Herausfinden, was sich zwischen zwei PDFs geändert hat

Was ein Vergleich tatsächlich tut

Es gibt keine Änderungshistorie in einem PDF. Ein Vergleichstool bekommt zwei fertige Dokumente und muss die Beziehung zwischen ihnen von Grund auf erschließen — ein anderes Problem als nachverfolgte Änderungen in einer Textverarbeitung, und ein schwierigeres.

Zwei Ansätze, und jedes Tool nutzt einen oder beide:

• Text-Vergleich extrahiert die Wörter aus beiden Dateien, richtet sie aneinander aus und meldet Einfügungen und Löschungen. Er findet Bedeutungsänderungen und ignoriert das Layout völlig.
• Visueller Vergleich rendert beide Seiten als Bilder und sucht nach Pixeln, die sich unterscheiden. Er findet alles, was sich bewegt hat, auch einen Absatz, der verrutscht ist, weil ein Wort darüber länger wurde.

PDF vergleichen stellt beide nebeneinander und markiert die Unterschiede.

Warum sich die beiden widersprechen

Sie beantworten verschiedene Fragen, und der Unterschied ist keine Nebensächlichkeit.

Änderst du früh in einem langen Dokument ein Wort, meldet ein Text-Vergleich eine Änderung. Ein visueller Vergleich meldet womöglich jede Seite danach als anders, weil die zusätzlichen Zeichen jede folgende Zeile verschoben haben. Beide sagen die Wahrheit.

Umgekehrt: Ersetz ein Logo durch ein anderes gleicher Größe, und ein visueller Vergleich sieht es sofort, während ein Text-Vergleich gar nichts sieht, weil sich kein Text geändert hat.

Wähl also danach, welche Frage du wirklich hast:

• „Haben sich die Bedingungen geändert?“ Text. Nutz PDF in Text auf beiden Dateien und vergleich die Ergebnisse in einem beliebigen Text-Tool, wenn du es roh sehen willst.
• „Ist das dasselbe Dokument, das mir geschickt wurde?“ Visuell.
• „Was haben sie am Vertrag geändert?“ Erst Text, dann visuell auf den markierten Seiten.

Was der Vergleich nicht sieht

Gescannte Seiten haben keinen Text. Ein Text-Vergleich zweier Scans findet nichts, weil nichts zu finden ist — führ erst OCR aus, und bedenk dann, dass du zwei Sätze von Erkennungsergebnissen vergleichst, sodass eine gemeldete Abweichung ein OCR-Fehler statt einer echten Änderung sein kann. Ist dieses PDF gescannt oder ist es Text? behandelt, wie du das erkennst.

Die Lesereihenfolge wird erschlossen. In einem mehrspaltigen Layout folgt der extrahierte Text womöglich nicht der Reihenfolge, in der ein Mensch liest, und zwei Dateien, deren Spalten unterschiedlich aufgebaut wurden, können unterschiedlich aussehen, obwohl sie es nicht sind.

Unsichtbare Änderungen bleiben unsichtbar. Metadaten, eingebettete Anhänge, Versionsgeschichte und alles hinter einem überdeckenden Rechteck werden von einem Tool, das auf Wörter oder Pixel schaut, nicht verglichen. Geht es darum, ob eine Datei manipuliert wurde, ist der Vergleich das falsche Werkzeug — eine Unterschrift ist das richtige. Siehe wie man ein PDF unterschreibt.

Identisch aussehend heißt nicht identisch. Zwei Dateien können gleich gerendert werden und sich in den Bytes vollständig unterscheiden: andere Erzeuger, andere eingebettete Schriften, andere Komprimierung. Dabei ist nichts falsch.

Ein Arbeitsablauf, der funktioniert

1. Prüf zuerst das Offensichtliche. Seitenzahlen und Dateigrößen, über Seitenzahl und Dateiinfo. Eine andere Seitenzahl sagt dir, wo du hinschauen musst, bevor überhaupt ein Vergleich läuft.
2. Vergleich das ganze Dokument als Text, um zu finden, wo sich die Formulierung geändert hat.
3. Vergleich die markierten Seiten visuell, plus jede Seite, die ohnehin zählt — die Unterschriftsseite, das Abbildungsverzeichnis.
4. Zieh die strittigen Seiten heraus mit Seiten extrahieren, wenn du jemandem einen bestimmten Abschnitt statt der ganzen Datei schicken musst.

Bei langen Dokumenten ist es weit praktischer, Abschnitte zu vergleichen, als zweihundertseitige Dateien in einem Durchgang — und so wird das Ergebnis zu etwas, das ein Mensch tatsächlich prüfen kann.