Инструмент для сравнения большого количества файлов PDF? [закрыто]

Мне нужно сравнить большое количество файлов PDF для оптического содержимого. Поскольку файлы PDF были созданы на разных платформах и с разными версиями программного обеспечения, существуют структурные различия. Например:

• фрагменты текста могут быть разными
• порядок записи может быть другим
• положение может отличаться на несколько пикселей

Он должен сравнивать контент, как люди, а не внутреннюю структуру. Я хочу проверить регрессию между разными версиями генератора PDF, который мы использовали.

Потому что нет такого инструмента, который мы написали. Вы можете загрузить средство сравнения содержимого PDF- файлов i-net и использовать его. Я надеюсь, что это поможет другим с той же проблемой. Если у вас возникли проблемы или у вас есть отзыв для нас, вы можете обратиться в нашу службу поддержки.

На самом деле есть инструмент diffpdf.

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

Его слабость в том, что он плохо реагирует, когда при добавлении новый текст частично смещается на новую страницу. Например, если старую страницу 4 нужно сравнить с концом страницы 5 и началом страницы 6, вам потребуется сместить параметры, чтобы сравнить два фрагмента по отдельности.

Я использовал самодельный сценарий, который

• конвертирует все страницы двух PDF-файлов в растровые изображения
• раскрашивает страницы PDF 1 в красный по белому
• меняет белый цвет на прозрачный на страницах PDF 2
• накладывает каждую страницу из PDF 2 поверх соответствующей страницы из PDF 1
• выполняет преобразование / раскрашивание и наложение параллельно на нескольких ядрах

Используемое программное обеспечение:

• GhostScript для преобразования PDF в растровое изображение
• ImageMagick для раскрашивания, прозрачности и наложения
• inotify для синхронизации параллельных процессов
• любое средство просмотра изображений с поддержкой PNG для просмотра результата

Плюсы:

• простая реализация
• все используемые инструменты имеют открытый исходный код
• отлично подходит для поиска небольших различий в макете

Минусы:

• преобразование медленное
• основные различия между PDF-файлами (например, разбиение на страницы) приводят к беспорядку
• растровые изображения не масштабируются
• работает только с черно-белым текстом и диаграммами
• нет простого в использовании графического интерфейса

Я искал инструмент, который делал бы то же самое на уровне PDF / PostScript.

Вот как наш скрипт вызывает утилиты (обратите внимание, что ImageMagick за кулисами использует GhostScript для преобразования 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

Кажется, я не вижу этого здесь, поэтому вот оно: через суперпользователя: Как сравнить различия между двумя файлами PDF? (ответ №229891, автор @slestak) , есть

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

(шаги сборки для Ubuntu Natty можно найти в get-diff-pdf.sh )

Насколько я понимаю, он в основном накладывает текст / графику каждой страницы в pdf (-ах), позволяя вам легко увидеть, были ли какие-либо изменения ...

Ура!

Мы также использовали pdftotext (см. Ответ Sklivvz) для создания версий PDF-файлов в формате ASCII и wdiff для их сравнения.

Используйте -layoutпереключатель pdftotext, чтобы улучшить читаемость и получить представление об изменениях в макете.

Чтобы получить красивый цветной вывод из wdiff, используйте этот сценарий оболочки:

#!/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

Я думаю, что ваш лучший подход - преобразовать PDF в изображения с приличным разрешением, а затем сравнить изображения.

Для создания изображений из PDF вы можете использовать Adobe PDF Library или решение, предложенное в Best way для преобразования файлов PDF в файлы TIFF .

Чтобы сравнить сгенерированные файлы TIFF, я нашел GNU tiffcmp (для окон - часть GnuWin32 tiff ), и tiffinfo хорошо поработал. Используйте tiffcmp -l и подсчитайте количество строк вывода, чтобы найти различия. Если вас устраивает небольшое изменение содержимого (например, различия сглаживания), используйте tiffinfo для подсчета общего количества пикселей, и затем вы можете сгенерировать значение процентной разницы.

Кстати, для тех, кто выполняет простое сравнение PDF-файлов, структура которых не изменилась, можно использовать diff из командной строки и игнорировать определенные шаблоны, например, с GNU diff 2.7:

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

По-прежнему существует проблема, заключающаяся в том, что он не всегда улавливает изменения в сгенерированных именах шрифтов.

Наш продукт, PDF Comparator - http://www.premediasystems.com/pdfc.html "- сделает это довольно элегантно и эффективно. Он также платный и предназначен только для Mac OS X.

Исходя из ваших потребностей, преобразование в текст будет самым простым и прямым решением. Я действительно думал, что идея растрового изображения была довольно крутой.

Программа blubeam pdf сделает это за вас

Вы можете сравнивать файлы PDF в пакетном режиме с помощью Tarkware Pdf Comparer. Но это не бесплатно и требует Adobe Acrobat.