pdf - 两个pdf文件的比较

Question

我需要比较两个几乎相似的文件的内容，并突出显示相应 pdf 文件中的不同部分。我正在使用pdfbox。请至少帮助我理解逻辑。

Answer 1

如果你更喜欢带有 GUI 的工具，你可以试试这个：diffpdf。它是由Mark Summerfield编写的，由于它是用 Qt 编写的，因此它应该在所有运行 Qt 的平台上都可用（或应该是可构建的）。

这是一个屏幕截图：

Answer 2

你可以在 Linux 上使用 shell 脚本来做同样的事情。该脚本包含 3 个组件：

1. ImageMagick 的compare命令
2. 实用pdftk程序
3. 鬼脚本

.bat将其转换为 DOS/Windows的批处理文件相当容易...

以下是构建块：

pdftk

使用此命令将多页 PDF 文件拆分为多个单页 PDF：

pdftk  first.pdf  burst  output  somewhere/firstpdf_page_%03d.pdf
pdftk  2nd.pdf    burst  output  somewhere/2ndpdf_page_%03d.pdf

相比

使用此命令为每个页面创建一个“差异”PDF 页面：

compare \
       -verbose \
       -debug coder -log "%u %m:%l %e" \
        somewhere/firstpdf_page_001.pdf \
        somewhere/2ndpdf_page_001.pdf \
       -compose src \
        somewhereelse/diff_page_001.pdf

请注意，这compare是 ImageMagick 的一部分。但是对于 PDF 处理，它需要 Ghostscript 作为“代表”，因为它本身不能这样做。

再一次，pdftk

现在您可以再次将您的“差异”PDF 页面与pdftk：

pdftk \
      somewhereelse/diff_page_*.pdf \
      cat \
      output somewhereelse/diff_allpages.pdf

鬼脚本

Ghostscript 会自动将元数据（例如当前日期+时间）插入其 PDF 输出。因此，这不适用于基于 MD5hash 的文件比较。

如果您想自动发现由纯白页组成的所有案例（这意味着：您的输入页面中没有明显的差异），您还可以使用bmp256输出设备转换为无元数据位图格式。您可以对原始 PDF（first.pdf 和 2nd.pdf）或 diff-PDF 页面执行此操作：

 gs \
   -o diff_page_001.bmp \
   -r72 \
   -g595x842 \
   -sDEVICE=bmp256 \
    diff_page_001.pdf

 md5sum diff_page_001.bmp

只需创建一个带有 MD5sum（供参考）的全白 BMP 页​​面，如下所示：

 gs \
   -o reference-white-page.bmp \
   -r72 \
   -g595x842 \
   -sDEVICE=bmp256 \
   -c "showpage quit"

 md5sum reference-white-page.bmp

Answer 3

我自己也遇到了这个问题，我发现最快的方法是使用 PHP 及其对 ImageMagick (Imagick) 的绑定。

<?php
$im1 = new \Imagick("file1.pdf");
$im2 = new \Imagick("file2.pdf");

$result = $im1->compareImages($im2, \Imagick::METRIC_MEANSQUAREERROR);

if($result[1] > 0.0){
    // Files are DIFFERENT
}
else{
    // Files are IDENTICAL
}

$im1->destroy();
$im2->destroy();

当然，您需要先安装 ImageMagick 绑定：

sudo apt-get install php5-imagick # Ubuntu/Debian

Answer 4

我想出了一个使用 apache pdfbox 来比较 pdf 文件的 jar - 这可以比较pixel by pixel和突出差异。

查看我的博客：http ://www.testautomationguru.com/introducing-pdfutil-to-compare-pdf-files-extract-resources/例如并下载。

---

获取页数

import com.taguru.utility.PDFUtil;

PDFUtil pdfUtil = new PDFUtil();
pdfUtil.getPageCount("c:/sample.pdf"); //returns the page count

以纯文本形式获取页面内容

//returns the pdf content - all pages
pdfUtil.getText("c:/sample.pdf");

// returns the pdf content from page number 2
pdfUtil.getText("c:/sample.pdf",2);

// returns the pdf content from page number 5 to 8
pdfUtil.getText("c:/sample.pdf", 5, 8);

从 PDF 中提取附加图像

//set the path where we need to store the images
 pdfUtil.setImageDestinationPath("c:/imgpath");
 pdfUtil.extractImages("c:/sample.pdf");

// extracts & saves the pdf content from page number 3
pdfUtil.extractImages("c:/sample.pdf", 3);

// extracts & saves the pdf content from page 2
pdfUtil.extractImages("c:/sample.pdf", 2, 2);

将 PDF 页面存储为图像

//set the path where we need to store the images
 pdfUtil.setImageDestinationPath("c:/imgpath");
 pdfUtil.savePdfAsImage("c:/sample.pdf");

在文本模式下比较 PDF 文件（更快——但它不比较 PDF 中的格式、图像等）

String file1="c:/files/doc1.pdf";
String file1="c:/files/doc2.pdf";

// compares the pdf documents & returns a boolean
// true if both files have same content. false otherwise.
pdfUtil.comparePdfFilesTextMode(file1, file2);

// compare the 3rd page alone
pdfUtil.comparePdfFilesTextMode(file1, file2, 3, 3);

// compare the pages from 1 to 5
pdfUtil.comparePdfFilesTextMode(file1, file2, 1, 5);

以二进制模式比较 PDF 文件（较慢 - 逐像素比较 PDF 文档 - 突出显示 pdf 差异并将结果存储为图像）

String file1="c:/files/doc1.pdf";
String file1="c:/files/doc2.pdf";

// compares the pdf documents & returns a boolean
// true if both files have same content. false otherwise.
pdfUtil.comparePdfFilesBinaryMode(file1, file2);

// compare the 3rd page alone
pdfUtil.comparePdfFilesBinaryMode(file1, file2, 3, 3);

// compare the pages from 1 to 5
pdfUtil.comparePdfFilesBinaryMode(file1, file2, 1, 5);

//if you need to store the result
pdfUtil.highlightPdfDifference(true);
pdfUtil.setImageDestinationPath("c:/imgpath");
pdfUtil.comparePdfFilesBinaryMode(file1, file2);