Comment comparer deux fichiers PDF et trouver les différences : Guide texte et visuel
Sommaire
- Deux dimensions de révision : Texte sémantique vs Mise en page visuelle
- Le cas des PDF numérisés : Pourquoi le texte est introuvable sans OCR
- Trois modes d'affichage dans le navigateur
- Procédure étape par étape
- Gestion des décalages et pages insérées
- Problèmes fréquents et résolutions
- Limites techniques et avertissements
- Références techniques et normes officielles
1. Deux dimensions de révision : Texte sémantique vs Mise en page visuelle
Lors de l'audit des modifications entre deux versions d'un contrat ou rapport, deux couches techniques distinctes doivent être analysées :
- Modifications textuelles sémantiques : Changements de mots, clauses de responsabilité supprimées ou montants financiers révisés dans le flux vectoriel.
- Modifications de mise en page visuelle : Décalage de marges de 2 mm, espacements de lignes modifiés, polices substituées ou tampons déplacés.
Une comparaison purement graphique peut signaler 80 % de modifications suite à un simple saut de ligne sans changement de texte. Inversement, un comparateur textuel ignore les signatures ou schémas déplacés. Un audit fiable associe les deux méthodes.
2. Le cas des PDF numérisés : Pourquoi le texte est introuvable sans OCR
Les PDF numérisés ne contiennent aucun flux de texte vectoriel: Un document numérisé est une image bitmap (JPEG ou TIFF) encapsulée dans une page PDF. L'extraction de texte renvoie une chaîne vide.
GoToolstack PDF Compare vérifie la densité de texte en direct. Si une page contient moins de 10 caractères, elle est marquée comme document scanné et vous êtes orienté vers l'outil OCR hors ligne.
3. Trois modes d'affichage dans le navigateur
Toutes les opérations s'exécutent dans la mémoire RAM locale sans transfert vers un serveur externe :
| Mode | Algorithme | Point fort | Limites |
|---|---|---|---|
| Côte à côte (Synchrone) | Rendu simultané sur double canevas HTML5 | Lecture humaine fluide de la structure globale du document. | Peut laisser passer de légères modifications de ponctuation. |
| Différence textuelle (LCS) | Regroupement par coordonnées Y & algorithme Myers LCS | Isole précisément les mots ajoutés (vert) et supprimés (rouge). | N'analyse pas les images, tampons ou pages scannées. |
| Superposition visuelle | Soustraction de matrices de pixels RGBA dans Canvas ImageData | Met en évidence en rouge les signatures déplacées et écarts de marge. | Sensibilité élevée : un infime décalage colore toute la page en rouge. |
4. Procédure étape par étape
- Charger les documents : Glissez le document original dans Document A et la révision dans Document B. Utilisez Inverser (↔) si nécessaire.
- Lancer la comparaison : Cliquez sur Comparer les documents pour traiter les fichiers en mémoire.
- Analyser le tableau de bord : Consultez le nombre de pages identiques, modifiées, ajoutées et supprimées.
- Examiner les pages ciblées : Accédez directement aux pages modifiées via la liste déroulante.
- Alterner les modes : Utilisez la Différence textuelle pour les termes modifiés et la Superposition pour les graphiques.
- Exporter le rapport : Téléchargez une synthèse
.txtrépertoriant les pages modifiées et les volumes de mots.
5. Gestion des décalages et pages insérées
Si une page est insérée dans le Document B, une comparaison naïve fausserait toutes les pages suivantes. GoToolstack identifie les pages ajoutées comme Ajoutées et les pages manquantes comme Supprimées.
6. Problèmes fréquents et résolutions
Problème 1 : Document protégé par mot de passe
Le moteur ne peut pas déchiffrer un PDF sans mot de passe. Déverrouillez le fichier au préalable avec l'outil de déverrouillage PDF.
Problème 2 : Variations de ligatures typographiques ('fi' vs 'f' + 'i')
Le Document A code 'fi' en un glyphe Unicode unique (\uFB01) et le B en deux caractères distincts. Il s'agit d'un artefact de police.
Problème 3 : Contrat scanné affichant 0 mot modifié
Les annotations manuscrites et images scannées n'ont pas de texte vectoriel. Activez la Superposition visuelle ou appliquez l'OCR avant comparaison.
7. Limites techniques et avertissements
Aucune valeur d'expertise juridique certifiée : GoToolstack PDF Compare est un outil d'ingénierie conçu pour accélérer les relectures de révision et ne remplace pas un constat d'huissier ou une expertise judiciaire.
- Gestion de la mémoire : Pour les documents volumineux (>150 pages), la mémoire tampon des canevas est purgée page par page.
- Confidentialité absolue : Vos documents et rapports ne sont jamais transmis à des serveurs distants.
Références techniques et normes officielles
- ISO 32000-1:2008 / ISO 32000-2:2020: Gestion des documents – Format de document portable (Catalogue PDF, dictionnaires AcroForm et signatures numériques).
- Eugene W. Myers (1986): An O(ND) Difference Algorithm and Its Variations – Longest Common Subsequence (LCS).
- W3C HTML5 Canvas 2D Context: Spécification pour la gestion des types MIME avec canvas.toBlob() et l'extraction de pixels.