Encontrar qué cambió entre dos PDF

Qué hace realmente una comparación

Dentro de un PDF no hay historial de cambios. A una herramienta de comparación se le dan dos documentos terminados y tiene que averiguar la relación entre ellos desde cero, lo cual es un problema distinto de los cambios rastreados en un procesador de textos, y más difícil.

Dos enfoques, y cada herramienta usa uno o los dos:

• La comparación de texto extrae las palabras de los dos archivos y las alinea, informando de inserciones y eliminaciones. Encuentra cambios de significado e ignora el diseño por completo.
• La comparación visual renderiza ambas páginas como imágenes y busca píxeles que difieran. Encuentra todo lo que se movió, incluido un párrafo que se desplazó porque una palabra encima de él se alargó.

Comparar PDF pone los dos uno al lado del otro y marca lo que difiere.

Por qué las dos no coinciden

Responden a preguntas distintas, y la diferencia no es un detalle.

Cambia una palabra al principio de un documento largo y una comparación de texto informa de un cambio. Una comparación visual puede informar de que todas las páginas siguientes son distintas, porque los caracteres de más desplazaron cada línea posterior. Las dos dicen la verdad.

Al revés: sustituye un logotipo por otro logotipo del mismo tamaño, y una comparación visual lo detecta al instante mientras que una comparación de texto no ve nada en absoluto, porque ningún texto cambió.

Así que elige según la pregunta que realmente tengas:

• «¿Cambiaron las condiciones?» Texto. Usa PDF a texto en los dos archivos y compara los resultados en cualquier herramienta de texto si quieres verlo en crudo.
• «¿Es este el mismo documento que me enviaron?» Visual.
• «¿Qué cambiaron en el contrato?» Primero texto, después visual en las páginas que señale.

Lo que la comparación no puede ver

Las páginas escaneadas no tienen texto. Una comparación de texto entre dos escaneados no encuentra nada, porque no hay nada que encontrar; aplica OCR primero, y luego recuerda que estás comparando dos conjuntos de resultados de reconocimiento, así que una diferencia detectada puede ser un error de OCR y no un cambio real. ¿Este PDF está escaneado o es texto? explica cómo saberlo.

El orden de lectura se infiere. En una maqueta a varias columnas, el texto extraído puede no seguir el orden en que lo lee una persona, y dos archivos cuyas columnas se construyeron de forma distinta pueden parecer diferentes sin serlo.

Los cambios invisibles siguen siendo invisibles. Los metadatos, los adjuntos incrustados, el historial de revisiones y cualquier cosa oculta detrás de un rectángulo de cobertura no los compara una herramienta que mira palabras o píxeles. Si lo que importa es si un archivo se manipuló, la comparación es el instrumento equivocado; una firma es el correcto. Consulta cómo firmar un PDF.

Que se vean iguales no significa que sean idénticos. Dos archivos pueden renderizarse igual y ser completamente distintos en bytes: distinto generador, distintas fuentes incrustadas, distinta compresión. No hay ningún fallo cuando eso pasa.

Un flujo de trabajo que funciona

1. Comprueba primero lo obvio. Número de páginas y tamaño de archivo, con Número de páginas e información del archivo. Un número de páginas distinto te dice dónde mirar antes de ejecutar ninguna comparación.
2. Compara el texto de todo el documento para encontrar dónde cambió la redacción.
3. Compara visualmente las páginas que señaló, más cualquier página que importe pase lo que pase: la página de firmas, el índice de figuras.
4. Extrae las páginas en disputa con Extraer páginas si necesitas enviarle a alguien una sección concreta en lugar del archivo completo.

Para documentos largos, comparar por secciones es mucho más práctico que comparar de una vez archivos de doscientas páginas, y hace que el resultado sea algo que una persona pueda comprobar de verdad.