Python如何读取无元数据的二进制内容 实现相同内容PDF文件比对

差异来源说明 #

你遇到的两处差异均属于PDF标准定义的元数据字段，和实际展示/内容无关：

• 第一处带UUID格式的二进制内容是PDF的/ID字段，是生成PDF时工具自动生成的唯一标识符，相同内容多次生成也可能出现不同值
• 第二处D:开头的内容是PDF的/ModDate（修改时间）或/CreationDate（创建时间）字段，属于时间类元数据

现有代码的问题 #

你当前使用的二进制分割后求集合差的方案存在缺陷：

• 按空白符分割会把PDF内容内部的空白符作为分割依据，容易出现误判
• 集合会自动去重，无法检测到重复内容片段的数量差异
• 无法自动区分差异属于元数据还是实际内容

可行的实现方案 #

方案1：仅提取页面渲染内容比对（推荐） #

使用PyMuPDF（fitz）库只读取PDF所有页面的实际渲染内容，完全排除文档层面的元数据干扰，代码示例：

import fitz

def get_pure_pdf_content(file_path: str) -> bytes:
    doc = fitz.open(file_path)
    pure_content = b""
    for page in doc:
        pure_content += page.read_contents()
    return pure_content

if __name__ == "__main__":
    content1 = get_pure_pdf_content("file1.pdf")
    content2 = get_pure_pdf_content("file2.pdf")
    print(content1 == content2)

使用前需先安装依赖：pip install pymupdf

方案2：剥离元数据后比对完整二进制 #

如果需要保留PDF完整结构仅排除元数据，可以用PyPDF2清空元数据后导出二进制再比对，代码示例：

import io
from PyPDF2 import PdfReader, PdfWriter

def strip_pdf_metadata(file_path: str) -> bytes:
    reader = PdfReader(file_path)
    writer = PdfWriter()
    for page in reader.pages:
        writer.add_page(page)
    # 清空所有元数据字段
    writer.add_metadata({})
    buffer = io.BytesIO()
    writer.write(buffer)
    return buffer.getvalue()

if __name__ == "__main__":
    content1 = strip_pdf_metadata("file1.pdf")
    content2 = strip_pdf_metadata("file2.pdf")
    print(content1 == content2)

使用前需先安装依赖：pip install pypdf2

内容的提问来源于stack exchange，提问作者Nobel