如何使用 Python 获取两个 PDF 文件的差异？

Posted 2023-02-24

【中文标题】如何使用 Python 获取两个 PDF 文件的差异？

【英文标题】：How to get the diff of two PDF files using Python?

【发布时间】：2010-11-21 14:27:51

【问题描述】：

我需要找出两个 PDF 文件之间的差异。有人知道任何与 Python 相关的工具，它具有直接给出两个 PDF 差异的功能吗？

【问题讨论】：

区分文本或全部内容或大小？

【参考方案1】：

“差异”是什么意思？ PDF 文本的差异或某些布局更改（例如，调整了嵌入图形的大小）。第一个很容易检测，第二个几乎是不可能的（PDF 是一种非常复杂的文件格式，它提供了无穷无尽的文件格式化功能）。

如果要获取文本差异，只需在两个 PDF 上运行 pdf 到文本实用程序，然后使用 Python 的内置差异库来获取转换后文本的差异。

这个问题涉及python中的pdf到文本转换：Python module for converting PDF to text。

此方法的可靠性取决于您使用的 PDF 生成器。如果你使用例如Adobe Acrobat 和一些基于 Ghostscript 的 PDF-Creator 从相同的 word 文档制作两个 PDF，尽管源文档相同，您可能仍然会得到差异。

这是因为将源文档的信息编码为 PDF 的方法有很多种，并且每个转换器使用不同的方法。通常 pdf 到文本的转换器无法确定正确的文本流，尤其是对于复杂的布局或表格。

【讨论】：

文字就可以了。 pdf生成器应该不是问题。

如果您确实需要支持图像，您可以从 pdf 中提取 JPG：nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html 或将 pdf 转换为图像并进行比较。

【参考方案2】：

我不知道您的用例，但对于使用 reportlab 生成 pdf 的脚本的回归测试，我会通过 diff pdfs by

使用 ghostsript 将每个页面转换为图像 使用 PIL 将每个页面与标准 pdf 的页面图像进行比较

例如

im1 = Image.open(imagePath1)
im2 = Image.open(imagePath2)

imDiff = ImageChops.difference(im1, im2)

在我的情况下，这适用于标记由于代码更改而引入的任何更改。

【讨论】：

您的步骤#1 有参考吗？

【参考方案3】：

在我的加密 pdf 单元测试中遇到了同样的问题，pdfminer 和 pyPdf 都不适合我。

这里有两个命令（pdftocairo、pdftotext）在我的测试中完美运行。 （Ubuntu 安装：apt-get install poppler-utils）

您可以通过以下方式获取pdf内容：

from subprocess import Popen, PIPE

def get_formatted_content(pdf_content):
    cmd = 'pdftocairo -pdf - -' # you can replace "pdftocairo -pdf" with "pdftotext" if you want to get diff info
    ps = Popen(cmd, shell=True, stdin=PIPE, stdout=PIPE, stderr=PIPE)
    stdout, stderr = ps.communicate(input=pdf_content)
    if ps.returncode != 0:
        raise OSError(ps.returncode, cmd, stderr)
    return stdout

好像pdftocairo可以重绘pdf文件，pdftotext可以提取所有文本。

然后你可以比较两个pdf文件：

c1 = get_formatted_content(open('f1.pdf').read())
c2 = get_formatted_content(open('f2.pdf').read())
print(cmp(c1, c2)) # for binary compare
# import difflib
# print(list(difflib.unified_diff(c1, c2))) # for text compare

【参考方案4】：

尽管这个问题已经很老了，但我猜我可以为这个话题做出贡献。

我们有多个生成大量 PDF 的应用程序。其中一个应用程序是用 Python 编写的，最近我想编写集成测试来检查 PDF 生成是否正常工作。

测试 PDF 生成是困难，因为 PDF 文件的规范非常复杂且不确定。使用完全相同的输入数据生成的两个 PDF 将生成不同的文件，因此直接文件比较被丢弃。

解决方案：我们必须测试它们的外观（因为 THAT 应该是确定性的！）。

在我们的例子中，PDF 是使用 reportlab 包生成的，但从测试的角度来看，这并不重要，我们只需要生成器中的文件名或 PDF blob（字节）。我们还需要一个包含“良好”PDF 的期望文件，以与来自生成器的 PDF 进行比较。

PDF 被转换为图像，然后进行比较。这可以通过多种方式完成，但我们决定使用ImageMagick，因为它用途广泛且非常成熟，几乎可以绑定所有编程语言。对于 Python 3，绑定由 Wand 包提供。

测试如下所示。删除了我们实现的具体细节并简化了示例：

import os
from unittest import TestCase
from wand.image import Image
from app.generators.pdf import PdfGenerator


DIR = os.path.dirname(__file__)


class PdfGeneratorTest(TestCase):

    def test_generated_pdf_should_match_expectation(self):
        # `pdf` is the blob of the generated PDF
        # If using reportlab, this is what you get calling `getpdfdata()`
        # on a Canvas instance, after all the drawing is complete
        pdf = PdfGenerator().generate()

        # PDFs are vectorial, so we need to set a resolution when
        # converting to an image
        actual_img = Image(blob=pdf, resolution=150)

        filename = os.path.join(DIR, 'expected.pdf')

        # Make sure to use the same resolution as above
        with Image(filename=filename, resolution=150) as expected:
            diff = actual.compare(expected, metric='root_mean_square')
            self.assertLess(diff[1], 0.01)

0.01 是我们可以容忍微小差异的最低点。考虑到 diff[1] 使用 root_mean_square 度量在 0 到 1 之间变化，我们在此接受与示例预期文件相比在所有通道上最多 1% 的差异。

【参考方案5】：

看看这个，它会很有用：http://pybrary.net/pyPdf/

【讨论】：

pyPdf 在我的测试中不是很健壮。它在由 Illustrator/InDesign 和其他矢量绘图程序创建的 pdf 上崩溃。但是，对于来自 Office 应用程序的简单 PDF 可能没问题。一个更可靠的替代方案是 xpdf 工具包中的 pdftotext。