C＃ - 的MS Office文档的Hash内容没有元数据(C# - Hash contents o

我试图找出重复的内容的文件。 决定做使用散列机构（MD5，SHA1或任何其他）的比较。 正常工作与名为“.txt”文件。 然而，与MS Office文件（.DOC，.DOCX，.xls的，等等）失败。

MD5 / SHA1哈希不是MS Office文件不变，即使它们具有相同的“文本”的内容。 我认为微软Office存储文件，每次保存的文件，它改变某种元数据。 因此，散列是不同的。

例如，我有一个文件ABC.doc，我计算它的哈希（HASH1）。 打开并更改1个字，并保存文件。 撤消你所做的更改，保存和计算散列（HASH2）。 HASH1！= HASH2在这种情况下。 如果你尝试这种在名为“.txt”文件是相同的

有没有办法去欺骗基于散列的内容MS Office文档？ 我们可以散列只有文件的内容，而不是它的元数据？

Answer 1:

我不认为这可以在不使用工具提取文件的文本，然后散列文本来完成。 我可以推荐Stellent公司由外而内，现在属于Oracle。 但是，这可能是矫枉过正的解决您的需求。 他们提供了一个工具，从多种类型的文件，包括所有的办公室文件和版本提取文本。

文章来源: C# - Hash contents of MS Office documents without metadata