pdf-toolkit

PDF 工具包

仅使用标准库审核 .pdf 文件的元数据、页数、加密状态、嵌入式 JavaScript、嵌入文件和 PDF 版本。

---

目录

• 关键词
• 快速开始
• 核心工作流
• 工具
• 参考指南
• 模板
• 最佳实践

---

关键词

pdf、pdf 审核、pdf 元数据、pdf 审阅、pdf 泄漏、pdf 安全、编辑、文档交接

---

先澄清

运行审核前，请确认以下输入。如果有任何信息未知或含糊，请询问，不要自行假设：

• 审核目的（交接前清理元数据、入站安全筛查或批量出站检查）——用于选择 3 种工作流中的一种，以及要处理的字段
• 接收方／处理场景（外部人员、受管理的笔记本电脑）——用于确定哪些情况属于泄漏，哪些威胁值得隔离
• 预期的合法元数据（作者／标题应是什么）——没有这些信息，就无法区分泄漏与预期数据

停止规则：只询问最能影响结果的 2-3 个问题。如果用户说“先起草就行”，则继续处理，并在产物开头列出假设。

快速开始

python scripts/pdf_auditor.py contract.pdf

输出：PDF 版本、页数、文件大小、元数据（Author、Title、Producer、Creator、日期）、加密状态、嵌入式 JavaScript 指示项、嵌入文件指示项。

---

核心工作流

工作流 1：交接前 PDF 元数据审核

目标： 将 PDF 交给外部人员时，避免泄漏作者身份、先前客户名称或文档历史记录。

步骤：

1. 运行：python scripts/pdf_auditor.py document.pdf
2. 检查元数据字段：
   • Author 与发送方一致（而不是之前项目中“Bob 的实习生”）
   • Title 与文档内容一致，而不是遗留的工作标题
   • Producer 不会暴露仅供内部使用的 PDF 工具
   • CreationDate 和 ModDate 对当前交易而言合理
3. 如果元数据存在泄漏，请从源文件重新导出并清理属性（或使用编辑工具）

预计耗时： 每份文档 2-3 分钟。

工作流 2：PDF 安全筛查

目标： 判断收到的 PDF 是否能在受管理的笔记本电脑上安全打开。

步骤：

1. 运行审核
2. 存在 JavaScript 指示项 → 隔离；在沙盒中检查
3. 存在嵌入文件指示项 → 列出文件类型；如有异常则隔离
4. 使用非空所有者密码加密 → 通过独立渠道向发送方索要密码
5. 决策：打开／隔离／拒绝

预计耗时： 每份入站文档 1-2 分钟。

工作流 3：批量审核出站文档集

目标： 将文件夹中的每个 PDF 打包发送给客户或合作伙伴前，逐一审核。

步骤：

1. 循环运行：for f in *.pdf; do python scripts/pdf_auditor.py "$f" --json; done > audit.jsonl
2. 解析 JSON Lines，检查是否存在元数据泄漏或异常
3. 从源文件重新导出有问题的文件
4. 重新运行审核，直到全部通过

预计耗时： 每个文件 1-2 分钟。

---

工具

pdf_auditor.py

使用标准库解析 PDF，无需 pypdf 或 pdfplumber。可检测：

• PDF 版本（从文件头获取）
• 页数（通过扫描 /Type /Page 对象）
• 文件大小
• 文档信息／XMP 元数据（Title、Author、Subject、Keywords、Producer、Creator、CreationDate、ModDate）
• 加密状态（存在 /Encrypt 引用）
• JavaScript 指示项（/JS、/JavaScript、/AA 键）
• 嵌入文件指示项（/EmbeddedFiles）

python scripts/pdf_auditor.py document.pdf
python scripts/pdf_auditor.py document.pdf --json

限制：

• 不会提取文本内容——仅用标准库进行纯 PDF 文本提取并不可靠。如需提取文本，请单独安装 pdfplumber 或 pypdf。
• 无法解密加密文件。
• 只能检测 JavaScript／嵌入文件是否存在，无法检测其行为。

---

参考指南

• references/pdf_handoff_guide.md——向外部发送前应从 PDF 中清理哪些内容；PDF/A 和 PDF/UA 基础知识；常见泄漏模式

---

模板

• assets/pdf_handoff_checklist.md — 发送前 PDF 签核清单

---

最佳实践

• 重新导出，而非涂黑。 用于“移除”内容的涂黑工具可能会让内容仍可恢复。最安全的做法是从源文档重新生成 PDF，并移除敏感字段。
• 在源文件中清除文档属性。 在 Word 中：文件 → 检查文档 → 文档检查器。在 Pages 中：文件 → 属性。然后导出为 PDF。
• 不要轻信文件名。 名为 Public-Report.pdf 的文件可能包含肉眼无法辨别的私人元数据。
• 归档时使用 PDF/A。 PDF/A 会移除 JavaScript 和外部依赖项，让文档适合长期归档。

---

集成点

• 与 legal/ 配合，用于经过涂黑处理的合同交接
• 与 c-level-advisor/board-deck-builder 配合，用于董事会材料交接
• marketing/ 使用此工具进行白皮书／案例研究交接