Сравнить два PDF по тексту
Сопоставляет текстовые слои страниц, показывает процент сходства и различия.
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.
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.
Другие варианты
python compare_pdf.py v1.pdf v2.pdf --ignore-whitespacepython compare_pdf.py before.pdf after.pdf --json diff.json --diff-lines 20
Что понадобится
winget install Python.Python.3.12
brew install python
sudo apt install python3
py -m pip install pdfplumber
python3 -m pip install pdfplumber
python3 -m pip install pdfplumber
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.