比较大量PDF文件的工具？

Question

我需要比较大量的PDF文件才能获得光学内容。由于PDF文件是在不同平台上创建的，并且使用不同版本的软件，因此存在结构差异。例如：

• 文本的分块可以是不同的
• 写入顺序可以不同
• 位置可以有些不同的像素

它应该比较人类而不是内部结构的内容。我想测试我们使用的不同版本的PDF生成器之间的回归。

Answer 1

因为没有这样的工具，我们已经写了一个。您可以下载i-net PDF content comparer并使用它。我希望帮助其他同样的问题。如果您遇到问题或者我们有反馈意见，那么您可以联系我们的支持。

Answer 2

实际上有一个diffpdf工具。

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

它的缺点是，当添加新文本部分转移到新页面时，它没有很好的反应。例如，如果应将旧页面4与第5页的末尾和第6页的开头进行比较，则需要移动参数以分别比较两个切片。

Answer 3

我使用了自制的脚本

• 将两个PDF上的所有页面转换为位图
• 将PDF 1的页面颜色设置为红白色
• 在PDF 2的页面上将白色变为透明
• 在PDF 1
的相应页面顶部覆盖PDF 2的每一页
• 运行转换/着色并在多个核心上并行覆盖

使用的软件：

• GhostScript for PDF-to-bitmap conversion
• 用于着色，透明度和叠加的ImageMagick
• inotify用于同步并行进程
• 任何支持PNG的图像查看器，用于查看结果

优点：

• 简单实施
• 所有使用的工具都是开源的
• 非常适合发现布局上的细微差别

缺点：

• 转换很慢
• PDF之间的主要差异（例如分页）导致混乱
• 位图不可缩放
• 仅适用于黑白文字和图表
• 没有易于使用的GUI

我一直在寻找一种在PDF / PostScript级别上也能做同样工具的工具。

以下是我们的脚本如何调用实用程序（请注意，ImageMagick在后台使用GhostScript进行PDF-＆gt; PNG转换）：

$ 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

Answer 4

我似乎无法在此处看到这一点，所以这里是：通过superuser: How to compare the differences between two PDF files? (answer #229891, by @slestak)，有

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

（Ubuntu Natty的构建步骤可以在get-diff-pdf.sh）

中找到

据我所见，它基本上覆盖了pdf（s）中每个页面的文本/图形，让您可以轻松查看是否有任何更改......

干杯！

Answer 5

我们还使用pdftotext（参见Sklivvz的答案）生成PDF版本的ASCII版本和wdiff来比较它们。

使用pdftotext的-layout开关来增强可读性并了解布局的变化。

要从wdiff获得漂亮的彩色输出，请使用此包装脚本：

#!/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

Answer 6

我认为您最好的方法是将PDF转换为具有良好分辨率的图像，而不是进行图像比较。

要从PDF生成图像，您可以使用Adobe PDF Library或Best way to convert pdf files to tiff files建议的解决方案。

为了比较生成的TIFF文件，我发现GNU tiffcmp（对于GnuWin32 tiff的windows部分）和tiffinfo做得很好。使用tiffcmp -l并计算输出行数以查找任何差异。如果您乐意进行少量内容更改（例如抗锯齿差异），请使用tiffinfo计算像素总数，然后您可以生成百分比差值。

顺便说一下，对于任何进行简单PDF比较的人来说，结构没有改变，可以使用命令行差异并忽略某些模式，例如：使用GNU diff 2.7：

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

这仍然存在问题，即它并不总是捕获生成的字体名称的更改。

Answer 7

我们的产品，PDF Comparator - http://www.premediasystems.com/pdfc.html“ - 将非常优雅和高效地完成此任务。它也不是免费的，并且仅是Mac OS X应用程序。

Answer 8

根据您的需求，转换为文本解决方案将是最简单，最直接的解决方案。我确实认为位图的想法非常酷。

Answer 9

bluebeam pdf软件将为您做到这一点

Answer 10

您可以使用Tarkware Pdf Comparer批量处理compare pdf个文件。但它不是免费的，需要Adobe Acrobat。