从 PDF 文件中提取元数据

原文：https://www.studytonight.com/network-programming-in-python/extracting-metadata-from-pdf-files

本教程属于Cyber Forensics范畴。我们要讨论的例子是一个现实生活中的事件，黑客组织匿名的一名成员被捕，此前他们发布了一个 PDF 文件(作为 oress 版本)，其中包含了关于他们的组织及其实施的在线攻击的信息。对他不利的证据是，从发布的 PDF 文件中提取的元数据。您可以从这里的下载 pdf。

在本教程中，我们还将尝试从上述 pdf 文件中提取元数据，并查看它包含哪些信息。但是首先，让我们试着理解什么是元数据？

元数据是关于数据的数据。元数据是解释、描述或定位原始主数据的结构化信息，或者以其他方式使原始主数据的使用更加高效的结构化信息。

简单地说，元数据保存了关于数据的信息。如果 PDF 文件包含一些数据，元数据将是 PDF 的创建日期，它甚至可能包含创建它的计算机的 Mac 地址、作者姓名、用来创建 PDF 的软件等。

现在，在我们真正开始从 PDF 文件中提取元数据之前，我们还需要做一件事。我们需要安装另一个名为pyPdf的 python 模块。要安装它，只需遵循以下步骤:

• 从这里下载pyPdftar.gz文件。
• 使用以下命令提取 tar.gz 文件:tar -xvzf 'filename'
• 现在将您的目录更改为新提取的文件夹。
• 通过运行python setup.py install命令安装软件包。

从 PDF 文件中提取元数据的程序

以下是从 PDF 文件中提取元数据的程序:

meta_extract.py

#!usr/bin/env python
# This program displays metadata from pdf file

import pyPdf

def main():
    # Enter the location of 'ANONOPS_The_Press_Release.pdf'
    # Download the PDF if you haven't already
    filename = <LOCATION_OF_THE_PDF>

    pdfFile = pyPdf.PdfFileReader(file(filename,'rb'))
    data = pdfFile.getDocumentInfo()

    print "----Metadata of the file----"

    for metadata in data:
        print metadata+ ":" +data[metadata]

if __name__ == '__main__':
    main()

输出:

所以现在，每当你收到任何可疑的 PDF 文件，你都可以很容易地访问它的元数据来找出它的来源。酷！不是吗？