pdf - 2 つの pdf ファイルの比較

Question

ほぼ同じ 2 つのファイルの内容を比較し、対応する pdf ファイルの異なる部分を強調表示する必要があります。pdfboxを使用しています。少なくともロジックで私を助けてください。

Answer 1

GUI を備えたツールを好む場合は、これを試すことができます: diffpdf。これはMark Summerfieldによるもので、Qt で書かれているため、Qt が動作するすべてのプラットフォームで利用できる (またはビルドできる) はずです。

スクリーンショットは次のとおりです。

Answer 2

Linuxのシェルスクリプトでも同じことができます。スクリプトは3つのコンポーネントをラップします。

1. ImageMagickのcompareコマンド
2. pdftkユーティリティ_
3. Ghostscript

.batこれをDOS/Windows用のバッチファイルに変換するのはかなり簡単です...

構成要素は次のとおりです。

pdftk

次のコマンドを使用して、複数ページのPDFファイルを複数の単一ページのPDFに分割します。

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

比較

次のコマンドを使用して、ページごとに「差分」PDFページを作成します。

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

compareこれはImageMagickの一部であることに注意してください。ただし、PDF処理の場合、Ghostscript自体をネイティブに実行できないため、 「デリゲート」としてGhostscriptが必要です。

もう一度、pdftk

pdftkこれで、「差分」PDFページを次のように連結できます。

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

Ghostscript

Ghostscriptは、メタデータ（現在の日付と時刻など）をPDF出力に自動的に挿入します。したがって、これはMD5hashベースのファイル比較ではうまく機能しません。

純粋な白いページで構成されるすべてのケースを自動的に検出する場合（つまり、入力ページに目に見える違いがない場合）、bmp256出力デバイスを使用してメタデータのないビットマップ形式に変換することもできます。元のPDF（first.pdfおよび2nd.pdf）、またはdiff-PDFページに対してこれを行うことができます。

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

 md5sum diff_page_001.bmp

次のように、MD5sum（参照用）を使用して真っ白なBMPページを作成するだけです。

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

 md5sum reference-white-page.bmp

Answer 3

私はまさにこの問題を抱えていましたが、私が見つけた最も簡単な方法は、PHP とそのバインディングを ImageMagick (Imagick) に使用することです。

<?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();

もちろん、最初に ImageMagick バインディングをインストールする必要があります。

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

Answer 4

Apache pdfbox を使用して jar を作成し、pdf ファイルを比較しました。これpixel by pixelにより、違いを比較して強調表示できます。

私のブログをチェックしてください: http://www.testautomationguru.com/introducing-pdfutil-to-compare-pdf-files-extract-resources/たとえば、ダウンロードしてください。

---

ページ数を取得するには

import com.taguru.utility.PDFUtil;

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

ページ コンテンツをプレーン テキストとして取得するには

//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);

PDF から添付画像を抽出するには

//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);

PDF ページを画像として保存するには

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

PDFファイルをテキストモードで比較するには（より高速ですが、PDFの形式、画像などは比較しません）

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);

バイナリ モードで PDF ファイルを比較するには (低速 – PDF ドキュメントをピクセル単位で比較 – PDF の違いを強調表示し、結果を画像として保存)

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);