如何獲得Python中的兩個PDF文件的差異？

Question

我需要找到兩個pdf文件之間的區別。是否有任何Python相關的工具具有直接給出2個PDF的差異的特徵？

Answer 1

你是什麼意思的「差異」？ PDF文本或某些佈局更改的差異（例如，調整了嵌入式圖形的大小）。第一個很容易檢測，第二個幾乎不可能（PDF是一個非常複雜的文件格式，提供無盡的文件格式功能）。

如果您想獲得文本差異，只需在這兩個PDF上運行pdf到文本實用程序，然後使用Python的內置差異庫來獲取轉換文本的差異。

這個問題涉及到python中的pdf到文本轉換：Python module for converting PDF to text。

此方法的可靠性取決於您正在使用的PDF生成器。如果你使用例如Adobe Acrobat和一些基於Ghostscript的PDF-Creator可以從SAME word文檔創建兩個PDF文件，儘管源文檔是相同的，但您仍可能會得到一個diff。

這是因爲有很多方法可以將源文檔的信息編碼爲PDF，並且每個轉換器使用不同的方法。通常，PDF到文本轉換器無法找出正確的文本流，特別是對於複雜的佈局或表格。

Answer 2

檢查了這一點，它可能是有用的：http://pybrary.net/pyPdf/

Answer 3

我不知道你的使用情況，但對於腳本生成的PDF使用ReportLab的迴歸測試，我通過

1. 轉換做差異PDF文件每一頁的圖像使用ghostsript
2. 版本比較針對標準的PDF的頁面圖像的各頁，使用PIL

例如

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

imDiff = ImageChops.difference(im1, im2) 

這適用於標記由於代碼更改而引入的任何更改。

Answer 4

在我的加密的pdf unittest上遇到了同樣的問題，pdfminer和pyPdf都不適合我。

這裏有兩個命令（pdftocairo，pdftotext）在我的測試中很完美。 （Ubuntu的安裝：apt-get的安裝poppler的-utils的）

你可以通過PDF內容：

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可以重繪PDF文件，pdftotext可以提取所有文本。

然後你就可以比較兩個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