Офис и PDF

Сравнить два PDF по тексту

Сопоставляет текстовые слои страниц, показывает процент сходства и различия.

Python Windows macOS Linux Продвинутый
Скачать compare_pdf.py
Описание

Что делает скрипт

Скрипт извлекает текст из двух PDF и сравнивает страницы через difflib. Выводится коэффициент сходства, число отличающихся страниц и короткий unified diff. Это текстовое сравнение, а не пиксельное, поэтому перестановка картинок без изменения текста может остаться незамеченной.

Запуск

Быстрый старт

python compare_pdf.py old.pdf new.pdf

Скачайте файл, откройте терминал в папке со скриптом и выполните команду. В Linux и macOS интерпретатор может называться python3, в Windows - python или py.

Примеры

Другие варианты

  • python compare_pdf.py v1.pdf v2.pdf --ignore-whitespace
  • python compare_pdf.py before.pdf after.pdf --json diff.json --diff-lines 20
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
pdfplumber
Windows py -m pip install pdfplumber
macOS python3 -m pip install pdfplumber
Linux python3 -m pip install pdfplumber
Исходник

compare_pdf.py

#!/usr/bin/env python3
"""Текстовое сравнение двух PDF."""
from __future__ import annotations

import argparse
import difflib
import json
import re
import sys
from pathlib import Path

import pdfplumber


def page_texts(path: Path) -> list[str]:
    with pdfplumber.open(str(path)) as pdf:
        return [(page.extract_text() or "") for page in pdf.pages]


def normalize(text: str, collapse: bool) -> str:
    if collapse:
        return re.sub(r"\s+", " ", text).strip()
    return text


def main() -> int:
    parser = argparse.ArgumentParser(description="Сравнить два PDF по тексту")
    parser.add_argument("first", type=Path, help="Первый PDF")
    parser.add_argument("second", type=Path, help="Второй PDF")
    parser.add_argument("--ignore-whitespace", action="store_true", help="Не учитывать пробелы и переносы")
    parser.add_argument("--diff-lines", type=int, default=40, help="Сколько строк diff показать")
    parser.add_argument("--json", type=Path, help="Сохранить отчёт в JSON")
    args = parser.parse_args()

    first = args.first.expanduser()
    second = args.second.expanduser()
    for path in (first, second):
        if not path.is_file():
            print(f"Файл не найден: {path}", file=sys.stderr)
            return 2

    try:
        left = page_texts(first)
        right = page_texts(second)
    except Exception as error:
        print(f"Не удалось прочитать PDF: {error}", file=sys.stderr)
        return 1

    total = max(len(left), len(right))
    rows = []
    different = 0
    for index in range(total):
        a = normalize(left[index], args.ignore_whitespace) if index < len(left) else ""
        b = normalize(right[index], args.ignore_whitespace) if index < len(right) else ""
        ratio = difflib.SequenceMatcher(None, a, b).ratio()
        if a != b:
            different += 1
        rows.append({"page": index + 1, "similarity": round(ratio, 4), "same": a == b})

    print(f"Страниц: {len(left)} и {len(right)}")
    print(f"Отличаются страницы: {different} из {total}")
    for row in rows:
        if not row["same"]:
            print(f"стр. {row['page']}: сходство {row['similarity']:.1%}")

    shown = 0
    for index in range(total):
        a = normalize(left[index], args.ignore_whitespace) if index < len(left) else ""
        b = normalize(right[index], args.ignore_whitespace) if index < len(right) else ""
        diff = list(difflib.unified_diff(a.splitlines(), b.splitlines(), fromfile=f"old стр.{index + 1}", tofile=f"new стр.{index + 1}", lineterm="", n=1))
        for line in diff:
            if shown >= args.diff_lines:
                break
            print(line)
            shown += 1
        if shown >= args.diff_lines:
            break

    if args.json:
        target = args.json.expanduser()
        target.parent.mkdir(parents=True, exist_ok=True)
        payload = {"first": str(first), "second": str(second), "pages": rows}
        target.write_text(json.dumps(payload, ensure_ascii=False, indent=2) + "\n", encoding="utf-8")
        print(f"Отчёт сохранён: {target}")

    return 0 if different == 0 else 1


if __name__ == "__main__":
    raise SystemExit(main())

Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-pdf-compare
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.