Comparar duas versões de PDF

Comparar duas versões de um PDF: como ler o resultado

A outra parte mandou «a mesma minuta com pequenas alterações». A pergunta é sempre a mesma: onde exatamente estão as alterações e se apareceu algo que ninguém mencionou. Ler os dois documentos seguidos custa uma hora e funciona mal: o olho pula um número trocado e enxerga diferenças onde apenas uma linha se deslocou.

A ferramenta responde a essa pergunta de duas maneiras ao mesmo tempo, e vale entender a diferença antes de começar.

Dois relatórios que respondem a perguntas diferentes

Os dois são construídos por padrão, e o de texto vem primeiro na lista de resultados. É uma dupla sensata: o relatório de texto se copia fácil para um e-mail e se discute linha a linha, o visual se abre ao lado do original e se aponta com o dedo.

Se o relatório visual não pôde ser construído e você pediu os dois, a tarefa não cai: chega o de texto mais um aviso próprio com o motivo. Isso é proposital, porque um documento que o renderizador não deu conta em geral ainda se rende à comparação de texto.

Quatro cores e o que cada uma significa

O relatório visual marca as páginas com molduras coloridas, e cada cor carrega seu tipo de mudança.

Há ainda um quinto marcador, uma mancha sólida com cor própria e linha própria na legenda. Ela marca diferenças fora do texto: numa imagem, num fio, no fundo de uma célula, numa cor. Não é erro de marcação e sim outro tipo de comparação, descrito abaixo.

Por que «movido» não é o mesmo que «alterado»

É aqui que a ferramenta faz o trabalho de verdade. Uma comparação ingênua confronta páginas linha a linha, e inserir um único parágrafo no topo torna «alteradas» todas as linhas abaixo, porque cada uma se deslocou.

Esta comparação funciona de outro jeito: a página é dividida em blocos de texto, e os blocos são pareados entre versões por conteúdo e não por posição. Um parágrafo que apenas desceu por causa de uma inserção acima é reconhecido como o mesmo e não é marcado de forma alguma.

O marcador azul de «movido» aparece só quando o deslocamento é uma edição e não consequência da remontagem. Uma cláusula que viajou da seção três para a sete sai azul. A mesma cláusula empurrada dois centímetros para baixo por uma frase acrescentada acima fica sem marca.

O sentido prático é simples: a contagem do resumo reflete o número de edições reais, não o tamanho da remontagem.

O que é comparado além do texto

Tudo o que não é texto é comparado pixel a pixel: imagens, logotipos, fios de tabela, preenchimentos, cor.

Um detalhe importante: a comparação de pixels só age fora dos blocos de texto. É proposital, para que uma mesma edição não seja contada duas vezes, primeiro como texto alterado e depois como pixels alterados no mesmo ponto.

Isso explica uma perplexidade comum: «meia página destacada e o resumo diz zero mudanças». Significa que o conteúdo de texto não mudou, mas outra coisa mudou: outra versão de um logotipo, outro tom de preenchimento, uma imagem salva de novo com outra compressão. Às vezes isso importa, às vezes é efeito colateral de reexportar o arquivo de outro editor.

Como rodar a comparação

1. Abra o compare-pdf e envie exatamente dois arquivos. 2. Garanta que a versão antiga venha primeiro: a ordem decide o que conta como acrescentado e o que como removido. 3. Deixe os dois relatórios ligados se não tiver certeza de qual vai precisar. 4. Execute e baixe o resultado. 5. Comece pelo relatório de texto: ele mostra o miolo das alterações. Abra o visual para os pontos em que o texto sozinho não esclarece.

A ordem dos arquivos merece atenção à parte. A ferramenta não sabe qual versão é mais nova e decide pela posição: o primeiro arquivo é «antes», o segundo «depois». Uma ordem trocada dá um relatório espelhado em que o acrescentado aparece como removido.

Comparar digitalizações

Uma digitalização não contém texto, então um relatório de texto sobre duas digitalizações sai vazio, e isso não é falha.

A comparação visual roda assim mesmo: a parte de pixels não precisa de camada de texto. Para documentos em que é preciso flagrar uma página trocada ou uma linha escrita à mão, isso costuma bastar.

Se você precisa justamente do detalhamento de texto, os dois documentos devem passar antes pelo ocr-pdf. Lembre que o texto reconhecido contém erros, então parte das diferenças do relatório serão divergências do reconhecimento e não dos documentos.

Esse mesmo assunto tem aviso próprio: se o texto não pôde ser extraído com confiança de algumas páginas, o resultado lista os números delas. Essas páginas não foram comparadas por texto e podem estar escondendo diferenças reais.

O que os ajustes realmente mudam

O modo de comparação decide como o texto é extraído para o relatório de texto: só texto, ou texto junto com o espaçamento. O segundo modo percebe mudanças de recuo e alinhamento, e não influi em nada no relatório visual.

Ignorar espaços vem ligado e tira do relatório as diferenças formadas só por espaços e quebras de linha.

Esses dois ajustes conflitam, e a ferramenta diz isso com honestidade. No modo de texto e disposição, o espaço é o sinal de diagramação, então não pode ser ignorado, e o ajuste em silêncio deixa de valer para o relatório de texto. Em vez do silêncio vem um aviso. O relatório visual, por sua vez, continua respeitando o ajuste de espaços.

Os limites

O relatório visual é construído para documentos de no máximo cem páginas: cada página precisa ser desenhada duas vezes e montada numa página dupla, e isso sai caro. A comparação de texto não tem esse teto.

Se os documentos forem mais longos, o sensato é comparar por seção e não inteiros: tire as faixas necessárias das duas versões com o extract-pages e compare as partes.

Um documento protegido por senha de abertura não pode ser comparado: o conteúdo está cifrado. A senha precisa sair antes.

E por último: a comparação responde à pergunta «o que mudou», não a «essa mudança é legítima». Leia o relatório como uma lista de pontos a conferir, não como uma conclusão.