批量比较两个PDF文档（PDFUtil，通过文本或者图像进行比较）第一篇

电玩女神 2021-09-24 22:48 525阅读 0赞

之前写过一些关于PDF的文章：

*  [Python图片裁剪的两种方式——Pillow和OpenCV][Python_Pillow_OpenCV]
 *  [Java+PDFBox将PDF转成图片][Java_PDFBox_PDF]
 *  [【PyMuPDF和pdf2image】Python将PDF转成图片][PyMuPDF_pdf2image_Python_PDF]

在我的项目中，我需要比较大量的PDF文档，确认两份PDF文档是否一致，如果仅仅凭借着手动去逐一比较，可能很快就阵亡了。另外也有一些软件可以辅助的去对比，但依然是手动。

在找不到任何比较好用的工具来比较PDF文档的前提下，而且不希望只是进行简单的文本进行比较，而是想要寻找一些基于图像对PDF进行比较，找到之间的像素差异的方法。

所以我创建了一个简单的Java库（基于apache-pdf-box – Apache License, Version 2.0），可以通过文本/图像（Text/Image）模式比较指定的PDF文档，并且高亮差异；从PDF文档中提取图像，并将图像另存为。

**Maven 依赖：**  
使用时应该包含下面的POM依赖项：

<dependency>
       <groupId>com.testautomationguru.pdfutil</groupId>
       <artifactId>pdf-util</artifactId>
       <version>0.0.1</version>
    </dependency>

**ZIP下载地址：**

[taguru-pdf-utility-v1.1.zip (17288 downloads)][taguru-pdf-utility-v1.1.zip _17288 downloads]

**Github:**  
想要获取源码包[**请点击这里**][Link 1]

**使用说明：**

1、获取PDF页数

import com.testautomationguru.utility.PDFUtil;
    
    PDFUtil pdfUtil = new PDFUtil();
    pdfUtil.getPageCount("c:/sample.pdf"); //返回PDF的页数

2、以纯文本的方式获取页面内容

//以Text返回PDF的内容 - 所有页
    pdfUtil.getText("c:/sample.pdf"); 
    
    // 以Text返回PDF第2页的内容
    pdfUtil.getText("c:/sample.pdf",2); 
    
    // 以Text返回PDF第5~8页的内容
    pdfUtil.getText("c:/sample.pdf", 5, 8);

3、从PDF中提取附加图像

//设置我们需要存储图像的路径
    pdfUtil.setImageDestinationPath("c:/imgpath");
    pdfUtil.extractImages("c:/sample.pdf");
    
    // 从PDF的第3页中提取并保存内容
    pdfUtil.extractImages("c:/sample.pdf", 3);
    
    // 从PDF的第2页中提取并保存内容
    pdfUtil.extractImages("c:/sample.pdf", 2, 2);

4、将PDF页面存储为图像

//设置我们需要存储图像的路径
     pdfUtil.setImageDestinationPath("c:/imgpath");
     pdfUtil.savePdfAsImage("c:/sample.pdf");

5、以文本模式比较PDF文件(速度更快-但不比较PDF中的格式、图像等)

String file1="c:/files/doc1.pdf";
    String file1="c:/files/doc2.pdf";
    
    // 比较PDF文档并返回 True or False
    // 两个PDF完全一样返回True， 不一样返回False
    pdfUtil.compare(file1, file2);
    
    // 仅比较第3页
    pdfUtil.compare(file1, file2, 3, 3);
    
    // 比较第1~5页
    pdfUtil.compare(file1, file2, 1, 5);

6、在文本模式下排除某些文本再对PDF文件进行比较

String file1="c:/files/doc1.pdf";
    String file1="c:/files/doc2.pdf";
    
    //对比之前删除有可能的文本内容
    pdfutil.excludeText("1998", "testautomation");
    
    //使用正则表达式，在比较之前删除指定内容
    // \\d+ 在比较之前删除PDF中的所有数字 \\d+是数字的正则表达式
    pdfutil.excludeText("\\d+");
    
    // 比较PDF文档并返回一个布尔值
    // True表示相同； false 表示不一样.
    pdfUtil.compare(file1, file2);
    
    // 仅比较第3页
    pdfUtil.compare(file1, file2, 3, 3);
    
    // 比较第1~5页
    pdfUtil.compare(file1, file2, 1, 5);

7、以视图模式比较PDF文件(较慢–对PDF文档进行像素逐一比较 – 高亮PDF差异并将结果存储为图像)

String file1="c:/files/doc1.pdf";
    String file1="c:/files/doc2.pdf";
    
    // 比较PDF文档并返回一个布尔值
    // 两个PDF完全一样返回True， 不一样返回False
    // 默认是 CompareMode.TEXT_MODE
    pdfUtil.setCompareMode(CompareMode.VISUAL_MODE);
    pdfUtil.compare(file1, file2);
    
    // 单独对比第3页
    pdfUtil.compare(file1, file2, 3, 3);
    
    // 对比PDF第1~5页
    pdfUtil.compare(file1, file2, 1, 5);
    
    //需要的话，可以将不同的地方高亮并以图像存储到你的本地
    pdfUtil.highlightPdfDifference(true);
    pdfUtil.setImageDestinationPath("c:/imgpath");
    pdfUtil.compare(file1, file2);

样例：  
比如我有下面这样的两个PDF文档。  
![两份PDF截图][PDF]  
使用PDFUtility比较之后会给出结果，如下图，默认情况下使用洋红色(Magenta)高亮差异的区域，颜色可以更改。

![比较结果][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3piajE4MzE0NDY5Mzk1_size_6_color_FFFFFF_t_7_pic_center]

**后续将会继续实现的功能：**

*  在视图模式VISUAL\_MODE下比较PDF文件时，忽略某些区域。
 *  在视图模式VISUAL\_MODE下比较PDF文件时，根据一定的阈值/灵敏度返回 true / false。

[Python_Pillow_OpenCV]: https://blog.csdn.net/zbj18314469395/article/details/98056164
[Java_PDFBox_PDF]: https://blog.csdn.net/zbj18314469395/article/details/99292393
[PyMuPDF_pdf2image_Python_PDF]: https://blog.csdn.net/zbj18314469395/article/details/98329442
[taguru-pdf-utility-v1.1.zip _17288 downloads]: https://www.vinsguru.com/download/304/
[Link 1]: https://github.com/vinsguru/pdf-util
[PDF]: /images/20210923/3cf1024554de405a8805f050253b6bc8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3piajE4MzE0NDY5Mzk1_size_6_color_FFFFFF_t_7_pic_center]: /images/20210923/5be535f5b41d44d3b410e88f5da0b444.png