Question

我正在寻找一个Linux命令行工具来比较两个PDF文件并将差异保存为PDF文件。该工具应该在批处理过程中创建diff-pdf。 PDF文件是构造计划，因此纯文本比较不起作用。

类似的东西：

<tool> file1.pdf file2.pdf -o diff-out.pdf

我发现的大多数工具都将PDF转换为图像并进行比较，但只能使用GUI。

欢迎任何其他解决方案。

Answer 1

我编写了自己的脚本，它的功能类似于您所要求的内容。该脚本使用4个工具来实现其目标：

ImageMagick的compare命令
pdftk实用程序（如果您有多页PDF）
Ghostscript（可选）
md5sum（可选）

将其移植到DOS / Windows的.bat批处理文件中应该很容易。

但首先请注意：这仅适用于页面/媒体大小相同的PDF。比较在两个输入PDF之间逐个像素地完成。生成的文件是一个显示“diff”的图像，如下所示：

保持不变的每个像素变为白色。
每个变化的像素都涂成红色。

该差异图像保存为新的PDF，以便在不同的操作系统平台上更好地访问。

我正在使用它来发现PDF处理中的字体替换发挥作用时的最小页面显示差异。

虽然它们在MD5哈希值和/或文件大小上有所不同，但您的PDF之间可能没有明显差异。在这种情况下，“diff”输出PDF页面将变为全白。您可以自动发现这种情况，因此您只需通过自动删除全白PDF来直观地调查非白色PDF。

以下是构建基块：

PDFTK

使用此命令行实用程序将多页PDF文件拆分为多个单页PDF：

pdftk  file_1.pdf  burst  output  somewhere/file_1---page_%03d.pdf
pdftk  file_2.pdf  burst  output  somewhere/file_2---page_%03d.pdf

如果您仅比较1页PDF，则此building block是可选的。既然你谈到“建设计划”，情况可能就是这样。

比较

使用ImageMagick中的命令行实用程序为每个页面创建“diff”PDF页面：

compare \
       -verbose \
       -debug coder \
       -log "%u %m:%l %e" \
        somewhere/file_1---page_001.pdf \
        somewhere/file_2---page_001.pdf \
       -compose src \
        somewhereelse/file_1--file_2---diff_page_001.pdf

Ghostscript的

由于自动插入的元数据（例如当前日期+时间），PDF输出对于基于MD5hash的文件比较效果不佳。

如果要自动发现diff PDF由纯白页组成的所有情况，您应该使用bmp256输出设备将PDF页面转换为无元数据的位图格式。你可以这样做：

首先，找出PDF的页面大小格式。同样，这个小实用程序identify是任何ImageMagick安装的一部分：

 identify \
   -format "%[fx:(w)]x%[fx:(h)]" \
    somewhereelse/file_1--file_2---diff_page_001.pdf

您可以将此值存储在如下环境变量中：

 export my_size=$(identify \
   -format "%[fx:(w)]x%[fx:(h)]" \
    somewhereelse/file_1--file_2---diff_page_001.pdf)

现在Ghostscript发挥作用，使用一个命令行，其中包含上面发现的页面大小，因为它存储在变量中：

 gs \
   -o somewhereelse/file_1--file_2---diff_page_001.ppm \
   -sDEVICE=ppmraw \
   -r72 \
   -g${my_size} \
    somewhereelse/file_1--file_2---diff_page_001.pdf

这为您提供了一个PPM（Portable PixMap），其分辨率为原始PDF页面的72 dpi。 72 dpi通常足以满足我们的需求...接下来，创建一个具有相同页面大小的纯白色PPM页面：

 gs \
   -o somewhereelse/file_1--file_2---whitepage_001.ppm \
   -sDEVICE=ppmraw \
   -r72 \
   -g${my_size} \
   -c "showpage"

-c "showpage"部分是一个PostScript命令，它告诉Ghostscript只发出一个空页面。

MD5总和

使用MD5哈希自动将原始PPM与白页PPM进行比较。如果它们相同，您可以节省地假设PDF之间没有差异，因此重命名或删除diff-PDF：

 MD5_1=$(md5sum somewhereelse/file_1--file_2---diff_page_001.ppm | awk '{print $1}')
 MD5_2=$(md5sum somewhereelse/file_1--file_2---whitepage_001.ppm | awk '{print $1}')

 if [ "x${MD5_1}" == "x${MD5_2}" ]; then 
     mv  \
       somewhereelse/file_1--file_2---diff_page_001.pdf \
       somewhereelse/file_1--file_2---NODIFFERENCE_page_001.pdf # rename all-white PDF
     rm  \
       somewhereelse/file_1--file_2---*_page_001.ppm            # delete both PPMs
 fi

这使您不必视觉检查没有任何差异的“差异PDF”。

Answer 2

这是一个黑客攻击。

pdftotext file1.pdf
pdftotext file2.pdf
diff file1.txt file2.txt

Answer 3

完成2行（全能）imagemagick和pdftk：

compare -verbose -debug coder $PDF_1 $PDF_2 -compose src $OUT_FILE.tmp
pdftk $OUT_FILE.tmp background $PDF_1 output $OUT_FILE

选项-verbose和-debug是可选的。

compare创建一个PDF，其中diff为红色像素。
pdftk将diff-pdf与背景PDF_1合并

PDF在linux命令行上进行比较

3 个答案:

PDFTK

比较

Ghostscript的

MD5总和