linux命令行上的PDF比较

Question

我正在寻找一个Linux命令行工具来比较两个PDF文件，并保存到PDF输出文件的差异。该工具应该在批处理过程中创建diff-pdf。PDF文件是施工平面图，所以纯文本比较不起作用。

类似于：

<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，但只使用GUI。

任何其他的解决方案也是受欢迎的。

Answer 1

使用(万能的) imagemagick和pdftk用两行代码完成：

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diff为红色像素的PDF。
• pdftk将diff-pdf与background PDF_1

合并

Answer 2

我已经写了我自己的脚本，它可以做一些类似于你所要求的事情。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ImageMagick(可选)

将其移植到.bat批处理文件中应该非常容易。

但首先，请注意：这只适用于具有相同页面/媒体大小的PDF。比较是在两个输入PDF之间逐个像素进行的。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都会变成白色。
• 更改后的每个像素都被绘制为红色。

该比较图像将另存为新的PDF，以便更好地在不同操作系统平台上进行访问。

例如，当PDF处理中的字体替换开始发挥作用时，我正在使用它来发现最小的页面显示差异。

这可能会发生，你的PDF之间没有明显的区别，尽管它们在MD5哈希值和/或文件大小上是不同的。在这种情况下，"diff“输出PDF页面将变成全白。您可以自动发现这种情况，因此您只需通过自动删除全白色PDF来直观地调查非白色PDF。

以下是构建块：

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

如果仅比较单页PDF，则此构建基块是可选的。既然你谈到了“建设计划”，情况很可能就是这样。

比较

使用ImageMagick中的此命令行实用程序为每个页面创建一个"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

由于自动插入的元数据(例如当前的date+time)，PDF输出不能很好地用于基于MD5hash的文件比较。

如果您希望自动发现比较PDF包含纯白色页面的所有情况，则应使用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环境变量中，如下所示：

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

现在Ghostscript开始发挥作用了，它使用一个命令行，其中包括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

这将为您提供一个分辨率为72dpi的原始PixMap页面的PPM (便携PDF )。通常72 dpi就足够满足我们的需求了。接下来，创建一个页面大小相同的纯白色PPM页面：

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

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

MD5总和

使用MD5散列自动比较原始PPM和白页PPM。如果它们是相同的，您可以安全地假设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

这使您不必在视觉上检查没有任何差异的"diff PDF“。

Answer 3

下面是一个实现这一点的技巧。

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