資料結構
網路
RDBMS
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究使用 Python 檢查兩個 PDF 文件是否相同
PDF 檔案廣泛用於共享文件，並且經常需要檢查兩個 PDF 檔案是否相同。比較 PDF 檔案有多種方法，Python 提供了幾個庫來完成此任務。在本文中，我們將討論在 Python 中檢查 PDF 是否相同的方法。
方法 1：使用 PyPDF2
PyPDF2 是一個可以操作 PDF 檔案的 Python 庫。它提供了幾種從 PDF 檔案中提取資料的方法，包括文字、影像和元資料。PyPDF2 還支援合併、拆分和加密 PDF 檔案。我們可以使用 PyPDF2 透過迭代其頁面並比較其內容來比較兩個 PDF 檔案。
示例
以下程式碼片段演示瞭如何使用 PyPDF2 比較兩個 PDF 檔案：
import PyPDF2
def compare_pdfs(file1, file2):
pdf1 = PyPDF2.PdfReader(open(file1, "rb"))
pdf2 = PyPDF2.PdfReader(open(file2, "rb"))
if pdf1.getNumPages() != pdf2.getNumPages():
return False
for i in range(pdf1.getNumPages()):
page1 = pdf1.getPage(i)
page2 = pdf2.getPage(i)
if page1.extract_text() != page2.extract_text():
return False
return True
if __name__ == '__main__':
file1 = "pdf1.pdf"
file2 = "pdf2.pdf"
if compare_pdfs(file1, file2):
print("PDFs are identical")
else:
print("PDFs are not identical")
在上面的程式碼中，我們定義了一個 **compare_pdfs** 函式，該函式以兩個 PDF 檔案作為引數。我們使用 PyPDF2 的 **PdfReader** 方法讀取 PDF 檔案，並使用 extract_text 方法比較其頁面內容。
如果 PDF 檔案的頁面數不同，我們將立即返回 False，表示 PDF 不相同。否則，我們將比較兩個 PDF 檔案中每個頁面的內容。如果任意兩個頁面的內容不同，我們將返回 False。否則，我們將返回 True，表示 PDF 相同。
方法 2：使用 pdftotext
**pdftotext** 是一個將 PDF 檔案轉換為純文字的命令列實用程式。我們可以使用 pdftotext 從兩個 PDF 檔案中提取文字，並使用 Python 比較它們。此方法需要在系統上安裝 pdftotext。
示例
以下程式碼片段演示瞭如何使用 **pdftotext** 比較兩個 PDF 檔案：
import os
import subprocess
def compare_pdfs(file1, file2):
temp_file1 = "temp_file1.txt"
temp_file2 = "temp_file2.txt"
subprocess.call(['pdftotext', file1, temp_file1])
subprocess.call(['pdftotext', file2, temp_file2])
with open(temp_file1, "r") as f1, open(temp_file2, "r") as f2:
if f1.read() == f2.read():
return True
else:
return False
os.remove(temp_file1)
os.remove(temp_file2)
if __name__ == '__main__':
file1 = "pdf1.pdf"
file2 = "pdf2.pdf"
if compare_pdfs(file1, file2):
print("PDFs are identical")
else:
print("PDFs are not identical")
在上面的程式碼中，我們定義了一個 compare_pdfs 函式，該函式以兩個 PDF 檔案作為引數。我們使用 subprocess 模組透過 call() 函式呼叫 pdftotext 命令列實用程式，該函式接受兩個引數。第一個引數是要執行的命令列命令，第二個引數是傳遞給命令的引數列表。
pdftotext 命令列實用程式將 PDF 檔案轉換為純文字檔案，並將它們儲存在臨時檔案 temp_file1.txt 和 temp_file2.txt 中。然後，我們使用 Python 的 open() 函式和 read() 方法比較這兩個臨時檔案的內容。如果兩個檔案的內容相同，我們將返回 True，表示 PDF 相同。否則，我們將返回 False。
最後，我們將使用 os.remove() 函式刪除臨時檔案。
方法 3：使用 difflib
**difflib** 是一個提供一系列用於比較序列的工具的 Python 庫。我們可以使用 difflib 比較從兩個 PDF 檔案中提取的文字，並確定它們之間的差異。
示例
以下程式碼片段演示瞭如何使用 difflib 比較兩個 PDF 檔案：
import difflib
import PyPDF2
def compare_pdfs(file1, file2):
pdf1 = PyPDF2.PdfReader(open(file1, "rb"))
pdf2 = PyPDF2.PdfReader(open(file2, "rb"))
if pdf1.getNumPages() != pdf2.getNumPages():
return False
for i in range(pdf1.getNumPages()):
page1 = pdf1.getPage(i)
page2 = pdf2.getPage(i)
text1 = page1.extract_text().splitlines()
text2 = page2.extract_text().splitlines()
diff = difflib.ndiff(text1, text2)
if any(line.startswith("+ ") or line.startswith("- ") for line in diff):
return False
return True
if __name__ == '__main__':
file1 = "pdf1.pdf"
file2 = "pdf2.pdf"
if compare_pdfs(file1, file2):
print("PDFs are identical")
else:
print("PDFs are not identical")
在上面的程式碼中，我們定義了一個 **compare_pdfs** 函式，該函式以兩個 PDF 檔案作為引數。我們使用 PyPDF2 讀取 PDF 檔案，並使用 **extract_text** 方法從每個頁面提取文字。我們使用 **splitlines** 方法將提取的文字拆分為行。
然後，我們使用 **difflib** 比較從兩個 PDF 檔案中提取的行文字。我們使用 **difflib** 的 **ndiff** 函式生成兩個行列表之間的差異。如果差異列表中的任何行以 "+" 或 "-" 開頭，我們就知道 PDF 不相同，並返回 False。
如果差異列表不包含任何以 "+" 或 "-" 開頭的行，我們就知道 PDF 相同，並返回 True。
方法 4：使用 pdftk
pdftk 是一個可以操作 PDF 檔案的命令列實用程式。我們可以使用 pdftk 比較兩個 PDF 檔案並確定它們是否相同。此方法需要在系統上安裝 pdftk。
示例
以下程式碼片段演示瞭如何使用 pdftk 比較兩個 PDF 檔案：
import os
import subprocess
def compare_pdfs(file1, file2):
output = subprocess.check_output(['pdftk', file1, 'diff', file2])
if "input files are identical" in output.decode():
return True
else:
return False
if __name__ == '__main__':
file1 = "pdf1.pdf"
file2 = "pdf2.pdf"
if compare_pdfs(file1, file2):
print("PDFs are identical")
else:
print("PDFs are not identical")
在上面的程式碼中，我們定義了一個 **compare_pdfs** 函式，該函式以兩個 PDF 檔案作為引數。我們使用 **subprocess** 模組透過 **check_output()** 函式呼叫 **pdftk** 命令列實用程式。我們將 `diff` 命令傳遞給 **pdftk**，以及要比較的兩個 PDF 檔案。
如果兩個 PDF 檔案相同，**pdftk** 會在其輸出中返回訊息“輸入檔案相同”。我們使用 Python 的 `in` 關鍵字檢查輸出中是否存在此訊息。如果存在該訊息，我們就知道 PDF 檔案相同，並返回 `True`。否則，我們將返回 False。
結論
在本教程中，我們討論了在 Python 中檢查兩個 PDF 檔案是否相同的方法。我們討論了四種方法：
使用 **PyPDF2** 比較兩個 PDF 檔案的文字
使用 **pdftotext** 比較兩個 PDF 檔案的文字
使用 **difflib** 比較兩個 PDF 檔案的文字
使用 **pdftk** 比較兩個 PDF 檔案
所有這些方法都可靠有效。但是，方法的選擇取決於專案的需要和具體的用例。如果 PDF 檔案很大，並且只需要比較幾個頁面，那麼使用 **PyPDF2** 或 **pdftotext** 可能比使用 pdftk 更有效。另一方面，如果系統上已經安裝了 **pdftk**，那麼它可能是最簡單、最方便使用的方法。
2K+ 閱讀量
