Как сравнить две версии PDF и найти все изменения

Сравнение двух версий PDF: как читать результат

Контрагент прислал «ту же редакцию с небольшими правками». Вопрос всегда один: где именно правки и не появилось ли там чего-то, о чём не предупредили. Читать оба документа подряд — работа на час и с плохой точностью: глаз пропускает изменённую цифру и находит различия там, где просто сместилась строка.

Инструмент отвечает на этот вопрос двумя разными способами сразу, и понимать разницу между ними полезно до запуска.

Два отчёта, отвечающие на разные вопросы

По умолчанию строятся оба, и текстовый идёт первым в списке результатов. Это разумная пара: текстовый удобно копировать в письмо и обсуждать по строкам, визуальный — открывать рядом с оригиналом и показывать пальцем.

Если визуальный отчёт построить не удалось, а вы просили оба, задача не падает: придёт текстовый плюс отдельное предупреждение с причиной. Это осознанное поведение, потому что документ, который не смог отрисовать движок, обычно всё равно поддаётся текстовому сравнению.

Четыре цвета и что каждый означает

Визуальный отчёт размечает страницы цветными рамками, и каждый цвет отвечает за свой тип изменения.

Есть и пятая метка — сплошная заливка со своим цветом и своей строкой в легенде. Она отмечает различия вне текста: в изображении, в линейке, в фоне ячейки таблицы, в цвете. Это не ошибка разметки, а другой вид сравнения, о котором ниже.

Почему «перенесено» — не то же, что «изменено»

Здесь скрыта основная работа инструмента. Наивное сравнение сопоставляет страницы построчно, и вставка одного абзаца в начало документа делает «изменёнными» все строки ниже, потому что каждая сдвинулась на своё место.

Сравнение работает иначе: страница разбирается на текстовые блоки, и блоки сопоставляются между версиями по содержимому, а не по позиции. Абзац, который просто съехал вниз из-за вставки выше, узнаётся как тот же самый и не помечается вовсе.

Синяя метка «перенесено» ставится только тогда, когда перемещение — это правка, а не следствие переверстки. Пункт договора, переехавший из третьего раздела в седьмой, будет синим. Тот же пункт, съехавший на два сантиметра вниз из-за добавленного выше предложения, останется неотмеченным.

Практический смысл прост: количество меток в сводке отражает число реальных правок, а не масштаб переверстки.

Что сравнивается помимо текста

Всё, что не является текстом, сравнивается попиксельно: картинки, логотипы, линейки таблиц, заливки, цвет.

Важная деталь: пиксельное сравнение работает только вне текстовых блоков. Это сделано специально, чтобы одна и та же правка не была посчитана дважды — сначала как изменённый текст, потом как изменившиеся пиксели на том же месте.

Отсюда объяснение частого недоумения: «подсвечена половина страницы, а в сводке ноль изменений». Значит, изменилось не текстовое содержимое, а что-то другое: другая версия логотипа, другой оттенок заливки, пересохранённая с другим сжатием картинка. Иногда это существенно, иногда это следствие пересохранения файла в другом редакторе.

Как запустить сравнение

1. Откройте compare-pdf и загрузите ровно два файла. 2. Убедитесь, что старая версия стоит первой: порядок определяет, что считается добавленным, а что удалённым. 3. Оставьте оба отчёта, если не уверены, какой понадобится. 4. Запустите обработку и скачайте результат. 5. Начните с текстового отчёта: он показывает суть правок. Визуальный откройте для тех мест, где по тексту непонятно.

Порядок файлов стоит отдельного внимания. Инструмент не знает, какая версия новее, и определяет это по позиции: первый файл — «было», второй — «стало». Перепутанный порядок даёт зеркальный отчёт, где добавленное показано как удалённое.

Сравнение сканов

Скан не содержит текста, поэтому текстовый отчёт по двум сканам окажется пустым, и это не сбой.

Визуальное сравнение при этом отработает: пиксельная часть не требует текстового слоя. Для документов, где нужно увидеть подмену страницы или дописанную от руки строку, этого часто достаточно.

Если нужен именно текстовый разбор, оба документа нужно сначала распознать через ocr-pdf. Учтите, что распознанный текст содержит ошибки, и часть различий в отчёте окажется расхождениями распознавания, а не документов.

Об этом же говорит отдельное предупреждение: если текст не удалось надёжно извлечь с каких-то страниц, в результате перечисляются их номера. Эти страницы не сравнивались по тексту и могут скрывать реальные различия.

Что настройки на самом деле меняют

Режим сравнения выбирает, как извлекается текст для текстового отчёта: только текст или текст вместе с расстановкой. Второй режим замечает изменения отступов и выравнивания, но на визуальный отчёт не влияет вообще.

Игнорирование пробелов включено по умолчанию и убирает из отчёта различия, состоящие только из пробелов и переносов.

Эти две настройки конфликтуют, и инструмент об этом честно сообщает. В режиме «текст и расстановка» пробелы и есть сигнал о вёрстке, поэтому игнорировать их нельзя, и настройка молча перестаёт действовать на текстовый отчёт. Вместо тишины приходит предупреждение. На визуальный отчёт игнорирование пробелов при этом продолжает влиять.

Границы применимости

Визуальный отчёт строится для документов не длиннее ста страниц: каждую страницу нужно отрисовать дважды и сложить в разворот, и это дорого. Текстовое сравнение такого предела не имеет.

Если документы длиннее, разумный ход — сравнить не целиком, а по разделам: выделите нужные диапазоны через extract-pages из обеих версий и сравните части.

Документ, защищённый паролем на открытие, сравнить нельзя: содержимое зашифровано. Пароль нужно снять заранее.

И последнее: сравнение отвечает на вопрос «что изменилось», а не «правомерна ли правка». Отчёт стоит читать как список мест для проверки, а не как заключение.