☰

文本重新排列后比较 pdf 中的文本

tag-icon • tag-icon pdf diff
文本重新排列后比较 pdf 中的文本

我正在尝试比较 PDF 文档的两个版本之间的文本。我能够使用 和 来创建差异，并pdftotext格式化一些替换。perlcolordiff

这会输出很多差异，但其中许多是相同的段落，但有一个段落在开头有一个小变化，导致其余段落有不同的换行符。

有人对如何有效比较文档有什么建议吗？

编辑：pdf 是数字创建的，包含文本信息，pdf 不是扫描图像。

答案1

恐怕pdftotext目前还不足以解决这个问题。

看看实际的 OCR 软件（它没有在文档中准备好文本信息）是如何进行的：

  1. 创建文档的缩小版本，其中“缩小”是通过保留原始图像的每 N×N 块的最暗像素来完成的
  2. 找到最大的空格分隔的方块，将其理解为段落
  3. 对这些段落的顺序进行有根据的猜测（例如，如果页面顶部有一个正方形，其跨度超过页面宽度的 80%，那么下面有两个相似宽度、高度大致相同的块即，您的第一个块是标题，然后是文本主体，从左侧块开始并继续右侧）
  4. 对于每个方块，用较小的块做类似的事情来找到文本行
  5. 分割成单词，如果需要的话，分割成字母，并基于句子中可能出现的内容的内部模型，以及这些字母和单词与存储的参考字母的相似性，将这些像素转换为文本。

显然，第三步之后你就完成了。而且自己实现并不难！

因此，您首先将图像转换为稍微高分辨率的图像（300dpi），例如使用`mutool draw -r 300 -c grey -o 'rastered_%03d.png'（基本上，上面的步骤0，扫描您的文件）。

然后，对于每个结果rastered_${pagenumber}.png，进行缩小（步骤 1）和段落分割（步骤 2）。然后可能简单地按左上角排序（首先是 y，然后是 x）（步骤 3）。

第三步之后，您只需使用带有 的方块的坐标即可pdftotext -x ${top_left_x} -y ${top_left_y} -W ${width} -H ${height}。然后以正确的顺序连接生成的文本:)

相关内容