Как сравнить два PDF-файла и найти различия: Руководство по текстовому и визуальному сравнению
Содержание
- Два уровня изменений: Смысловой текст против визуальной верстки
- Специфика отсканированных PDF: Почему без OCR текст не виден
- Три режима просмотра в браузере: Принцип работы
- Пошаговое практическое руководство
- Сдвиги при добавлении новых страниц
- Частые проблемы и решения
- Технические ограничения и отказ от ответственности
- Технические стандарты и официальные спецификации
1. Два уровня изменений: Смысловой текст против визуальной верстки
При аудите правок между двумя версиями договора или технического отчета необходимо разделять два независимых технических уровня:
- Смысловые изменения текста: Правки формулировок, удаленные пункты об ответственности, обновленные суммы или фамилии в векторном потоке.
- Изменения визуальной верстки: Сдвиг полей страницы на 2 мм, изменение интервалов, смена шрифта (Arial на Helvetica) или перенос печатей и подписей.
Попиксельное графическое сравнение может зафиксировать 80% изменений из-за сдвига строк на 1 пиксель, хотя текст остался прежним. И наоборот: текстовый анализ не заметит перенесенную подпись или график. Надежная проверка требует сочетания обоих режимов.
2. Специфика отсканированных PDF: Почему без OCR текст не виден
В отсканированных PDF отсутствует векторный текст: Отсканированный документ представляет собой растровое изображение (JPEG или TIFF), встроенное в PDF. Функция извлечения текста возвращает пустую строку.
GoToolstack PDF Compare контролирует плотность символов в реальном времени. Если на странице менее 10 символов, она помечается как отсканированная, исключая ложные отчеты, и предлагается перейти к офлайн-OCR.
3. Три режима просмотра в браузере: Принцип работы
Все вычисления выполняются в оперативной памяти браузера без передачи данных на внешние серверы:
| Режим | Алгоритм | Главное преимущество | Ограничения |
|---|---|---|---|
| Параллельный (Синхронный) | Синхронный рендеринг двух холстов | Удобное визуальное восприятие структуры документа человеком. | Может пропустить незаметные изменения цифр или знаков. |
| Текстовое сравнение (LCS) | Группировка по оси Y и алгоритм Myers LCS | Точно выделяет добавленные (зеленым) и удаленные (красным) слова. | Не анализирует изображения, печати и сканы. |
| Визуальное наложение | Попиксельное вычитание RGBA в Canvas ImageData | Подсвечивает красным смещенные печати, поля и изменения графиков. | Высокая чувствительность: минимальный сдвиг окрашивает страницу в красный цвет. |
4. Пошаговое практическое руководство
- Загрузите файлы: Перетащите базовый файл в Документ A, а ревизию — в Документ B. Используйте Поменять местами (↔) при необходимости.
- Запустите сравнение: Нажмите Сравнить документы для обработки файлов в оперативной памяти.
- Изучите панель сводки: Проверьте число идентичных, измененных, добавленных и удаленных страниц.
- Перейдите к нужным страницам: Выбирайте измененные страницы напрямую через выпадающий список.
- Переключайте режимы: Текстовое сравнение используйте для правки формулировок, а визуальное — для печатей и макета.
- Скачайте отчет: Сохраните локальный текстовый отчет
.txtсо сводкой всех страниц и подсчетом слов.
5. Сдвиги при добавлении новых страниц
Если в Документ B вставлена новая страница, простое постраничное сравнение посчитало бы все последующие страницы измененными. GoToolstack помечает новые страницы как Добавленные, а отсутствующие — как Удаленные.
6. Частые проблемы и решения
Проблема 1: Защищенный паролем PDF-файл
Движок не может расшифровать защищенный PDF без пароля. Сначала снимите пароль с помощью инструмента разблокировки PDF.
Проблема 2: Различия типографических лигатур ('fi' против 'f' + 'i')
В документе A 'fi' закодировано как один глиф Unicode (\uFB01), а в документе B — как две отдельные буквы. Это особенность шрифта, а не смысловая правка.
Проблема 3: Скан договора показывает 0 измененных слов
Рукописные пометки и сканы не содержат векторного текста. Переключитесь в режим Визуального наложения или примените OCR перед анализом.
7. Технические ограничения и отказ от ответственности
Не заменяет судебную экспертизу: GoToolstack PDF Compare — инструмент для быстрого инженерного аудита и не заменяет нотариальное или криминалистическое исследование документов.
- Управление памятью: В больших документах (>150 страниц) буферы холста очищаются постранично во избежание сбоев браузера.
- Полная конфиденциальность: Ваши файлы и отчеты обрабатываются локально и не передаются на серверы.
Технические стандарты и официальные спецификации
- ISO 32000-1:2008 / ISO 32000-2:2020: Управление документами – Формат переносимых документов (Каталог PDF, словари AcroForm и цифровые подписи).
- Eugene W. Myers (1986): An O(ND) Difference Algorithm and Its Variations – Longest Common Subsequence (LCS).
- W3C HTML5 Canvas 2D Context: Спецификация обработки MIME-типов canvas.toBlob() и извлечения пиксельных массивов.