比较大量PDF文件的工具？[关闭]

84

我需要比较大量的光学内容的PDF文件。由于PDF文件是在不同的平台上以及使用不同版本的软件创建的，因此存在结构差异。例如：

文本块可以不同
写入顺序可以不同
位置可能会有所不同

它应该像人类一样比较内容，而不是内部结构。我想测试我们使用的PDF生成器的不同版本之间的回归。

testing pdf compare

— 魂器7
source

3

部分答案是使用pdftotext并比较其中包含的文本。

— Sklivvz

但这将忽略所有非文本信息，例如线条，框，图片，图表等。我认为，它也不会显示文本的视觉位置，而是结构位置。

— Horcrux08年

我同意，这还不够。另一方面，这是一个必要的标准，因此它足以作为单元测试。

— Sklivvz

以前从未遇到过这种情况，但是我已经尝试过ExamDiff Pro来比较PDF，它对我有用。

— cubex

您以后总是可以添加更好的单元测试！

— Sklivvz

39

因为没有可用的工具，所以我们已经编写了一个。您可以下载并使用i-net PDF内容比较器。希望对其他有相同问题的人有所帮助。如果您有任何问题或对我们有反馈，则可以联系我们的支持。

在此处输入图片说明

— 魂器7
source

该工具的优点是它既不是纯文本比较器也不是图像比较器。它按结构进行比较，检查包含的元素是否“相同”-因此，您比较的PDF不必匹配100％，而是在可定义的相似性之内。而且是免费的。

— gamma

我也推荐这个！它在文档上崩溃了，所以我将其发送给他们。他们解决了！：DI感觉很好。它可以生成具有差异的图像，也可以在控制台中提供文本报告。

— Janus Troelsen

4

@gamma该应用程序在哪里免费？每年费用至少为200美元（！）。30天免费一次。对于我来说，这样做太昂贵了。

— ygoe

@LonelyPixel是的，您是对的。1.0版是免费的（截至2010年10月14日）。我们已经对其进行了相当多的更改，现在它已成为一种付费工具（2012-10）。但是，您可以无限制地试用30天。它确实获得了许多新功能，稳定性和可靠性。希望您仍然对它有所了解；）

— gamma

我也需要比较pdf文件-我想出了一个使用apache pdfbox的罐子。查看此testautomationguru.com/…以获取示例和下载。

— Vins 2015年

21

实际上有一个diffpdf工具。

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

它的缺点是，当添加内容使新文本部分转移到新页面时，它的反应不好。例如，如果将旧的第4页与第5页的末尾和第6页的开始进行比较，则需要移动参数以分别比较两个切片。

— 贾巴尔
source

1

原始开放源代码版本仍在qtrac.eu/diffpdf-foss.html

— Tobias Kienzler 2014年

13

我使用了自制脚本

将两个PDF上的所有页面转换为位图
将PDF 1的页面彩色化为红白色
在PDF 2的页面上将白色更改为透明
将PDF 2的每一页覆盖在PDF 1的相应页面之上
在多个内核上并行运行转换/着色和叠加

使用的软件：

用于PDF到位图转换的GhostScript
ImageMagick用于着色，透明和覆盖
inotify同步并行进程
任何具有PNG功能的图像查看器，用于查看结果

优点：

简单的实现
所有使用的工具都是开源的
非常适合发现布局上的细微差异

缺点：

转换很慢
PDF之间的主要差异（例如分页）导致混乱
位图不可缩放
仅适用于黑白文本和图表
没有易于使用的GUI

我一直在寻找一种可以在PDF / PostScript级别上执行相同操作的工具。

这是我们的脚本调用实用程序的方式（请注意，ImageMagick在后台使用GhostScript进行PDF-> PNG转换）：

$ 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

— Akaihola
source

1

为什么不共享完整脚本？

— Janus Troelsen，

1

这就是我用来合成的内容：

for i in $(seq -w 0 05); do /cygdrive/c/Progra~1/ImageMagick-6.6.9-Q8/composite.exe 1-$i.png 2-$i.png result-$i.png; done

— Janus Troelsen，

这是一个不会将临时文件写入磁盘并使用Poppler的pdftoppm（比Ghostscript更快）的脚本：gist.github.com/brechtm/891de9f72516c1b2cbc1。它为pdfdiff目录中PDF的每一页输出一个JPG，并另外打印两个PDF之间不同的页数。

— Brecht Machiels '16

12

我似乎在这里看不到它，所以这里是：通过超级用户：如何比较两个PDF文件之间的差异？（由#slestak回答＃229891），有

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

（Ubuntu Natty的构建步骤可以在get-diff-pdf.sh中找到）

据我所知，它基本上覆盖了pdf中每页的文本/图形，使您可以轻松查看是否有任何更改...

干杯!

— 斯道
source

9

我们还使用了pdftotext（请参见Sklivvz的答案）来生成ASCII版本的PDF，并使用wdiff进行比较。

使用pdftotext的-layout开关可以增强可读性，并对布局的更改有所了解。

要从wdiff获得漂亮的彩色输出，请使用以下包装器脚本：

#!/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

— Akaihola
source

4

我认为您最好的方法是将PDF转换为具有适当分辨率的图像，而不是将图像进行比较。

要从PDF生成图像，可以使用Adobe PDF Library或“最佳方法”中建议的将pdf文件转换为tiff文件的解决方案。

为了比较生成的TIFF文件，我发现GNU tiffcmp（对于Windows来说是GnuWin32 tiff的一部分）和tiffinfo做得很好。使用tiffcmp -l并计算输出的行数以发现任何差异。如果您乐意进行少量内容更改（例如抗锯齿差异），请使用tiffinfo计数像素总数，然后可以生成百分比差异值。

顺便说一下，对于进行结构未更改的简单PDF比较的任何人，都可以使用命令行diff并忽略某些模式，例如使用GNU diff 2.7：

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

这仍然存在一个问题，即它并不总是捕获生成的字体名称中的更改。

— 达尼奥
source

我认为比较2张图像比比较PDF文件本身要复杂得多。

— Horcrux7年

可以使用GnuWin32 tiffcmp比较图像。我将更新我的答案以对此进行详细说明。

— danio

1

我们的产品PDF Comparator- http://www.premediasystems.com/pdfc.html “-可以非常有效地优雅地完成此操作。它也不是免费的，并且是Mac OS X专用的应用程序。

— 彼得·特鲁斯基耶
source

此工具逐像素比较。这很简单。问题是像人类一样进行比较。

— Horcrux7年

1

@ Horcrux7：但是，除了比较“逐个像素”之外，人眼还如何比较外观相似的不同页面？

— Kurt Pfeifle

@KurtPfeifle-我意识到这是一个古老的评论...但是人类不会以像素为单位比较图像；人们比较图像差异的方式非常复杂，但是在很大程度上依赖于模式识别和启发式算法。

— CBRF23

@ CBRF23：是的，我知道这一点，但最终所有这些启发式方法仍然植根于“逐像素”比较。有关使用的其他更高级别的启发式方法， ImageMagick请参阅我的其他一些答案：一-二-三。

— Kurt Pfeifle 2015年

@ CBRF23：...和原始海报，在（Hocrux7）甚至在他的问题中提到“像素”，并且明确地不希望将文件的“内部结构”进行比较（即使他在这里的评论再次与之矛盾）。

— Kurt Pfeifle 2015年

1

根据您的需求，转换为文本解决方案将是最简单，最直接的。我确实认为位图的想法很酷。

— 用户名
source

0

blubeam pdf软件将为您做到这一点

— 詹金斯
source

0

您可以使用Tarkware Pdf比较器批量比较pdf文件。但是它不是免费的，需要Adobe Acrobat。

— ks
source