使用Java比较两个PDF文件（方法）

Question

我需要编写一个Java类，可以比较两个PDF文件并指出它们之间的差异（包括文字、位置和字体），并使用某种高亮方式显示出来。 我的初始方法是使用pdfbox解析文件，并将提取的文本存储在某种数据结构中，以便于比较。 有没有什么Java库可以提取文本、保留格式，并帮助我进行索引和比较？我可以使用tika或Google的diff-match吗？ tika以xhtml的形式提取文本，但我该如何比较两个xhtml文件？

- Alvin

---

https://github.com/red6/pdfcompare，另一个评估选项。 - Naveen Kumar R B

Answer 1

在我的项目中，我不得不比较大量的PDF文件。我的要求是按像素点对PDF文件进行比较。经过大量的搜索，由于找不到好的工具，我最终创建了自己的PDF实用程序来实现这个目的。

更多详细信息和JAR下载，请查看此博客。

http://www.testautomationguru.com/introducing-pdfutil-to-compare-pdf-files-extract-resources/

- vins

Answer 2

正如你所提到的，使用pdfbox提取内容，然后使用google的diff进行比较。

- Sajal Dutta

---

是的，但谷歌的差异比较工具无法比较结构化/格式化文本。 - Alvin

@Alvin 我有所怀疑。你进行了比较吗？ - Sajal Dutta

不是，但它非常在那个谷歌页面上，它只比较纯文本。 - Alvin

那就是问题所在！Pdfbox提取的是纯文本。我想要的是保留格式的内容。比如说，Apache Tika通过创建一个XHTML文件来保留格式，但是我该如何比较两个XHTML文件呢？或者我应该从头开始创建一些东西，比如保存坐标并进行比较来保留格式。 - Alvin

@Alvin 我可能完全误读了问题。但由于XHTML只是HTML的严格版本，您不能使用Daisydiff吗？http://code.google.com/p/daisydiff/ - Sajal Dutta

Answer 3

请查看文章，了解如何比较PDF文档。注意以下内容：

PDF是一种灵活的文件格式，您可以通过多种不同的方式完成任务。例如，您可以使用Acrobat和Ghostscript创建两个不同版本的PDF文件。这些文件（希望如此）应该是完全相同的。但是，文件大小和每个文件的内部结构会有很大的不同。

- n002213f

---

是的，我检查过了，但那并没有真正帮助到我...我需要一种方法，以便我可以开发一些Java程序...据我所记，没有直接的开源文档比较器。 - Alvin

Answer 4

请参考以下给出的示例代码进行PDF比较。

ZPDFCompare obj = new ZPDFCompare();
obj.pdfcompare("C:\\Users\\Desktop\\expectedFile.pdf", "C:\\Users\\Desktop\\actualFile.pdf", "C:\\Users\\Desktop\\expectedFile_Diff.pdf","C:\\Users\\tarun.kumar\\Desktop\\actualFile_Diff.pdf");

ZeonPad 提供了免费的 Java API，用于 PDF 比较。

- Tarun Kumar Nayak

---

请注意，如果您想推广或推荐自己的产品/博客，这里有一些指南可以参考。遵循这些指南可以帮助您避免给人垃圾邮件的印象。您能否编辑以明确说明您的关联？谢谢。（如果您实际上没有任何关联，也值得一提。） - NobodyNada

Answer 5

我不知道您是否已经解决了您的问题。以下是我的解决方案。

首先，我们可以使用Pdf2dom将PDF转换为HTML，然后使用daisydiff生成HTML比较报告。如果您需要一个PDF文件，则可以将该HTML报告转换为PDF。但请记住，由于PDF的复杂性，PDF到HTML转换并不是100％准确的。您还可以尝试另一种方法，即将PDF转换为图像，逐像素进行比较并生成PDF报告。您可以尝试使用PDFcompare库。在我看来，它很有前途。如果有人已经尝试过，请让我知道。

- Raju Penumatsa