Linux命令行上的PDF比较

Posted 2023-02-24

【中文标题】Linux命令行上的PDF比较

【英文标题】：PDF compare on linux command line

【发布时间】：2011-09-22 02:05:09

【问题描述】：

我正在寻找一个 Linux 命令行工具来比较两个 PDF 文件并将差异保存到 PDF 输出文件。该工具应该在批处理中创建 diff-pdf。 PDF 文件是施工图，所以纯文本比较不起作用。

类似：

<tool> file1.pdf file2.pdf -o diff-out.pdf

我发现的大多数工具都可以将 PDF 转换为图像并进行比较，但只能使用 GUI。

也欢迎任何其他解决方案。

【问题讨论】：

这不是一个编程问题，你需要一个现有的工具来完成一项任务。

两个施工计划之间的“差异”是什么样的？这听起来太内容敏感，无法通过通用比较程序“区分”。

【参考方案1】：

我已经编写了自己的脚本，该脚本的功能与您的要求相似。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 PDF） Ghostscript（可选） md5sum（可选）

将它移植到 DOS/Windows 的 .bat 批处理文件应该很容易。

但首先，请注意：这仅适用于具有相同页面/媒体大小的 PDF。在两个输入 PDF 之间逐个像素地进行比较。生成的文件是显示“差异”的图像，如下所示：

保持不变的每个像素都变成白色。 每个被更改的像素都被涂成红色。

该差异图像被保存为新的 PDF，以便在不同的操作系统平台上更好地访问。

例如，当 PDF 处理中的字体替换发挥作用时，我使用它来发现最小的页面显示差异。

您的 PDF 之间可能没有明显的差异，尽管它们的 MD5 哈希值和/或文件大小不同。在这种情况下，“diff”输出 PDF 页面将变为全白。您可以自动发现这种情况，因此您只需通过自动删除全白 PDF 来直观地调查非白色 PDF。

这里是构建块：

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

如果您只比较单页 PDF，则此构建块是可选的。既然你说的是“建设计划”，那很可能就是这样。

比较

使用 ImageMagick 中的这个命令行实用程序为每个页面创建一个“差异”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

鬼脚本

由于自动插入元数据（例如当前日期+时间），PDF 输出不适用于基于 MD5hash 的文件比较。

如果您想自动发现差异 PDF 包含纯白页的所有情况，您应该使用 bmp256 输出设备将 PDF 页面转换为无元数据位图格式。你可以这样做：

首先，找出您的 PDF 的页面大小格式是什么。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

您可以像这样将该值存储在环境变量中：

 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，使用包含上述发现的页面大小的命令行，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

这为您提供了一个分辨率为 72 dpi 的 PPM（便携式 PixMap），来自原始 PDF 页面。 72 dpi 通常足以满足我们的需求...接下来，创建一个具有相同页面大小的纯白色 PPM 页面：

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

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

MD5 和

使用 MD5 哈希自动比较原始 PPM 和白页 PPM。如果它们相同，您可以假设 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

这使您不必目视检查没有任何差异的“差异 PDF”。

【讨论】：

非常酷，谢谢。实际上我还没有找到任何直接进行pdf-compare的工具。他们都使用pdf来图像导出和比较图像文件。我会试试这个。

好主意！这里有更多。要验证您的文件（或其中的一页）是否为纯白色，您可以使用直方图：convert file.pdf -format %c histogram:info: | grep -Ev '^$|255,255,255,' > /dev/null 将返回您0 如果页面上没有白色的东西。您还可以通过使用 subsctripion：compare file1.pdf[42] file2.pdf[42] -compose src output.png 直接将 compare 用于 PDF 页面。 A now all together: compare "$src[$i]" "$dst[$i]" -compose src -format %c histogram:info: | grep -Ev '^$|255,255,255,' > /dev/null 如果页面 #i 在这些 PDF 中不同，您将获得成功。

谢谢，我刚遇到这个，你帮了我很多。

@Yorik.sar 使用 grep 的好主意，但是当我运行它时，转换输出 484704: (65535,65535,65535,65535) #FFFFFFFFFFFF white，所以它没有您正在寻找的 255,255,255。最好只搜索white

your own script 是否可以在某处下载？例如，作为一个要点？）

【参考方案2】：

这里有一个技巧。

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

【讨论】：

谢谢，但 pdf 文件是施工图，所以没有文字。

以下命令与答案中列出的命令相同，但在一行中：vimdiff <(pdftotext /path/to/pdf-file-1 -) <(pdftotext /path/to/pdf-file-2 -)

【参考方案3】：

用（全能的）imagemagick 和 pdftk 分两行完成：

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 会创建一个 PDF，其中 diff 为红色像素。 pdftk 将 diff-pdf 与背景 PDF_1 合并

【讨论】：

好...您从我的答案中提取了核心命令行并剥离了其余部分。也许您不需要比较我的方法涵盖的多页 PDF 和一些额外的极端情况......