如何获得Python中的两个PDF文件的差异？

Question

我需要找到两个pdf文件之间的区别。是否有任何Python相关的工具具有直接给出2个PDF的差异的特征？

Answer 1

你是什么意思的“差异”？ PDF文本或某些布局更改的差异（例如，调整了嵌入式图形的大小）。第一个很容易检测，第二个几乎不可能（PDF是一个非常复杂的文件格式，提供无尽的文件格式功能）。

如果您想获得文本差异，只需在这两个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文本的差异。

这个问题涉及到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正在使用的PDF生成器。如果你使用例如Adobe Acrobat和一些基于Ghostscript的PDF-Creator可以从SAME word文档创建两个PDF文件，尽管源文档是相同的，但您仍可能会得到一个diff。

这是因为有很多方法可以将源文档的信息编码为PDF，并且每个转换器使用不同的方法。通常，PDF到文本转换器无法找出正确的文本流，特别是对于复杂的布局或表格。

Answer 2

检查了这一点，它可能是有用的：http://pybrary.net/pyPdf/

Answer 3

我不知道你的使用情况，但对于脚本生成的PDF使用ReportLab的回归测试，我通过

1. 转换做差异PDF文件每一页的图像使用ghostsript
2. 版本比较针对标准的PDF的页面图像的各页，使用PIL

例如

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

imDiff = ImageChops.difference(im1, im2) 

这适用于标记由于代码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）在我的测试中很完美。 （Ubuntu的安装：apt-get的安装poppler的-utils的）

你可以通过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。

然后你就可以比较两个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