Есть ли хорошие библиотеки для сравнения pdf файлов?

Question

[Kentavr16]

Сейчас для сравнения пдф-документов приходится его парсить и сравнивать построчно (код фактически легаси). Есть более адекватные решения для ноды?

Comments

[d'Ivan]

Есть ли какой-то практический смысл в сравнении? Не достаточно ли определения разницы?

[WbICHA]

А задача какая? Сказать идентичны ли они? Если да, можешь хеш сравнить.

[Kentavr16]

Everything_is_not_so_bad, WbICHA, в данный момент парсится построчно, проверяя текст и "(минимально) форматирование. Буквально что на какой строке. Выглядит ужасно, потому как при любом изменении документа концы с концами не свести.

[WbICHA]

Kentavr16, ещё раз, напиши в чём конкретно заключается задача? Что значит "сравнение pdfилов"? Результат какой ты ждёшь?

[Kentavr16]

WbICHA, есть документ, который содержит динамически изменяющиеся данные. Есть тест который проверяет документ на соответствие шаблону - строкам и регулярным выражениям там где информация меняется. В силу того что пдф не просто текст ,поддержание такой проверки довольно геморройный процесс. Думаю как можно оптимизировать.

[Kentavr16]

WbICHA, по поводу логичности действий не спрашивайте - проверка есть,с этим остаётся пока только смириться. не я имплементровал.

[WbICHA]

Kentavr16, всё ещё непонятно. ОЦРом достаётся текст и проверяется регулярками? А месторасположение строк неважно?

[d'Ivan]

В описании задачи довольно поверхностно описано и можно мало чего понять.

есть документ, который содержит динамически изменяющиеся данные. Есть тест который проверяет документ на соответствие шаблону - строкам и регулярным выражениям там где информация меняется. В силу того что пдф не просто текст ,поддержание такой проверки довольно геморройный процесс. Думаю как можно оптимизировать.

вот это уже ближе к делу. Что необходимо обнаружить? Извлечь данные кандидатов на подходящую должность?

[Kentavr16]

WbICHA, есть массив, который содержит строки или регулярки, и функция которая парсит пдф, разделяя текст по символу новой строки. Далее перебором сравниваются строки из пдф с соответствующим по индексу значением из первого массива. Потому порядок важен. Не совсем представляю куда бежать чтобы привести все это в нормальное состояние.

[d'Ivan]

Грубо говоря, в конечном итоге происходит что-то наподобие сравнения двух текстовых файлов?
Предположим, в двух PDF находятся распечатки исходного кода и нужно сравнить их?
Не хватит ли в данном случае что-то типа команды diff?

[WbICHA]

Kentavr16, без примера невидно, чтобы что-то можно было поменять.

[pfg21]

Kentavr16, пдфка генерится програмно на основе каких-либо выгрузок или делается/редактируется человеком

[calculator212]

Kentavr16, а сами документы - это заранее сформированные отчеты, которые легко парсить или это случайный документ с непредсказуемыми вложениями/структурой?

[mayton2019]

Есть более адекватные решения для ноды?

Тебе не стоит так ставить вопрос. Если вы докатились до такого состояния что старые библиотеки
не могут то ищите "вне ноды". Решение с интеграцией например Python + Node может стоить вам
дешевле чем такой брейн-фак с старой библиотекой.

Кроме того, ты до сих пор не описал задание. Ты говоришь - "сравнение". Но что должно быть результатом
сравнения - люди в топике не понимают. Если true или false - то это будет одно решнеие. Легкое.
Если хочешь чтоб оно как diff показывало текст - то решение будет дорогим и трудным разработке.

[d'Ivan]

Автор вопроса так и не смог четко формулировать задачу.

[Kentavr16]

Everything_is_not_so_bad, mayton2019, calculator212, pfg21, WbICHA, был занят.
Итак, вводные. Есть код написанный не мной. В нем перед автором поставили задачу - нужно проверять в автоматическом режиме пдф на соответствие теста в нем определенным критериям. При этом чтобы хоть немного проверялось форматирование - вторая строка не вылезала на четвертую и так далее.
Автор решил вопрос так - установил библиотеку pdf-parse, которая парсит документ (спасибо, кэп)) . В результате текст документа получаем как массив строк -

"string1",
"string2",
"string3".

Представим для наглядности, что в документе строка 1 и 2 - неизменяемы, а 3 - может заканчиваться на любые цифры. Наш анонимный автор для такого сравнения написал функцию, представлю в виде псевдокода -

const 1 = [
                                                          "string1",
                                                           "string2",
                                                           "string3"
];
const 2 = [
                                                          "string1",
                                                           "string2",
                                                            /^string\d$/   //возможно ошибся в регулярке))
]
if(1 > 2) ошибка - несовпадение длинны. Проверяем дальше.
2.forEach(
    если элемент строка - сравниваем с аналогичным (по индексу) элементом массива 1
    если элемент регулярка - проверяем на регулярку
)
выводим массив несовпадений

Вот и думаю есть ли поудобнее инструменты для подобных сравнений, или нужно переписывать код основываясь на том что есть. Надеюсь поток сознания хоть немного прояснил ситуацию.

[WbICHA]

Kentavr16, непонятно чти именно может быть удобнее, с учётом, что тебе всё равно надо будет сравнивать текст на полное и частичное совпадения.
Разве что можешь все строк заджойнить и написать один большой регексп.

[WbICHA]

Kentavr16, вообще, я тут подумал, а ты можешь валидировать этот массив валидатором, тем же zod, написав правило для каждого элемента массива.

[Kentavr16]

WbICHA, есть несколько мелких проблем. Кроме того что функция раздута и вплетена в логику другого функционала, она при условном добавлении одной строки по индексу 1 будет выдавать зафейленые проверки на каждую строку в документе, так как индексы съедут на 1 позицию. Если знаешь как это работает то ничего страшного, но не по фен-шую. Наверное придется дописывать/улучшать что есть.

[WbICHA]

Kentavr16, в таком кейсе ничего не сделать, в любом случае будет фейл. Разве что проверять на соответствие следующего паттерна, чтобы точнее место ошибки показать.