PDF文件对比结果乱序问题修复及更优对比方案咨询

一、修复差异行顺序问题 #

你当前代码使用集合的symmetric_difference获取差异，而集合是无序的，这直接导致导出的差异行和原文档顺序不符。要保留原文档顺序，需改用按行顺序对比的方式，推荐使用Python标准库difflib实现逐行差异检测，它能严格保留原文本的顺序。

修改后的核心代码如下：

from difflib import SequenceMatcher

# 替换原来的差异检测部分
differences_df = pd.DataFrame(columns=['pdf1_text', 'pdf2_text'])

# 初始化SequenceMatcher，对比两行文本
matcher = SequenceMatcher(None, pdf1_text, pdf2_text)

# 遍历对比结果，提取差异并按顺序添加到DataFrame
for tag, i1, i2, j1, j2 in matcher.get_opcodes():
    if tag == 'delete':
        # file1有，file2没有的行
        for line in pdf1_text[i1:i2]:
            differences_df = differences_df.append(
                {'pdf1_text': line, 'pdf2_text': ''}, ignore_index=True
            )
    elif tag == 'insert':
        # file2有，file1没有的行
        for line in pdf2_text[j1:j2]:
            differences_df = differences_df.append(
                {'pdf1_text': '', 'pdf2_text': line}, ignore_index=True
            )
    elif tag == 'replace':
        # 两行内容不同的情况，分别对应显示
        for line1, line2 in zip(pdf1_text[i1:i2], pdf2_text[j1:j2]):
            differences_df = differences_df.append(
                {'pdf1_text': line1, 'pdf2_text': line2}, ignore_index=True
            )

关键说明： #

• difflib.SequenceMatcher会分析两个文本序列的相似性，通过get_opcodes()返回不同类型的操作（删除、插入、替换、相等）。
• 我们只处理有差异的操作类型，严格按照原文档的行顺序添加差异内容，解决了顺序混乱的问题。

二、更优的PDF对比方案 #

1. 更可靠的文本提取工具 #

你当前使用的pdfminer在处理复杂布局（比如多列、图文混排）的PDF时，文本提取的行顺序可能本身就有问题。推荐使用PyMuPDF（fitz），它对PDF文本的提取准确率更高，且能更好地保留原文档的排版顺序：

import fitz

def extract_pdf_text(pdf_path):
    doc = fitz.open(pdf_path)
    text_lines = []
    for page in doc:
        # 按块提取文本，保留行结构
        blocks = page.get_text("blocks")
        for block in blocks:
            # 拆分块内的文本为行
            lines = block[4].split('\n')
            text_lines.extend([line.strip() for line in lines if line.strip()])
    return text_lines

# 替换原有的文本提取逻辑
pdf1_text = extract_pdf_text(pdf_files[0])
pdf2_text = extract_pdf_text(pdf_files[1])

2. 专业的PDF对比工具 #

如果需要更精准的对比（比如考虑PDF的视觉布局、字体、格式差异），可以使用专门的PDF对比方案：

• pdfdiff：可以直接对比两个PDF的视觉差异，生成带高亮的对比PDF文件。
• PyPDF2：结合文本提取和差异检测，适合简单的文本类PDF对比。
• 对于需要可视化差异的场景，也可以调用命令行工具（如diff-pdf），在Python中通过subprocess调用。

3. 优化差异导出格式 #

可以在Excel中添加差异类型标记（比如“新增”“删除”“修改”），让结果更易读：

# 在添加行时增加类型列
differences_df = pd.DataFrame(columns=['差异类型', 'pdf1_text', 'pdf2_text'])

# 示例：在delete分支添加
differences_df = differences_df.append(
    {'差异类型': '删除', 'pdf1_text': line, 'pdf2_text': ''}, ignore_index=True
)

内容的提问来源于stack exchange，提问作者hexapod