Come confrontare due file PDF e trovare le differenze: Guida al testo e al layout visivo
Indice dei contenuti
- Due livelli di revisione: Testo semantico vs Layout visivo
- La realtà dei PDF scansionati: Perché senza OCR non c'è testo
- Tre modalità di visualizzazione nel browser
- Procedura guidata passo dopo passo
- Gestione degli slittamenti per pagine inserite
- Errori frequenti e soluzioni
- Limiti tecnici e note legali
- Riferimenti tecnici e standard ufficiali
1. Due livelli di revisione: Testo semantico vs Layout visivo
Nell'analisi delle modifiche tra due revisioni di un contratto o relazione tecnica, è indispensabile separare due livelli tecnici:
- Modifiche semantiche del testo: Modifiche di termini, clausole eliminate, importi monetari aggiornati o nomi corretti nel flusso vettoriale.
- Modifiche di layout visivo: Spostamento dei margini di 2 mm, interlinea modificata, cambio di font o timbri e firme riposizionati.
Un confronto basato esclusivamente sui pixel può indicare l'80% di modifiche a causa di un a capo forzato senza alcuna variazione di testo. Un confronto solo testuale ignora firme o grafici spostati. Un audit affidabile richiede entrambi i metodi.
2. La realtà dei PDF scansionati: Perché senza OCR non c'è testo
I PDF scansionati non hanno testo vettoriale: Un documento scansionato è un'immagine bitmap (JPEG o TIFF) incapsulata nella pagina. L'estrazione di testo restituisce una stringa vuota.
GoToolstack PDF Compare rileva la densità di caratteri in tempo reale. Se una pagina contiene meno di 10 caratteri, viene contrassegnata come scansionata e l'utente viene indirizzato all'OCR offline.
3. Tre modalità di visualizzazione nel browser
Tutte le operazioni avvengono nella RAM locale senza trasferire file su server esterni:
| Modalità | Algoritmo | Vantaggio chiave | Limiti |
|---|---|---|---|
| Affiancato (Sincrono) | Rendering sincrono su doppio canvas | Lettura fluida e visione d'insieme della struttura del documento. | Può sfuggire una modifica minima di punteggiatura. |
| Differenza Testuale (LCS) | Raggruppamento coordinate Y & algoritmo Myers LCS | Evidenzia parole aggiunte (verde) ed eliminate (rosso). | Non analizza immagini, timbri o pagine scansionate. |
| Sovrapposizione Visiva | Sottrazione matrice di pixel RGBA su Canvas ImageData | Evidenzia in rosso firme spostate, margini alterati e grafici modificati. | Alta sensibilità; un piccolo scostamento colora l'intera pagina di rosso. |
4. Procedura guidata passo dopo passo
- Carica i file: Trascina la versione base in Documento A e la revisione in Documento B. Usa Scambia (↔) se necessario.
- Avvia il confronto: Fai clic su Confronta documenti per elaborare i file in memoria.
- Esamina il cruscotto: Controlla il conteggio di pagine identiche, modificate, aggiunte ed eliminate.
- Vai alle pagine modificate: Salta direttamente alle pagine con variazioni dal menu a tendina.
- Alterna le modalità: Usa la Differenza Testuale per i termini e la Sovrapposizione Visiva per timbri e layout.
- Scarica il report: Salva un riepilogo in formato
.txtcon tutte le pagine modificate e i conteggi parole.
5. Gestione degli slittamenti per pagine inserite
Se nel Documento B viene inserita una pagina, un confronto ingenuo sfalserebbe tutte le pagine successive. GoToolstack contrassegna le pagine aggiunte come Aggiunte e quelle mancanti come Rimosse.
6. Errori frequenti e soluzioni
Problema 1: Documento protetto da password
Il motore non può decifrare file protetti senza credenziali. Sblocca prima il file con lo strumento di sblocco PDF.
Problema 2: Differenze di legature tipografiche ('fi' vs 'f' + 'i')
Il Documento A codifica 'fi' come singolo glifo Unicode (\uFB01) e il B come lettere separate. È una differenza di font, non testuale.
Problema 3: Contratto scansionato mostra 0 parole modificate
Note manoscritte e scansioni non contengono testo vettoriale. Usa la Sovrapposizione Visiva o applica l'OCR prima del confronto.
7. Limiti tecnici e note legali
Nessun valore peritale o notarile: GoToolstack PDF Compare è uno strumento tecnico per accelerare le revisioni e non sostituisce una perizia forense certificata.
- Gestione della memoria: Nei documenti estesi (>150 pagine), i buffer dei canvas vengono rilasciati pagina per pagina.
- Privacy completa: I tuoi documenti e report non vengono mai trasmessi a server esterni.
Riferimenti tecnici e standard ufficiali
- ISO 32000-1:2008 / ISO 32000-2:2020: Gestione documentale – Formato di documento portatile (Catalogo documenti PDF, dizionari AcroForm e firme).
- Eugene W. Myers (1986): An O(ND) Difference Algorithm and Its Variations – Longest Common Subsequence (LCS).
- W3C HTML5 Canvas 2D Context: Specifica per la gestione dei tipi MIME con canvas.toBlob() ed estrazione della matrice di pixel.