跳到主要内容

PDF 对比工具 — 在浏览器中找出文字和视觉差异

逐字、逐像素对比两个 PDF:按页标出每个新增、删除和修改的词,两个文件都无需上传。

发现问题,或者觉得哪里可以更好?每条消息我们都会阅读,并尽快修复。

这款免费工具可以对比两个 PDF 文件,准确显示改动了什么:在浏览器中逐页列出新增、删除和替换的词。添加原始 PDF 和修订后的 PDF,工具会提取每一页的文字,把两个版本的页面一一对应(能识别插入或删除的页面,而不会让后面的内容全部错位),再对每对页面逐词比较。删除的词加删除线并标记为 [− …],新增的词加下划线并标记为 [+ …],可并排或行内显示,即使不看颜色也能读懂差异。视觉模式会渲染页面并高亮像素差异,用来发现文字无法体现的改动:移动过的 logo、新加的签名、换过的图表。

它也会如实说明 PDF 对比能做什么、不能做什么。扫描版 PDF 里是页面的图片而不是文字,所以文字对比在其中什么也找不到;这时请使用视觉模式,或先用图片转文字(OCR)工具把扫描件转成文字。换行到下一行的文字可以正确处理,但被挤到另一页的文字会显示为一页删除、下一页新增。两个文件都只留在你的设备上,这对常用来比对的合同、报价单和政策文件来说很重要。

使用方法

  1. 选择原始 PDF 作为 A,修改后的 PDF 作为 B(或点击“试用两个示例 PDF”看看效果)。
  2. 查看汇总:每个文件的页数、有改动的页数、新增和删除的词数。
  3. 用页面菜单或“下一处修改”按钮逐页查看。可在并排和行内视图之间切换;打开“选项”可以忽略大小写或标点,或严格按页码配对页面。
  4. 如果要检查版式、图片或扫描文件,切换到“视觉差异”,设置灵敏度阈值,再点击“查找有改动的页面”,列出所有看起来不同的页。
  5. 下载 HTML 报告(便于阅读或打印)或纯文本报告(wdiff 格式,[-removed-] {+added+})。

常见问题

如何对比两个 PDF 文件的差异?

把旧版本添加为 A,新版本添加为 B。工具会提取每页文字,把两个文件的页面对应起来,并标出每个新增、删除或替换的词。对于非文字的差异,例如图片、版式或扫描页,请使用视觉模式,它会逐像素比较渲染后的页面,并框出发生变化的区域。

我的 PDF 会被上传吗?

不会。两个文件都在你的浏览器标签页中用 pdf.js(Firefox 内置的 PDF 引擎)打开,所有对比都在本地完成。不会向服务器发送任何内容,因此机密合同和草稿始终不会离开你的设备。页面加载后即使离线也能继续使用。

为什么在我的 PDF 里找不到文字?

这个 PDF 很可能是扫描件:每一页都是纸张的图片,没有文字层。文字对比需要有文字。请使用适用于任何 PDF 的“视觉差异”模式,或先用 OCR 工具把扫描件转成文字。通过程序的“打印为 PDF”生成或从 Word 导出的 PDF 含有真正的文字,可以正常对比。

为什么一处小修改会显示成很多处改动?

通常是因为文字在页面之间移动了。如果某处修改把一段文字从第 3 页挤到了第 4 页,对比时就会看到它从一页消失、又出现在下一页。同一页内的重新换行不会造成这种情况,因为比较的是词而不是行;行尾用连字符断开的单词也会在比较前合并。表格或分栏中的改动也可能显得更多,因为 PDF 把它们存储为带位置信息的片段,没有阅读顺序。

两个 PDF 页数不同会怎样?

页面会按内容对齐。新版本中插入的页面显示为“仅在 B 中(新增)”,删除的页面显示为“仅在 A 中(删除)”,前后的页面仍会与真正对应的页面比较。如果你更希望不管内容如何都按第 1 页对第 1 页、第 2 页对第 2 页来比较,请在“选项”中勾选“按页码配对页面”。

可以保存对比结果吗?

可以。可以下载 HTML 格式的报告,在任何浏览器中都能打开,打印效果清晰,删除的文字带删除线,新增的文字带下划线;也可以下载纯文本文件,采用 GNU wdiff 的 [-removed-] {+added+} 标记法。如果运行过视觉扫描,每页还会列出差异像素所占的比例。

文字对比与视觉对比

两种模式回答的是不同的问题。文字对比回答“文字有没有变?”,并给出精确清单:哪个词、在哪一页。它忽略字体、颜色、间距和图片,这正是检查合同或政策文件中被改动条款时需要的。视觉对比回答“页面看起来是否不同?”,能发现文字体现不出的变化:替换的 logo、图表中改动的数字、签名、印章、移动过的表格,或扫描版 PDF 中的任何差异。

重要文件最好两种都用。先用文字对比阅读具体修改,再用视觉扫描确认文字以外没有其他改动。如果某页文字没有变化却存在视觉差异,值得仔细看一看。

对比的原理

• 文字提取:pdf.js 以带位置信息的片段返回每页文字;位于同一基线上的片段组成一行,并按从左到右排序。

• 页面对齐:根据页面之间共有的词来匹配页面(一种动态规划对齐算法,思路与 DNA 序列比对相同),因此插入的一页会被识别为插入。

• 逐词对比:每对页面使用 Myers diff 算法(git diff 背后的算法)逐词比较,比较前可选择统一大小写和忽略标点。

• 视觉对比:两页按相同比例渲染;任一颜色通道的差值超过阈值的像素即视为有变化,有变化的像素会被归组为编号区域。

需要了解的限制

多栏版式和表格按 PDF 存储文字的顺序进行比较,这通常就是阅读顺序,但并非总是如此。由不同程序从同一文档生成的两个 PDF,可能在间距、连字(如 fi 作为一个字符)或换行上有所不同,从而在读者看来没有差别的地方显示出改动;忽略标点能解决其中一部分。几乎完全不同的超大页面会整体显示为替换,而不做逐词对比,以保证浏览器不卡顿。每个文件最大 50 MB。