欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

使用Python高效實現(xiàn)PDF內(nèi)容差異對比的方法詳解

 更新時間:2025年06月27日 11:03:32   作者:wumingxiaoyao  
PDF是一種便攜文檔格式,便于跨操作系統(tǒng)傳播文檔,PDF文檔遵循標(biāo)準(zhǔn)格式,因此存在很多可以操作PDF文檔的工具,Python自然也不例外,本文將給大家介紹了如何使用Python高效實現(xiàn)PDF內(nèi)容差異對比,需要的朋友可以參考下

1. 安裝 PyMuPDF 庫

PyMuPDF 提供了豐富的文檔操作功能,包括文本/圖像提取、頁面渲染、文檔合并拆分、注釋添加等。支持格式包括 PDF、EPUB、XPS 等。它是基于 C 語言庫 MuPDF 的 Python 綁定,MuPDF 由 Artifex 公司開發(fā),以高性能和小巧著稱。通過 pip install PyMuPDF 安裝,但在代碼中需通過 import fitz 調(diào)用其功能。fitz 是該庫的核心模塊,fitz 名稱源自 MuPDF 的原始渲染引擎 “Fitz”。為保持一致性,PyMuPDF 的 Python 接口沿用了此名稱。

pip install pymupdf
import fitz

2. 獲取 PDF 內(nèi)容

fitz.open 是 PyMuPDF(fitz 模塊)中用于打開 PDF 或其他支持的文檔格式的函數(shù)。它返回一個fitz.Document 對象。通過 fitz.Document 對象,可以:

  • 訪問頁面:
    使用索引訪問文檔中的頁面,例如 doc[0] 表示第一頁。
    每個頁面是一個 fitz.Page 對象。
  • 獲取文檔信息:
    獲取文檔的元數(shù)據(jù)(如標(biāo)題、作者、創(chuàng)建時間等)。
    獲取文檔的頁數(shù)。

獲取 PDF 內(nèi)容有兩種方式:

通過文件路徑獲取

def get_pdf_content_from_path(pdf_path):
    """Get PDF content from a local file path"""
    pdf = fitz.open(pdf_path)
    return pdf 

通過 URL 獲取

注意通過接口調(diào)用獲取 repsonce.content 字節(jié)類型 content,而不是 response.text 字符串類型 content

屬性response.contentresponse.text
返回類型bytes(字節(jié))str(字符串)
解碼不進(jìn)行解碼,返回原始二進(jìn)制數(shù)據(jù)自動根據(jù) response.encoding 解碼
適用場景處理二進(jìn)制文件(如圖片、PDF 等)處理文本數(shù)據(jù)(如 HTML、JSON 等)
手動解碼需要手動解碼(如 content.decode(‘utf-8’))自動解碼,無需額外操作
def get_pdf_content_from_datalake(content_url):
    """Get PDF content using content_url"""
    content = get_content_by_content_url(content_url)
    try:
        pdf = fitz.open(filetype="pdf", stream=content)
    except Exception as e:
        raise ValueError(f"Failed to open PDF from DataLake for URL: {content_url}. Error: {str(e)}")
    return pdf

3. 提取 PDF 每頁信息

PDF 通常有很多頁 content,需要比較每頁的 content,前面獲取到 fitz.Document,使用索引訪問文檔中的頁面 doc[index] 返回 fitz.Page 對象。

下面是 fitz.Page 的常用屬性,我們對比內(nèi)容只需要用到 get_text() 和 get_pixmap(),通過比較每頁的 text 和像素就能找出 PDF 任何細(xì)微的差異,包括內(nèi)容格式,e.g 字體,加粗,高亮,table 布局,圖片大小等。

屬性/方法描述
number當(dāng)前頁面的頁碼(從 0 開始)。
rect頁面尺寸(矩形區(qū)域)。
rotation頁面旋轉(zhuǎn)角度(0、90、180 或 270)。
mediabox頁面媒體框的尺寸。
cropbox頁面裁剪框的尺寸。
get_text()提取頁面文本(支持多種格式,如 “text”、“html”、“json”)。
get_pixmap()將頁面渲染為圖像。
search_for()搜索頁面中的文本。
get_images()獲取頁面中的嵌入圖像信息。
add_annot()在頁面上添加注釋。
write()將頁面內(nèi)容導(dǎo)出為字節(jié)流。

其中 get_pixmap() 用于將 PDF 頁面渲染為像素圖(圖像)。它是將 PDF 頁面轉(zhuǎn)換為圖像格式的核心方法,常用于生成頁面的可視化表示或進(jìn)行圖像比較。返回的 fitz.Pixmap 對象包含圖像的像素數(shù)據(jù)和相關(guān)信息,常用屬性如下:

屬性名描述
samples圖像的原始像素數(shù)據(jù)(字節(jié)流)。
width圖像的寬度(像素)。
height圖像的高度(像素)。
stride每行像素的字節(jié)數(shù)。
colorspace圖像的顏色空間(如 RGB、灰度等)。
  # Determine the maximum number of pages
    max_pages = max(len(pdf_base), len(pdf_target))
def extract_page_data(pdf, page_num):
    """Extract text and pixel data from a PDF page."""
    page = pdf[page_num]
    text = page.get_text()
    pix = page.get_pixmap()
    return {
        "text": text,
        "pix_samples": pix.samples,
        "pix_width": pix.width,
        "pix_height": pix.height,
    }
def generate_page_data(pdf_base, pdf_target, max_pages, doc_folder):
    """Generator to yield page data for multiprocessing."""
    for page_num in range(max_pages):
        page_data_base = extract_page_data(pdf_base, page_num)
        page_data_target = extract_page_data(pdf_target, page_num)
        yield (page_data_base, page_data_target, page_num, doc_folder)

4. 內(nèi)容對比

metadata 差異

fitz.Document 對象元數(shù)據(jù) metadata 屬性,通常包括文檔的基本信息,例如標(biāo)題、作者、創(chuàng)建時間等。如果忽略 metadata 差異,可以忽略此項對比。

以下是 metadata 字典中常見的鍵及其含義:

鍵名描述
title文檔的標(biāo)題(Title)。
author文檔的作者(Author)。
subject文檔的主題(Subject)。
keywords文檔的關(guān)鍵字(Keywords)。
creator創(chuàng)建文檔的應(yīng)用程序(Creator)。
producer生成文檔的工具或軟件(Producer)。
creationDate文檔的創(chuàng)建日期(Creation Date)。
modDate文檔的最后修改日期(Modification Date)。
trapped文檔是否被標(biāo)記為“Trapped”(通常為 True 或 False,可能為空)。
compare_metadata(pdf_base.metadata, pdf_target.metadata, result)
def compare_metadata(metadata_base, metadata_target, result):
    """Compare PDF metadata"""
    for key in set(metadata_base.keys()) | set(metadata_target.keys()):
        if metadata_base.get(key) != metadata_target.get(key):
            result["metadata_differences"].append(
                f"Metadata '{key}' differs: pdf_base='{metadata_base.get(key)}', pdf_target='{metadata_target.get(key)}'"
            )

文本對比

ndiff 是 Python 標(biāo)準(zhǔn)庫 difflib 中的一個方法,用于逐行比較兩個字符串序列,并生成一個可讀的差異列表。它特別適合用于文本比較,能夠清晰地標(biāo)記出新增、刪除和修改的部分。

difflib.ndiff 的功能

  • 輸入: 兩個字符串序列(通常是通過 splitlines() 分割的多行文本)。
  • 輸出: 一個迭代器,生成每一行的差異標(biāo)記。
  • 差異標(biāo)記:
    -:表示在第一個序列中存在,但在第二個序列中不存在的行。
    +:表示在第二個序列中存在,但在第一個序列中不存在的行。
    (空格):表示兩個序列中都存在的行(沒有變化)。
    ?:表示上一行的具體差異(通常用于標(biāo)記字符級別的變化)。
def compare_text_content(page_data_base, page_data_target, page_num, result):
    """Compare text content of two pages."""
    text_base = page_data_base["text"]
    text_target = page_data_target["text"]

    if text_base != text_target:
        result["text_differences"].append(f"Text differs on page {page_num + 1}")
        diff = list(difflib.ndiff(text_base.splitlines(), text_target.splitlines()))
        differences = [d for d in diff if d.startswith('+ ') or d.startswith('- ')]
        if differences:
            result["text_differences"].append(f"Page {page_num + 1} specific differences: {differences[:5]}...")

可視化對比

比較兩個 PDF 頁面視覺內(nèi)容,通過比較頁面的像素數(shù)據(jù)來檢測頁面之間的視覺差異。

  • 頁面尺寸比較:
    首先比較兩個頁面的寬度和高度,如果頁面尺寸不同,記錄差異并退出函數(shù)。
  • 像素數(shù)據(jù)比較:
    將頁面的像素數(shù)據(jù)轉(zhuǎn)換為圖像對象。使用 PIL.Image.frombytes 將頁面的像素數(shù)據(jù)轉(zhuǎn)換為 RGB 圖像對象。
    使用 ImageChops.difference 計算兩個圖像的差異,返回一個差異圖像,其中每個像素的值表示兩個圖像對應(yīng)像素的差異程度。
  • 保存差異圖像:
    如果發(fā)現(xiàn)差異,保存基準(zhǔn)頁面、目標(biāo)頁面和差異圖像到指定的文件夾。
    記錄差異信息到 result 字典中。
def compare_visual_content(page_data_base, page_data_target, page_num, doc_folder, result):
    """Compare visual content of two pages."""
    if (page_data_base["pix_width"] != page_data_target["pix_width"] or
            page_data_base["pix_height"] != page_data_target["pix_height"]):
        result["format_differences"].append(
            f"Page {page_num + 1} size differs: PDF_base={page_data_base['pix_width']}x{page_data_base['pix_height']}, "
            f"PDF_target={page_data_target['pix_width']}x{page_data_target['pix_height']}"
        )
        return

    img_base = Image.frombytes("RGB", [page_data_base["pix_width"], page_data_base["pix_height"]], page_data_base["pix_samples"])
    img_target = Image.frombytes("RGB", [page_data_target["pix_width"], page_data_target["pix_height"]], page_data_target["pix_samples"])
    diff_img = ImageChops.difference(img_base, img_target)

    if np.any(np.array(diff_img)):
        img_base_path = os.path.join(doc_folder, f"page_{page_num + 1}_pdf_base.png")
        img_target_path = os.path.join(doc_folder, f"page_{page_num + 1}_pdf_target.png")
        diff_path = os.path.join(doc_folder, f"page_{page_num + 1}_diff.png")
        img_base.save(img_base_path)
        img_target.save(img_target_path)
        diff_img.save(diff_path)
        result["format_differences"].append(f"differs on page {page_num + 1}: difference image saved at {diff_path}")

5. 提升對比效率

通過哈希值快速判斷頁面是否相同

通過比較頁面內(nèi)容的哈希值(包括文本和像素數(shù)據(jù)),如果哈希值相同,則跳過進(jìn)一步比較。
如果哈希值不同,調(diào)用 compare_text_content 和 compare_visual_content 方法分別比較文本和視覺內(nèi)容。

def hash_page_content(page_data):
    """Generate a hash for the page content."""
    text_hash = hashlib.md5(page_data["text"].encode()).hexdigest()
    pix_hash = hashlib.md5(page_data["pix_samples"]).hexdigest()
    return text_hash, pix_hash


def compare_page(page_data_base, page_data_target, page_num, doc_folder):
    """Compare a single page for text and visual differences."""
    result = {
        "text_differences": [],
        "format_differences": []
    }
    try:
        # Compare hashes first
        base_hash = hash_page_content(page_data_base)
        target_hash = hash_page_content(page_data_target)
        if base_hash == target_hash:
            return result  # Skip comparison if hashes are identical
        
        # Compare text and visual content
        compare_text_content(page_data_base, page_data_target, page_num, result)
        compare_visual_content(page_data_base, page_data_target, page_num, doc_folder, result)

    except Exception as e:
        result["format_differences"].append(f"Failed to compare page {page_num + 1}: {str(e)}")
    
    return result

早停機制

如果 PDF 差異頁面非常很多,后續(xù)的頁面差異其實是無意義的,我們可以設(shè)定一個差異頁面數(shù)量的最大值,比如 3 或 5,當(dāng)發(fā)現(xiàn)的差異頁面數(shù)量達(dá)到指定的最大值時,函數(shù)會停止進(jìn)一步的比較。

def compare_page_with_limit(args, diff_page_count, max_diff_pages, lock):
    """Compare a single page with early termination."""
    page_data_base, page_data_target, page_num, doc_folder = args
    with lock:
        if diff_page_count.value >= max_diff_pages:
            return None  # Skip further processing if limit is reached
    page_result = compare_page(page_data_base, page_data_target, page_num, doc_folder)
    if page_result["text_differences"] or page_result["format_differences"]:
        with lock:
            diff_page_count.value += 1
    return page_result

多進(jìn)程機制

如果需要比較的 PDF 文件比較多,我們也可以采用多進(jìn)程并發(fā)比較,提升腳本執(zhí)行時間。這里可以根據(jù)實際情況,是基于 PDF 之間并行,還是基于單個 PDF 頁面之間并行。我這邊是基于 PDF 頁面之間并發(fā)執(zhí)行的,考慮到大多數(shù) PDF 頁面達(dá)上百頁,頁面之間并發(fā)效率更高。

pool.starmap 是 Python 中 multiprocessing.Pool 提供的一種方法,用于在多進(jìn)程環(huán)境下并行執(zhí)行函數(shù)。它類似于 map 方法,但支持將多個參數(shù)傳遞給目標(biāo)函數(shù)。

這里定義了一個 diff_page_count 共享變量(通過 manager.Value 創(chuàng)建),因為是 int 型,所以在多進(jìn)程環(huán)境下需要使用 lock 來保護(hù)它。這是因為 manager.Value 本身并不能保證對其值的操作是原子的(atomic)。
共享變量的非原子操作,對共享變量的操作(如 diff_page_count.value += 1)實際上是由多個步驟組成的:

  • 讀取當(dāng)前值。
  • 增加值。
  • 寫回新值。

在多進(jìn)程環(huán)境下,如果多個進(jìn)程同時執(zhí)行這些步驟,就可能導(dǎo)致數(shù)據(jù)競爭(race condition),從而導(dǎo)致共享變量的值不正確。假設(shè)兩個進(jìn)程同時讀取 diff_page_count.value 的值為 5,然后分別將其加 1 并寫回。最終的結(jié)果可能是 6 而不是預(yù)期的 7,因為兩個進(jìn)程的操作互相覆蓋了。使用 lock 可以確保在一個進(jìn)程修改共享變量時,其他進(jìn)程必須等待,直到當(dāng)前進(jìn)程完成操作并釋放鎖。這就避免了數(shù)據(jù)競爭,確保共享變量的值始終正確。

當(dāng)然如果換成 diff_page_count = manager.list(),它的操作(如添加或刪除元素)是線程安全的,底層已經(jīng)實現(xiàn)了同步機制。因此,多個進(jìn)程可以安全地向列表中添加元素,而無需顯式使用 lock。但是 manager.list() 的操作比直接操作 manager.Value 稍慢,因為它需要處理線程安全。如果性能是關(guān)鍵問題,仍然可以考慮使用 manager.Value 和 lock。

def prepare_output_folder(output_folder, pdf_object_id):
    """Prepare the output folder for storing comparison results."""
    output_folder = os.path.join(constants.OUTPUT_DIR, output_folder)
    os.makedirs(output_folder, exist_ok=True)
    doc_folder = os.path.join(output_folder, pdf_object_id.replace(":", "_"))
    clear_and_create_content_dir(doc_folder)
    return doc_folder


def compare_pdf(pdf_base_path, pdf_target_path, 
                 pdf_object_id, pdf_base_object_url, pdf_target_object_url,
                 is_from_datalake=True, output_folder="pdf_diff_results", 
                 max_diff_pages=3):
    """Compare two PDF files for content and format differences"""
   # Prepare output folder
    doc_folder = prepare_output_folder(output_folder, pdf_object_id)
    
    # Initialize result
    result = {
        "text_differences": [],
        "format_differences": [],
        "metadata_differences": [],
        "page_count": {"pdf_base": 0, "pdf_target": 0}
    }
    
 
    # Open PDF files
    pdf_base = get_pdf_content_from_datalake(pdf_base_object_url) if is_from_datalake else get_pdf_content_from_path(pdf_base_path)
    pdf_target = get_pdf_content_from_datalake(pdf_target_object_url) if is_from_datalake else get_pdf_content_from_path(pdf_target_path)

    
    # Compare page count
    result["page_count"]["pdf_base"] = len(pdf_base)
    result["page_count"]["pdf_target"] = len(pdf_target)
      
    # Compare metadata, ignore differences in creation/modification dates
    # compare_metadata(pdf_base.metadata, pdf_target.metadata, result)
    
     # Determine the maximum number of pages
    max_pages = max(len(pdf_base), len(pdf_target))

    # Compare pages in parallel using a generator
    with Manager() as manager:
        # Shared counter for tracking pages with differences
        diff_page_count = manager.Value('i', 0)
        lock = manager.Lock()
        # Create a pool of worker processes
        with Pool() as pool:
            page_results = pool.starmap(
                compare_page_with_limit,
                [(args, diff_page_count, max_diff_pages, lock) for args in generate_page_data(pdf_base, pdf_target, max_pages, doc_folder)]
            )
    
        if diff_page_count.value >= max_diff_pages:
            print(f"Early termination: {diff_page_count.value} pages with differences found, stopping further processing.")
            pool.terminate()
            pool.join()

    # Aggregate results
    for page_result in page_results:
        if page_result is None:
            continue  # Skip if terminated early
        result["text_differences"].extend(page_result["text_differences"])
        result["format_differences"].extend(page_result["format_differences"])

    return result

6. 其他

還有一些其他細(xì)節(jié)問題,這里就不細(xì)說了,一個完整的腳本執(zhí)行是需要考慮很多因素的,目的就是為了全自動化,減少人工干預(yù)成本,提高整體效率。
這里羅列一些:

  • 測試數(shù)據(jù)收集和配置,方便后期定制化執(zhí)行不同的測試數(shù)據(jù)集
  • 腳本執(zhí)行過程中的 log,方便 troubleshooting
  • 生成測試報告,包括細(xì)節(jié)信息,匯總信息(total,fail,pass),及其他統(tǒng)計信息,方便 triage
  • 部署到 Jenkins 上日常執(zhí)行,并發(fā)送測試報告,方便 CICD

以上就是使用Python高效實現(xiàn)PDF內(nèi)容差異對比的方法詳解的詳細(xì)內(nèi)容,更多關(guān)于Python PDF內(nèi)容差異對比的資料請關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • 使用python+Pyqt5實現(xiàn)串口調(diào)試助手

    使用python+Pyqt5實現(xiàn)串口調(diào)試助手

    這篇文章主要介紹了使用python+Pyqt5實現(xiàn)串口調(diào)試助手,串口通訊程序首先要對串口進(jìn)行設(shè)置,如波特率、數(shù)據(jù)位、停止位、校驗位等,需要的朋友可以參考下
    2022-04-04
  • 最新評論