Pythonで2つのPDFファイルの差分を取得する方法は？

Question

私は2つのpdfファイルの違いを見つける必要があります。任意のPython関連ツールには、2つのPDFのdiffを直接与える機能がありますか？

Answer 1

「違い」とはどういう意味ですか？ PDFのテキストの違いやレイアウトの変更（埋め込みグラフィックのサイズが変更されたなど）。最初は検出が容易で、2番目は取得するのがほとんど不可能です（PDFは非常に複雑なファイル形式であり、無限のファイルフォーマット機能を提供します）。

テキスト差分を取得したい場合は、2つのPDFのpdf to textユーティリティを実行し、Pythonの組み込みdiffライブラリを使用して、変換されたテキストの差分を取得します。

この質問は、PDFとテキスト変換をPython：Python module for converting PDF to textで扱っています。

この方法の信頼性は、使用しているPDF Generatorによって異なります。たとえば、 Adobe AcrobatといくつかのGhostscriptベースのPDF-Creatorを使用してSAMEワードドキュメントから2つのPDFを作成すると、元のドキュメントは同じですが、まだ差分が得られることがあります。

これは、ソース文書の情報をPDFにエンコードする方法が数多くあり、各コンバータが異なるアプローチを使用しているためです。多くの場合、pdfからテキストへの変換では、特に複雑なレイアウトやテーブルでは正しいテキストフローがわかりません。

Answer 2

チェックこれを、それが役立つことができます：http://pybrary.net/pyPdf/

Answer 3

私はあなたのユースケースを知らないが、ReportLabのを使用してPDFを生成するスクリプトの回帰テストのために、私は変換

1. によって差分PDFを行いますPIL

などを使用して、標準のPDFのページ画像に対して、各ページに相違取得ghostsript

を使用して、画像に各ページ

im1 = Image.open(imagePath1) 
im2 = Image.open(imagePath2) 

imDiff = ImageChops.difference(im1, im2) 

私のケースでは、これはコード変更のために導入された変更をフラグするために機能します。

Answer 4

暗号化されたpdf unittestと同じ質問にお答えいただきましたが、pdfminerもpyPdfもうまく動作しません。

ここでは、2つのコマンド（pdftocairo、pdftotext）がテストに最適です。 （Ubuntuのインストール：のpoppler-utilsのインストールapt-getの）

あなたがしてPDFコンテンツを取得することができます。

from subprocess import Popen, PIPE 

def get_formatted_content(pdf_content): 
    cmd = 'pdftocairo -pdf - -' # you can replace "pdftocairo -pdf" with "pdftotext" if you want to get diff info 
    ps = Popen(cmd, shell=True, stdin=PIPE, stdout=PIPE, stderr=PIPE) 
    stdout, stderr = ps.communicate(input=pdf_content) 
    if ps.returncode != 0: 
     raise OSError(ps.returncode, cmd, stderr) 
    return stdout 

はpdftocairo PDFファイルを再描画することができ、pdftotextは、すべてのテキストを抽出することができそうです。

そして、あなたが比較できる2つのPDFファイル：

c1 = get_formatted_content(open('f1.pdf').read()) 
c2 = get_formatted_content(open('f2.pdf').read()) 
print(cmp(c1, c2)) # for binary compare 
# import difflib 
# print(list(difflib.unified_diff(c1, c2))) # for text compare