如何使用Python获取两个PDF文件的差异？

虽然这个问题已经很久了，但我想我可以为这个问题做出贡献。我们有几个应用程序生成大量的PDF文件。其中一个应用程序是用Python编写的，最近我想编写集成测试来检查PDF生成是否正常工作。

测试PDF生成很困难，因为PDF文件的规格非常复杂和非确定性。由相同输入数据生成的两个PDF文件会生成不同的文件，所以直接文件比较是不可行的。

解决方案：我们必须测试它们的外观（因为这是确定性的！）。

在我们的情况下，PDF是使用reportlab软件包生成的，但从测试的角度来看，这并不重要，我们只需要一个文件名或来自生成器的PDF blob（字节）。我们还需要一个包含“好”PDF的期望文件，用于与来自生成器的文件进行比较。

PDF转换为图像，然后进行比较。这可以通过多种方式实现，但我们决定使用ImageMagick，因为它非常灵活且非常成熟，几乎支持所有编程语言的绑定。对于Python 3，可以使用Wand软件包提供绑定。

测试看起来像下面的样子。我们删除了我们实现的具体细节，并简化了示例：

import os
from unittest import TestCase
from wand.image import Image
from app.generators.pdf import PdfGenerator
DIR = os.path.dirname(__file__)
class PdfGeneratorTest(TestCase):
    def test_generated_pdf_should_match_expectation(self):
        # `pdf`是生成的PDF的字节流
        # 如果使用reportlab，在完成所有绘制后，可以通过在Canvas实例上调用`getpdfdata()`来获得它
        pdf = PdfGenerator().generate()
        # PDF是矢量的，所以在转换为图像时需要设置分辨率
        actual_img = Image(blob=pdf, resolution=150)
        filename = os.path.join(DIR, 'expected.pdf')
        # 确保使用与上面相同的分辨率
        with Image(filename=filename, resolution=150) as expected:
            diff = actual.compare(expected, metric='root_mean_square')
            self.assertLess(diff[1], 0.01)

这里的`0.01`是我们可以容忍的小差异。考虑到`diff[1]`使用`root_mean_square`度量从0到1变化，我们在这里接受了与示例期望文件的所有通道上的差异高达1%。

如何使用Python获取两个PDF文件的差异？

在脚本生成PDF文件的回归测试中，我不知道您的使用情况，但我通过以下步骤来比较PDF文件的差异：

1. 使用Ghostscript将每个页面转换为图像

2. 使用PIL库将每个页面与标准PDF文件的页面图像进行比较

以下是示例代码：

im1 = Image.open(imagePath1)
im2 = Image.open(imagePath2)
imDiff = ImageChops.difference(im1, im2)

在我这个用例中，这种方法可以标记由于代码更改而引入的任何更改。

关于您的第一步骤，是否有一些参考资料可以提供？

解决方法：

1. 安装Ghostscript和PIL库。

2. 使用Ghostscript将PDF文件的每个页面转换为图像。

3. 使用PIL库比较每个页面的图像与标准PDF文件的页面图像。

4. 标记任何差异或更改。

希望这可以帮助您解决问题！

如何使用Python获取两个PDF文件的差异？

在这个问题中，“差异”是指PDF文件中的文本差异还是一些布局变化（例如，嵌入的图形被调整大小）。第一个很容易检测到，而第二个几乎不可能获取（PDF是一个非常复杂的文件格式，提供了无尽的文件格式化能力）。

如果您想获取文本差异，只需在两个PDF上运行一个PDF转文本工具，然后使用Python的内置diff库获取转换后的文本的差异。

这个问题涉及到在Python中进行PDF到文本转换的问题：Python模块用于将PDF转换为文本。

这种方法的可靠性取决于您使用的PDF生成器。如果您使用Adobe Acrobat和一些基于Ghostscript的PDF创建器从相同的Word文档生成两个PDF，即使源文档相同，您可能仍然会得到一个差异。

这是因为有数十种方法可以将源文档的信息编码为PDF，并且每个转换器都使用不同的方法。通常，PDF转文本转换器无法确定正确的文本流，特别是在复杂的布局或表格中。

只需要文本即可，PDF生成器不应该是个问题。

如果您确实需要支持图像，您可以从PDF中提取JPG图像，或者将PDF转换为图像并进行比较。