¿Herramienta para comparar grandes cantidades de archivos PDF? [cerrado]

Necesito comparar una gran cantidad de archivos PDF para su contenido óptico. Debido a que los archivos PDF se crearon en diferentes plataformas y con diferentes versiones del software, existen diferencias estructurales. Por ejemplo:

• la fragmentación del texto puede ser diferente
• el orden de escritura puede ser diferente
• la posición puede diferir algunos píxeles

Debe comparar el contenido como un pueblo humano y no la estructura interna. Quiero probar las regresiones entre diferentes versiones del generador de PDF que usamos.

Debido a que no existe tal herramienta disponible, hemos escrito una. Puede descargar el comparador de contenido PDF i-net y utilizarlo. Espero que ayude a otros con el mismo problema. Si tiene problemas con él o tiene comentarios para nosotros, puede comunicarse con nuestro soporte.

En realidad, existe una herramienta diffpdf.

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

Su debilidad es que no reacciona bien cuando las adiciones hacen que el texto nuevo cambie parcialmente a una nueva página. Por ejemplo, si la antigua página 4 debe compararse con el final de la página 5 y el comienzo de la página 6, deberá cambiar los parámetros para comparar las dos secciones por separado.

He usado un guión casero que

• convierte todas las páginas de dos archivos PDF en mapas de bits
• colorea páginas de PDF 1 a rojo sobre blanco
• cambia de blanco a transparente en las páginas de PDF 2
• superpone cada página del PDF 2 sobre la página correspondiente del PDF 1
• ejecuta conversión / coloración y superposición en paralelo en múltiples núcleos

Software utilizado:

• GhostScript para conversión de PDF a mapa de bits
• ImageMagick para colorear, transparencia y superposición
• Inotify para sincronizar procesos paralelos
• cualquier visor de imágenes compatible con PNG para revisar el resultado

Pros:

• implementación simple
• todas las herramientas utilizadas son de código abierto
• ideal para encontrar pequeñas diferencias en el diseño

Contras:

• la conversión es lenta
• las principales diferencias entre los PDF (por ejemplo, la paginación) dan como resultado un desorden
• los mapas de bits no se pueden ampliar
• solo funciona bien para texto y diagramas en blanco y negro
• sin GUI fácil de usar

He estado buscando una herramienta que haga lo mismo a nivel de PDF / PostScript.

Así es como nuestro script invoca las utilidades (tenga en cuenta que ImageMagick usa GhostScript detrás de escena para hacer la conversión 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

Parece que no puedo ver esto aquí, así que aquí está: a través de superusuario: ¿Cómo comparar las diferencias entre dos archivos PDF? (respuesta # 229891, por @slestak) , hay

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

(Los pasos de compilación para Ubuntu Natty se pueden encontrar en get-diff-pdf.sh )

Por lo que puedo ver, básicamente superpone el texto / gráficos de cada página en el (los) pdf (s), lo que le permite ver fácilmente si hubo algún cambio ...

¡Salud!

También hemos utilizado pdftotext (consulte la respuesta de Sklivvz) para generar versiones ASCII de PDF y wdiff para compararlos.

Utilice pdftotext's -layout conmutador para mejorar la legibilidad y tener una idea de los cambios en el diseño.

Para obtener una salida en color agradable de wdiff, use este script contenedor:

#!/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

Creo que su mejor enfoque sería convertir el PDF a imágenes con una resolución decente y luego comparar una imagen.

Para generar imágenes a partir de PDF, puede utilizar Adobe PDF Library o la solución sugerida en Mejor forma de convertir archivos pdf a archivos tiff .

Para comparar los archivos TIFF generados, encontré GNU tiffcmp (para Windows parte de GnuWin32 tiff ) y tiffinfo hizo un buen trabajo. Utilice tiffcmp -l y cuente el número de líneas de salida para encontrar las diferencias. Si está contento de tener una pequeña cantidad de cambio de contenido (por ejemplo, diferencias de suavizado), use tiffinfo para contar el número total de píxeles y luego puede generar un valor de diferencia porcentual.

Por cierto, para cualquiera que haga una comparación simple de PDF donde la estructura no ha cambiado, es posible usar la línea de comando diff e ignorar ciertos patrones, por ejemplo, con GNU diff 2.7:

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

Esto todavía tiene el problema de que no siempre detecta cambios en los nombres de fuente generados.

Nuestro producto, PDF Comparator - http://www.premediasystems.com/pdfc.html "- hará esto de manera bastante elegante y eficiente. Tampoco es gratuito y es una aplicación exclusiva para Mac OS X.

Según sus necesidades, una solución de conversión a texto sería la más sencilla y directa. Pensé que la idea del mapa de bits era muy buena.

El software blubeam pdf hará esto por usted

Puede comparar archivos PDF por lotes con Tarkware Pdf Comparer. Pero no es gratis y requiere Adobe Acrobat.