Comparar PDF

Las huellas de página usan conjuntos de palabras y trigramas de caracteres, con los dígitos normalizados y los rótulos repetidos fuera. La similitud es un coeficiente de Jaccard sobre ambos. El emparejado en sí es una pasada de distancia de edición con penalización por huecos, y un segundo repaso de la secuencia encuentra hojas presentes en los dos lados en orden distinto: esas se informan como movidas. No como un borrado más una inserción. La pasada de texto es un diff a nivel de palabra con un presupuesto de edición acotado, así que un documento de cien páginas reescrito de arriba abajo degrada a un informe grueso en vez de colgarte la pestaña. Cada racha lleva etiqueta: cifra, fecha, porcentaje, importe, nombre propio. La etiqueta solo asigna peso para ordenar. La fila siempre lleva el literal de antes y el de después, porque una etiqueta no es una prueba. La pasada visual renderiza las dos hojas a la misma escala y las compara en bloques de ocho por ocho píxeles, con una tolerancia que absorbe el ruido del antialiasing. Los bloques que difieren se agrupan en rectángulos, y esos rectángulos son lo que ves recuadrado en el PDF marcado. Es la pasada que pilla un logo desplazado, un margen ensanchado o una firma sustituida por otra imagen. Nada de eso toca un carácter. Los filtros existen porque dos extracciones del mismo PDF reparten los espacios en blanco de otra manera, y porque insertar una hoja renumera todos los pies que van detrás.