如何检测PDF文件由哪种源文件生成？C#实现方法咨询

可行性说明 #

该需求可以实现，针对未经过二次编辑、直接由单张/多张图片转换生成的PDF检测准确率可达95%以上。核心判断逻辑为：这类PDF每页仅包含1个和页面尺寸几乎一致的嵌入图像对象，且图像压缩格式、参数和JPEG/TIFF的特征完全匹配；普通文字生成的PDF会包含文本对象、矢量路径，不会以整张尺寸匹配的图像作为唯一页面内容。如果PDF经过裁剪、添加水印、OCR叠加文字层等操作，需要调整检测规则适配。

C#实现步骤 #

你可以借助成熟的PDF处理库完成开发，以下是基于iText 7的实现方案：

1. 首先安装对应NuGet包：itext7
2. 核心检测逻辑如下：

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Xobject;

public static bool CheckPdfImageSource(string pdfPath, out string sourceFormat)
{
    sourceFormat = string.Empty;
    try
    {
        using var pdfReader = new PdfReader(pdfPath);
        using var pdfDoc = new PdfDocument(pdfReader);
        // 遍历所有页面校验，所有页面都符合特征才判定为图片转换生成
        for (int i = 1; i <= pdfDoc.GetNumberOfPages(); i++)
        {
            var page = pdfDoc.GetPage(i);
            var pageSize = page.GetPageSize();
            var resources = page.GetResources();
            var xObjectNames = resources.GetXObjectNames();

            List<PdfImageXObject> pageImages = new();
            foreach (var name in xObjectNames)
            {
                var xObj = resources.GetXObject(name);
                if (xObj is PdfImageXObject imgObj)
                {
                    pageImages.Add(imgObj);
                }
            }

            // 页面图像数量不为1，不符合直接转换的特征
            if (pageImages.Count != 1) return false;
            var targetImg = pageImages[0];

            // 允许图像和页面尺寸有2%以内的误差，避免边距、缩放带来的误判
            float widthDiffRate = Math.Abs(targetImg.GetWidth() - pageSize.GetWidth()) / pageSize.GetWidth();
            float heightDiffRate = Math.Abs(targetImg.GetHeight() - pageSize.GetHeight()) / pageSize.GetHeight();
            if (widthDiffRate > 0.02 || heightDiffRate > 0.02) return false;

            // 匹配压缩格式特征
            var filterType = targetImg.GetPdfObject().Get(PdfName.Filter)?.ToString();
            if (filterType == "/DCTDecode")
            {
                sourceFormat = "JPEG";
            }
            else if (filterType is "/CCITTFaxDecode" or "/LZWDecode" or "/FlateDecode" && targetImg.GetBitsPerComponent() <= 8)
            {
                // TIFF常见压缩格式，结合位深度判定
                sourceFormat = "TIFF";
            }
            else
            {
                return false;
            }
        }
        return true;
    }
    catch
    {
        // 加密、损坏的PDF直接返回检测失败
        return false;
    }
}

优化建议 #

• 如果需要更高的检测准确率，可以提取嵌入图像的原始字节，和JPEG/TIFF的文件头特征做二次校验
• 针对叠加了OCR文字层的扫描件PDF，检测时可以跳过文本对象，只统计页面内的图像资源
• 针对带水印的PDF，可以过滤尺寸远小于页面的图像资源后再做判断

内容的提问来源于stack exchange，提问作者mechmati