gs -sDEVICE=pdfwrite -dNOPAUSE -dBATCH -dPDFSETTINGS=/default -dPreserveAnnots=false -sOutputFile=cleaned_pdf2.pdf original_pdf2.pdf

清理后再调用你原来的AreFileContentsEqual或AreFilesEqual方法对比即可。

内容的提问来源于stack exchange，提问作者Diego Perez