本篇文章更新時間：2026/02/05
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知。
一介資男的 LINE 社群開站囉！歡迎入群聊聊～
如果本站內容對你有幫助，歡迎使用 BFX Pay 加密貨幣 或 新台幣 贊助支持。
內容目錄
深入 PDF 鑑識的世界：重新理解 Epstein PDFs 的真正故事
副標題：從技術角度揭露文件背後的處理流程、風險與迷思
編輯前言：這篇文章來自 PDF Association 的案例研究：A case study in PDF forensics: The Epstein PDFs。原文不是在談八卦，而是教我們如何用「PDF 鑑識」的方式理解文件是如何產生、被修改、被清理，以及為什麼網路上那些「可恢復塗黑內容」的說法大多是錯誤的。
核心觀點 (Key Takeaways)
- DoJ 公開的 Epstein PDFs（EFTA DataSet 01–07）實際上已正確完成紅編，不含可恢復文字。
- 多份 PDF 含有增量更新（Incremental Updates），這是鑑識分析時必須特別注意的技術重點。
- DoJ 的處理流程嚴格，但仍留下孤兒物件（orphaned objects）、評論、與低品質 OCR 等細節，揭示真實世界工作流程的複雜性。
深入解析
這篇文章不是在解密文件內容，而是在解析 PDF 本身「如何形成」。作者透過對上千份 DoJ 文件的隨機抽樣分析，示範了一次完整的 PDF 技術鑑識流程，包括：格式有效性、增量更新、Bates 編號、影像處理、隱藏 metadata、以及 OCR 表現。
引用原文一句話最能說明作者的立場：
“You should never trust a single tool.”
PDF 不是單純的文字檔，它是一種複雜的結構化二進位檔案。遇到增量更新、交叉參照（xref）、跨版本結構等情況時，各種工具甚至會給出矛盾結果，因此鑑識工作必須同時依賴多種工具驗證。
1. 增量更新揭示 DoJ 的文件處理流程
許多 Epstein PDFs 其實不是單一版本，而是經過多次修改的「疊加式版本鏈」。每次更新都會把新的資料加在檔案結尾，而不是覆寫原始內容。這使得鑑識工程師能看到：
- 第一版 PDF 是掃描或影像渲染結果
- 第二版加入了 metadata 修改（如版本號改為 1.5）
- 最後一版加入 Bates 編號
這點非常關鍵，因為：
- 若有紅編錯誤，可能藏在前一版
- 早期 metadata 有時會被保留在壓縮物件流中（通常看不見）
作者特別發現 DoJ 的 metadata 清理流程有瑕疵——例如某些文件仍藏著未被引用的資訊物件。
2. Bates 編號完全是「影像上的黑框」而不是文字蓋板
這一點非常重要，因為新聞端流傳的「文字可反查」多半是針對其他年份的 DoJ 文件，而非本次公開的 EFTA DataSets。
作者確認：
- 黑框是直接畫在像素上，而不是蓋在文字上
- 沒有可拷貝的底層文字
- 所以不可能用選取、複製、顏色反轉等方法看到被遮住的內容
這完全符合正確的紅編程序。
3. Metadata 的殘留與「孤兒物件」問題
雖然整體 sanitization 做得不錯，但仍留下：
- 被遺棄的 Info dictionary
- PDF comments
- 可能存在於前一次 incremental update 的 metadata
例如：
/Creator (OmniPage CSDK 21.1)
/Producer (Processing-CLI)
這種資訊對內容無害，但透露了 DoJ 的工具鏈與處理方式，對鑑識工程師是寶貴線索。
4. 所有照片都被重新取樣、降 DPI、移除 EXIF
DoJ 非常明確地避免 JPEG 作為 PDF 內嵌影像。原因很簡單：
- JPEG 可能暗藏 EXIF、XMP、GPS、機身序號等資訊
- 即便有黑框，metadata 仍可能洩漏
於是 DoJ 選擇：
- 96 DPI 的位圖
- Indexed color（顏色縮減）
- FLATEEncode（避免 JPEG）
對鑑識來說，這是一種「安全但粗暴」的作法。
5. 「掃描文件」其實有兩種：真的掃描 & 人工合成的掃描影像
這個觀察很有意思。
某些文件確實有：
- 釘書孔
- 紙邊陰影
- 手寫筆記
- 扭曲與噪點
但另一些「掃描樣式」的文件，卻：
- 完美乾淨
- 多頁 skew 角度一致
- 沒有任何紙張紋理
作者認為這些很可能是「以電子文件重新渲染成影像」，在送交審查前模擬成“看起來像掃描”。
6. OCR 品質不佳，意味著重新 OCR 可能得出更完整內容
作者指出：
OCR largely inaccurate and does not use ML or NLP techniques.
這代表：
- 原始 OCR 非常粗糙
- 如果研究者自行重新 OCR，可能找到更多線索
但這不意味著能恢復紅編內容，只能得到更乾淨的非敏感資訊。
筆者心得與啟發
讀完這份案例研究，我最大的感觸是：
政府機關的文件處理，其實比我們想像的更「工程化」，但也更「混亂」。
DoJ 的流程一方面非常嚴謹，例如：
- 移除 JPEG
- 影像重製
- 多層增量更新
- 黑框直接畫進像素
但另一方面，一些細節像：
- 孤兒 metadata
- 不一致的版本號
- 低品質 OCR
- 留下 PDF comments
則暴露出真實世界的流程永遠不是完美的流水線，而是複雜的工具鏈與人工決策混合體。
這篇文章也提醒我：
- 不能只靠一個工具檢查 PDF
- 「看起來乾淨」不代表沒有隱藏層級
- 鑑識是一件需要耐心與 cross-validation 的工作
如果你有在處理 PDF、隱私資料、法律文件或偵查報告，這份研究是非常值得一讀的。不只是技術知識，更是一種思維訓練——讓我們知道文件背後的真實結構遠比表面複雜。