Trouver ce qui a changé entre deux PDF

Ce que fait vraiment une comparaison

Il n’y a pas d’historique de modifications à l’intérieur d’un PDF. Un outil de comparaison reçoit deux documents finis et doit déduire leur relation depuis zéro, ce qui est un problème différent du suivi des modifications d’un traitement de texte, et plus difficile.

Deux approches, et chaque outil utilise l’une, l’autre, ou les deux :

• La comparaison de texte extrait les mots des deux fichiers et les aligne, en signalant les insertions et suppressions. Elle trouve les changements de sens et ignore entièrement la mise en page.
• La comparaison visuelle rend les deux pages en images et cherche les pixels qui diffèrent. Elle trouve tout ce qui a bougé, y compris un paragraphe déplacé parce qu’un mot au-dessus s’est allongé.

Comparer des PDF met les deux côte à côte et marque ce qui diffère.

Pourquoi les deux se contredisent

Elles répondent à des questions différentes, et la différence n’est pas un détail.

Changez un mot tôt dans un long document, et une comparaison de texte signale un changement. Une comparaison visuelle peut signaler chaque page suivante comme différente, parce que les caractères en plus ont décalé chaque ligne ultérieure. Les deux disent la vérité.

Dans l’autre sens : remplacez un logo par un autre logo de même taille, et une comparaison visuelle le voit immédiatement tandis qu’une comparaison de texte ne voit rien du tout, puisqu’aucun texte n’a changé.

Choisissez donc selon la question que vous avez réellement :

• « Les conditions ont-elles changé ? » Texte. Utilisez PDF en texte sur les deux fichiers et comparez les résultats dans n’importe quel outil de texte si vous voulez les voir bruts.
• « Est-ce le même document qu’on m’a envoyé ? » Visuel.
• « Qu’ont-ils changé dans le contrat ? » Texte d’abord, puis visuel sur les pages qu’il signale.

Ce qu’une comparaison ne peut pas voir

Les pages scannées n’ont pas de texte. Une comparaison de texte entre deux scans ne trouve rien, parce qu’il n’y a rien à trouver — lancez d’abord l’OCR, et rappelez-vous ensuite que vous comparez deux ensembles de résultats de reconnaissance, donc une différence signalée peut être une erreur d’OCR plutôt qu’un vrai changement. Ce PDF est-il scanné ou est-ce du texte ? explique comment le savoir.

L’ordre de lecture est déduit. Dans une mise en page multi-colonnes, le texte extrait peut ne pas suivre l’ordre qu’un humain lirait, et deux fichiers dont les colonnes ont été construites différemment peuvent paraître différents sans l’être.

Les changements invisibles restent invisibles. Métadonnées, pièces jointes intégrées, historique de révision et tout ce qui est caché derrière un rectangle de recouvrement ne sont pas comparés par un outil qui regarde des mots ou des pixels. Si ce qui compte est de savoir si un fichier a été altéré, la comparaison est le mauvais instrument — une signature est le bon. Voyez comment signer un PDF.

Se ressembler n’est pas être identique. Deux fichiers peuvent s’afficher pareil et différer complètement en octets : producteurs différents, polices intégrées différentes, compression différente. Rien n’est anormal quand cela arrive.

Une méthode qui fonctionne

1. Vérifiez d’abord l’évident. Nombre de pages et taille de fichier, via Nombre de pages et infos fichier. Un nombre de pages différent indique où regarder avant même de lancer une comparaison.
2. Comparez le texte de tout le document pour trouver où la formulation a changé.
3. Comparez visuellement les pages signalées, plus toute page importante quoi qu’il arrive — la page de signature, le tableau des figures.
4. Extrayez les pages contestées avec Extraire des pages si vous devez envoyer à quelqu’un une section précise plutôt que le fichier entier.

Pour les longs documents, comparer par sections est bien plus pratique que comparer en une seule fois des fichiers de deux cents pages — et cela rend le résultat vérifiable par une personne.