Language agnostic 有没有办法在不比较详细内容的情况下知道两个pdf的相似性

我想知道两个pdf文件的相似性，但我不想做详细内容的比较。从它的外部结构有什么解决办法吗？有可能吗？谢谢

您可以通过对两个文件（如md5）运行哈希来判断它们是否不同，但这并不能告诉您它们之间的相似程度

有一些二进制diff程序可以告诉您两个二进制文件的不同之处，并给出合理的结果，但许多二进制文件，尤其是文档容器，在只有微小的内部内容差异时，可以显示大量二进制差异

---

我不熟悉pdf格式的细节。也许其他人知道一种内置的机制可能会有所帮助。

这听起来可能很难，但以下是PDF元数据的一些低挂果实，按难度排序

文档元数据，如

电子书标题

和

标题

文档中的页数（计数

/Page

指令）

比较每个页面的元数据，例如

MediaBox

，

CropBox

，

BleedBox

，

TrimBox

寻找嵌入的内容，如图像和文档特定的字体，看看它们是否完美匹配

拉出纯文本并比较单词：字数、最常用的单词等。对于西语，您可以通过字符串查找器运行PDF，如Linux上的

strings

。或者您可以进入该文件并找到

（废话废话废话）Tj

，这是大多数文本存储在PDF内容中的方式

最后，您可以通过使用GhostScript或其他库将它们转换为光栅格式，然后以这种方式进行比较来作弊。如果你转换成像100px这样的低分辨率，那么粗略的细节可能看起来很相似

---

如果你从未直接使用过PDF，那就不可怕了！它只是一个文本文件（解压后），您可以逐行或多或少地解析它。我在回答中进一步讨论了PDF。

PDF不仅仅是一个文本文件。这是一个B-树的二进制转储。使用压缩对象，您还可以在其他二进制对象中压缩对象数据，以便看不到它们

---

如果你想做低级文本操作，你真的需要使用一个像样的工具。Acrobat 9.0有一个菜单选项，可以浏览内部PDF结构，也可以使用IText之类的工具。

您需要定义“相似”。它仅仅是内容吗？格式化？图像？当然，我的最终目的是了解内容的相似性，但有时很难分析文件的内容（pdf不是我唯一的目标）。所以万维网更具适应性。（我是中国人，可能无法准确表达我的想法）。谢谢。说到内容，请看下面我的答案。我将再次编辑它来讨论实际的单词。