Narzędzie do porównywania dużej liczby plików PDF? [Zamknięte]

Muszę porównać dużą liczbę plików PDF pod kątem zawartości optycznej. Ponieważ pliki PDF zostały utworzone na różnych platformach i przy różnych wersjach oprogramowania, istnieją różnice strukturalne. Na przykład:

• fragment tekstu może być inny
• kolejność zapisu może być inna
• pozycja może się różnić o kilka pikseli

Powinien porównywać zawartość jak ludzie, a nie strukturę wewnętrzną. Chcę przetestować regresje między różnymi wersjami generatora PDF, którego używaliśmy.

Ponieważ nie ma takiego narzędzia, które napisaliśmy. Możesz pobrać i-net PDF do porównywania treści i używać go. Mam nadzieję, że pomogą innym z tym samym problemem. Jeśli masz z tym problemy lub masz do nas opinię, możesz skontaktować się z naszym wsparciem.

W rzeczywistości istnieje narzędzie diffpdf.

http://www.qtrac.eu/diffpdf.html

Jego słabość polega na tym, że nie reaguje dobrze, gdy dodatki powodują częściowe przesunięcie nowego tekstu na nową stronę. Na przykład, jeśli starą stronę 4 należy porównać z końcem strony 5 i początkiem strony 6, należy przesunąć parametry, aby porównać dwa wycinki oddzielnie.

Użyłem własnego skryptu, który

• konwertuje wszystkie strony w dwóch plikach PDF na mapy bitowe
• kolorowanie stron PDF 1 na czerwono-białe
• zmienia kolor z białego na przezroczysty na stronach PDF 2
• nakłada każdą stronę z pliku PDF 2 na odpowiednią stronę z pliku PDF 1
• uruchamia konwersję / kolorowanie i nakładanie równolegle na wielu rdzeniach

Użyte oprogramowanie:

• GhostScript do konwersji plików PDF do bitmap
• ImageMagick do kolorowania, przezroczystości i nakładania
• inotify do synchronizacji równoległych procesów
• dowolna przeglądarka obrazów obsługująca format PNG do przeglądania wyników

Plusy:

• prosta implementacja
• wszystkie używane narzędzia są open source
• doskonale nadaje się do znajdowania małych różnic w układzie

Cons:

• konwersja jest powolna
• główne różnice między plikami PDF (np. paginacja) powodują bałagan
• bitmap nie można powiększać
• działa dobrze tylko w przypadku tekstu i diagramów czarno-białych
• brak łatwego w użyciu GUI

Szukałem narzędzia, które zrobiłoby to samo na poziomie PDF / PostScript.

Oto jak nasz skrypt wywołuje narzędzia (zwróć uwagę, że ImageMagick używa GhostScript za kulisami do wykonania konwersji PDF-> PNG):

$ convert -density 150x150 -fill red -opaque black +antialias 1.pdf back%02d.png
$ convert -density 150x150 -transparent white +antialias 2.pdf front%02d.png
$ composite front01.png back01.png result01.png # do this for all pairs of images

Wydaje się, że nie widzę tego tutaj, więc oto jest: przez superużytkownika: Jak porównać różnice między dwoma plikami PDF? (odpowiedź # 229891, @slestak) , jest

https://github.com/vslavik/diff-pdf

(kroki kompilacji dla Ubuntu Natty można znaleźć w get-diff-pdf.sh )

O ile widzę, w zasadzie nakłada tekst / grafikę każdej strony w plikach PDF, umożliwiając łatwe sprawdzenie, czy były jakieś zmiany ...

Twoje zdrowie!

Użyliśmy również pdftotext (zobacz odpowiedź Sklivvz) do wygenerowania wersji ASCII plików PDF i wdiff do ich porównania.

Użyj -layoutprzełącznika pdftotext, aby zwiększyć czytelność i uzyskać pewne wyobrażenie o zmianach w układzie.

Aby uzyskać ładne kolorowe wyjście z wdiff, użyj tego skryptu opakowującego:

#!/bin/sh
RED=$'\e'"[1;31m"
GREEN=$'\e'"[1;32m"
RESET=$'\e'"[0m"
wdiff -w$RED -x$RESET -y$GREEN -z$RESET -n $1 $2

Myślę, że najlepszym rozwiązaniem byłoby przekonwertowanie pliku PDF na obrazy w przyzwoitej rozdzielczości, a następnie porównanie obrazów.

Aby wygenerować obrazy z PDF, możesz skorzystać z Adobe PDF Library lub rozwiązania sugerowanego w Best way do konwersji plików PDF na pliki TIFF .

Aby porównać wygenerowane pliki TIFF, znalazłem GNU tiffcmp (dla Windows część GnuWin32 tiff ) i tiffinfo wykonało dobrą robotę. Użyj tiffcmp -l i policz liczbę wierszy wyniku, aby znaleźć wszelkie różnice. Jeśli jesteś zadowolony z małej ilości zmian w treści (np. Różnice w wygładzaniu), użyj tiffinfo, aby policzyć całkowitą liczbę pikseli, a następnie możesz wygenerować procentową wartość różnicy.

Nawiasem mówiąc, dla każdego, kto robi proste porównanie PDF, gdzie struktura nie uległa zmianie, można użyć diff z wiersza poleceń i zignorować pewne wzorce, np.

diff --brief -I xap: -I xapMM: -I / CreationDate -I / BaseFont -I / ID --binary --text

Nadal występuje problem polegający na tym, że nie zawsze wychwytuje zmiany w generowanych nazwach czcionek.

Nasz produkt, PDF Comparator - http://www.premediasystems.com/pdfc.html "- zrobi to całkiem elegancko i wydajnie. Nie jest też darmowy i jest aplikacją tylko dla Mac OS X.

W zależności od Twoich potrzeb rozwiązanie konwersji na tekst byłoby najłatwiejsze i najbardziej bezpośrednie. Uważam, że pomysł na bitmapę był całkiem fajny.

Oprogramowanie blubeam pdf zrobi to za Ciebie

Możesz zbiorczo porównać pliki PDF za pomocą narzędzia Tarkware Pdf Comparer. Ale to nie jest darmowe i wymaga Adobe Acrobat.