Cómo comparar dos archivos PDF y detectar diferencias: Guía de texto y diseño visual
Índice de contenidos
- Dos niveles de cambios: Texto semántico frente a diseño visual
- La realidad del PDF escaneado: Por qué no hay texto sin OCR
- Tres modos de visualización en el navegador
- Flujo de trabajo paso a paso
- Desplazamiento por inserción de páginas
- Problemas habituales y soluciones
- Límites técnicos y exención de responsabilidad
- Referencias técnicas y normas oficiales
1. Dos niveles de cambios: Texto semántico frente a diseño visual
Al auditar modificaciones entre dos versiones de un contrato o informe, se deben distinguir dos capas técnicas independientes:
- Cambios semánticos de texto: Modificación de redacción, cláusulas eliminadas, importes actualizados o nombres corregidos en el flujo vectorial.
- Cambios de diseño visual: Desplazamiento de márgenes en 2 mm, interlineado, sustitución de tipografías o firmas reubicadas.
Una comparación basada únicamente en píxeles puede reportar un 80% de diferencias por un simple salto de línea sin cambios de texto. Una comparación exclusiva de texto no detectará firmas o gráficos movidos. Una auditoría rigurosa requiere combinar ambas modalidades.
2. La realidad del PDF escaneado: Por qué no hay texto sin OCR
Los PDF escaneados carecen de flujo de texto vectorial: Un documento escaneado es una imagen de mapa de bits (JPEG o TIFF) incrustada en una página PDF. No contiene caracteres consultables.
GoToolstack PDF Compare analiza la densidad de caracteres de cada página. Si detecta menos de 10 caracteres, clasifica la página como escaneada y le sugiere utilizar la herramienta de OCR sin conexión.
3. Tres modos de visualización en el navegador
Todo el procesamiento se ejecuta en la memoria local del navegador sin enviar información a servidores externos:
| Modo | Algoritmo | Ventaja principal | Limitaciones |
|---|---|---|---|
| Paralelo (Sincronizado) | Renderizado simultáneo en doble lienzo | Lectura humana ágil de la estructura del documento. | Puede pasar por alto modificaciones numéricas sutiles. |
| Diferencia de texto (LCS) | Agrupación por coordenadas Y y algoritmo Myers LCS | Identifica palabras agregadas (verde) y eliminadas (rojo). | No examina gráficos, sellos ni páginas escaneadas. |
| Superposición visual | Resta de matrices de píxeles RGBA en Canvas ImageData | Resalta sellos movidos, márgenes desplazados y cambios gráficos. | Alta sensibilidad; un leve margen pinta la página completa de rojo. |
4. Flujo de trabajo paso a paso
- Cargar archivos: Arrastre la versión base a Documento A y la revisada a Documento B. Use Intercambiar (↔) si es necesario.
- Ejecutar comparación: Haga clic en Comparar documentos para procesar ambos archivos en memoria.
- Revisar panel de resumen: Compruebe el número de páginas idénticas, modificadas, añadidas y eliminadas.
- Navegar a páginas con cambios: Salte directamente a las páginas modificadas mediante el menú desplegable.
- Alternar modos: Emplee la Diferencia de texto para palabras y la Superposición visual para sellos y diseño.
- Descargar informe: Guarde un resumen en formato
.txtcon todas las páginas y recuentos de palabras.
5. Desplazamiento por inserción de páginas
Si se inserta una nueva página en el Documento B, una comparación simple desfasaría todo el documento. GoToolstack calcula páginas adicionales como Añadidas y páginas ausentes como Eliminadas.
6. Problemas habituales y soluciones
Problema 1: Documento protegido con contraseña
El motor del navegador no puede abrir archivos cifrados sin contraseña. Desbloquee primero el archivo con la herramienta de desbloqueo de PDF.
Problema 2: Variaciones de ligaduras tipográficas ('fi' frente a 'f' + 'i')
El Documento A codifica 'fi' como glifo Unicode único (\uFB01) y el B como dos letras separadas. Es una diferencia de fuente, no un cambio editorial.
Problema 3: Contrato escaneado reporta 0 diferencias de texto
Los documentos escaneados carecen de texto vectorial. Active el modo de Superposición visual o procese el archivo con OCR antes de comparar.
7. Límites técnicos y exención de responsabilidad
Sin validez pericial ni notarial: GoToolstack PDF Compare es una herramienta de ingeniería para agilizar revisiones y no sustituye una auditoría forense certificada.
- Gestión de memoria: En documentos extensos (>150 páginas), los búferes de lienzo se liberan progresivamente para evitar sobrecargas de RAM.
- Privacidad absoluta: Sus documentos y los informes resultantes nunca abandonan su dispositivo.
Referencias técnicas y normas oficiales
- ISO 32000-1:2008 / ISO 32000-2:2020: Gestión documental – Formato de documento portátil (Catálogo de documentos PDF, AcroForms y firmas criptográficas).
- Eugene W. Myers (1986): An O(ND) Difference Algorithm and Its Variations – Longest Common Subsequence (LCS).
- W3C HTML5 Canvas 2D Context: Especificación W3C para manipulación de tipos MIME con canvas.toBlob() y matrices de píxeles.