O que ela compara, e o que não compara
O TEXTO dos dois documentos, parágrafo a parágrafo. Não o layout, não as imagens, não as fontes, não as cores. Duas versões com as mesmas palavras e diagramação diferente saem como idênticas, e um logotipo trocado não aparece.
É a comparação certa para o que a maioria das pessoas está de fato conferindo — uma cláusula que mudou, um valor que virou outro, um parágrafo que sumiu entre a versão que foi enviada e a que voltou assinada. E é a comparação errada para material gráfico, onde o que importa é o desenho da página.
Como comparar
O documento da esquerda vem da sessão, então ele pode ter chegado de outra ferramenta — de juntar, dividir ou organizar. O da direita é sempre local, pela mesma razão que o merge-pdf e o img-to-pdf mantêm suas listas fora da cadeia: a sessão guarda um arquivo, e um segundo é estado da tela.
- Solte o original no primeiro campo e a nova versão no segundo.
- Deixe "ignorar espaçamento" ligado, a menos que a diferença de espaços importe para você — é a fonte número um de ruído numa comparação de PDF.
- Compare. O resultado sai linha a linha, com o número de linha dos dois lados e a marca de acrescentado ou removido.
- Baixe o diff unificado se precisar anexar a comparação a um e-mail, a um ticket ou a uma revisão.
Por parágrafo, e não por linha física
Um PDF quebra linha onde a margem manda. Acrescentar uma palavra no começo de um parágrafo empurra todas as linhas seguintes, e um comparador que olhe linhas físicas marca o parágrafo inteiro como alterado — muitas vezes o resto do documento junto.
Aqui os blocos são agrupados em parágrafos antes de comparar, pela mesma heurística que o conversor para Word usa. Uma frase alterada aparece como uma linha alterada, que é a informação que se estava procurando. O refluxo, que é ruído, não aparece.
Página escaneada não entra, de propósito
Uma página sem camada de texto é uma imagem: não há texto a comparar. A ferramenta conta essas páginas e diz quantas ficaram de fora, em vez de comparar menos do que você pensa que está comparando.
Rodar OCR dos dois lados foi considerado e recusado. O reconhecimento erra, e erra de forma diferente em cada arquivo — mesmo com o mesmo conteúdo, um lado pode ler "1" e o outro "l". A comparação passaria a mostrar diferenças que são falha de OCR e não mudança de documento, e num uso em que a resposta decide se um contrato foi alterado, isso é pior do que não comparar. Quem precisa comparar escaneados pode extrair o texto dos dois com o PDF para texto e usar o comparador de texto, sabendo o que está aceitando.
Ignorar espaçamento e caixa
Espaçamento vem ligado. É a maior fonte de ruído numa comparação de PDF: um espaço duplo, uma tabulação virada em espaços, um parágrafo justificado de outro jeito — nada disso é mudança de conteúdo, e todos aparecem como diferença se forem levados a sério.
A caixa vem desligada, porque em documento jurídico e administrativo a diferença entre maiúscula e minúscula às vezes É a mudança — um nome próprio, uma sigla, um título de cláusula. Ligar é decisão de quem sabe o que está conferindo.
Nenhum dos dois arquivos sai daqui
A leitura é o pdf.js rodando na sua aba, e a comparação é o algoritmo de Myers em JavaScript na sua máquina. Nenhum dos dois documentos é enviado a lugar nenhum, e o medidor no topo da página mostra isso enquanto você trabalha.
É a diferença que importa nesta ferramenta em particular: comparar duas versões de um contrato num comparador online normalmente significa entregar as duas versões do contrato a alguém. Aqui não há a quem entregar.