Confronta PDF

Le impronte di pagina usano insiemi di parole e trigrammi di caratteri, con le cifre normalizzate e le intestazioni ricorrenti rimosse. La somiglianza è un coefficiente di Jaccard su entrambi. L'abbinamento in sé è un passaggio di distanza di edit con penalità per i salti, e un secondo esame della sequenza trova i fogli presenti su entrambi i lati in ordine diverso: quelli vengono segnalati come spostati. Non come una cancellazione più un inserimento. Il passaggio sul testo è un diff a livello di parola con un budget di edit limitato, così un documento di cento pagine riscritto da capo degrada a un rapporto grossolano invece di bloccare la scheda. Ogni sequenza riceve un'etichetta: cifra, data, percentuale, importo, nome proprio. L'etichetta assegna solo il peso per l'ordinamento. La riga porta sempre il letterale prima e dopo, perché un'etichetta non è una prova. Il passaggio visivo renderizza i due fogli alla stessa scala e li confronta in blocchi di otto per otto pixel, con una tolleranza che assorbe il rumore dell'antialiasing. I blocchi diversi si raggruppano in rettangoli, e quei rettangoli sono quelli che vedi dentro un riquadro nel PDF marcato. È il passaggio che becca un logo spostato, un margine allargato o un'immagine di firma sostituita. Nessuna di queste cose tocca un carattere. I filtri esistono perché due estrazioni dello stesso PDF distribuiscono gli spazi in modo diverso, e perché inserire un foglio rinumera tutti i piè di pagina successivi.