比较两个相似 PDF 文件的内容差异

原文地址：https://alphahinex.github.io/2024/09/28/compare-pdfs/

---

description: "本文给出两个比较相似 PDF 文件内容差异的方法"
date: 2024.09.28 10:34
categories:
- Others
tags: [Python, PDF]
keywords: pdf, diff, compare, PyMuPDF, difflib, DiffPDF

---

本文给出两个比较相似 PDF 文件内容差异的方法，
以 《Understanding DeepLearning (5 August 2024)》
和 《Understanding DeepLearning (28 August 2024)》
为例进行对比。

PyMuPDF + difflib

此方法引自 Python对比PDF文件并生成对比文件。

先用 PyMuPDF 提取 PDF 文件中的文字内容，再通过 difflib 模块输出差异内容。

安装依赖：

pip install PyMuPDF

将以下代码保存至 compare_diff.py：

import os

file1 = input("请输入第一个pdf文件路径：")
file2 = input("请输入第二个pdf文件路径：")

# 使用PyMuPDF库打开pdf文件
import pymupdf

doc1 = pymupdf.open(file1)
doc2 = pymupdf.open(file2)

# 获取pdf文件中的文本内容
text1 = ""
text2 = ""

for page in doc1:
    text1 += page.get_text()

for page in doc2:
    text2 += page.get_text()

# 对比文本内容
if text1 == text2:
    print("两个pdf文件内容相同")
else:
    print("两个pdf文件内容不同")

# 生成对比文件
import difflib

# 将文本内容转换为列表
text1_lines = text1.splitlines()
text2_lines = text2.splitlines()

# 对比文本内容
d = difflib.Differ()
diff = d.compare(text1_lines, text2_lines)

# 生成有标注的对比文件
diff_html = difflib.HtmlDiff().make_file(text1_lines, text2_lines)
file1_path = os.path.dirname(file1)
with open(os.path.join(file1_path, "diff.html"), "w", encoding='utf-8') as f:
    f.write(diff_html)

print("对比文件已生成")

$ python3 compare_diff.py
请输入第一个pdf文件路径：/Users/alphahinex/Desktop/compare_pdf/UnderstandingDeepLearning_08_05_24_C.pdf
请输入第二个pdf文件路径：/Users/alphahinex/Desktop/compare_pdf/UnderstandingDeepLearning_08_28_24_C.pdf
两个pdf文件内容不同
对比文件已生成

打开生成的 diff.html 文件，可以看到两个 PDF 文件的内容差异：

difflib

DiffPDF

DiffPDF 老版本是 开源软件，目前为商用版，有 20 天试用期，提供了更多功能以及对多核处理器更好的支持。

老版本目前官网不再提供，可以从 这里 找到一些老版本的源码和 Windows 版本可执行文件。

参照源码包中 README 内容，可以编译其他系统版本。

diffpdf

相关链接

• https://pymupdf.readthedocs.io/en/latest/
• https://docs.python.org/3/library/difflib.html
• https://github.com/vslavik/diff-pdf