PDF 对比是个”看上去简单、做起来全是坑”的场景——你以为是”文件比对”，实际上 PDF 内部至少有三层独立内容：视觉像素层、文字流层、对象树结构层，每一层都能独立 diff，结果可能完全不一样。
工具默认用哪一层、哪些场景该用哪种、为什么同一份内容也能对出”全篇都改了”——这篇讲清楚。
三种 diff 各看到什么
两份 PDF
│
├─ 像素 diff（图像层）
│ 把每页渲染成位图，逐像素比对颜色
│ 看到：印章位置、签名、手写批注、视觉错位
│ 看不到：选中复制能拷贝出的"内容"是否真的变了
│
├─ 文本 diff（文字流层）
│ 提取每页的文本对象（字符 + 字体 + 坐标）
│ 看到：条款文字增删改、数字改动
│ 看不到：印章、签名、扫描件的内容、字体改动
│
└─ 结构 diff（对象树层）
解析 PDF 的对象图（pages / fonts / images / annotations）
看到：表单字段变化、附件变化、注释变化、PDF 元数据
看不到：肉眼用户场景的差异（太底层）典型混淆：用户拿到一个”PDF 对比工具”，觉得它就是”对比 PDF”——其实工具实现的是哪一层 diff 决定了它擅长什么场景，差异巨大。
像素 diff：看视觉、看签名、看印章
像素 diff 把每页 PDF 渲染成位图，逐像素比较颜色值。
工作流程：
1. 选定 DPI（如 150）
2. 第一份 PDF 第 1 页 → 渲染成 1240×1754 的位图
3. 第二份 PDF 第 1 页 → 同样渲染
4. 逐像素比较 RGB（或灰度）值
5. 不一致的位置标红，叠加在原图上展示它擅长：
- 印章 / 签名是否变了位置或样式
- 手写批注（写在打印件上重新扫描）
- 扫描件之间的内容变更
- 视觉排版差异（字体、字号、行间距、页边距）
- 任何”只能看到、没有文字层”的内容
它的坑：
| 坑 | 原因 | 应对 |
|---|---|---|
| 同内容 PDF 标红一片 | 字体子集、对象顺序、坐标精度差 | 统一导出工具 |
| 文字 PDF 对比扫描重新打印 | 字体渲染 vs 扫描噪点天然不同 | 像素 diff 不可用，先 OCR |
| 两次扫描位置错位 | 进纸偏移、压平差异 | 先做图像对齐再 diff |
| 颜色配置不同（sRGB vs CMYK） | 同一红色在不同色彩空间 RGB 值不同 | 统一渲染色彩配置 |
| DPI 不一致 | 渲染分辨率不同 → 抗锯齿不同 | 工具内固定 DPI |
关键观察：像素 diff 对”完全相同来源”敏感得过头。两份真的相同的 PDF（例如同一份扫描件 OCR 处理前后），像素 diff 能查出 0 差异；但内容来源不同（哪怕看上去一致），像素 diff 几乎必然全红。
文本 diff：看条款、看数字、看文字流
文本 diff 提取 PDF 的文本对象（字符 + 字体 + 坐标），按文字序列做差异分析。
工作流程：
1. 用 PDF 引擎（PDF.js / pdftotext / mupdf）提取每页文字
2. 把文字按"阅读顺序"拼成纯文本
3. 用 diff 算法（Myers / Patience / Histogram）对齐两个文字序列
4. 标出"插入 / 删除 / 修改"的片段它擅长：
- 合同条款增删改
- 金额、日期、姓名、编号等关键字段变更
- 长篇文档的版本对比
- 学术论文 / 报告的修订追踪
它的坑：
1. 阅读顺序 ≠ 视觉顺序
PDF 内部的文字对象按"放置顺序"存储，不是按阅读顺序
多栏排版、图文混排的 PDF 提取出来文字流可能错乱
表格里的文字常被提取成竖向字符串
2. 不可见字符干扰
全角空格、制表符、软连字符（U+00AD）、零宽空格（U+200B）
肉眼看不到，但文本流里实际存在
有的工具默认规范化掉，有的不
3. 字体差异看不到
"粗体 vs 普通"、"红色 vs 黑色"、"宋体 vs 黑体"
文字流相同 → 文本 diff 完全静默
合同里"加粗强调"的改动会被漏掉
4. 印章 / 签名 / 图像无视
文本 diff 不看图层，整页是图也提不出文字
合同最关键的"是否盖章了"它检测不到
5. 中文分词问题
多数 diff 算法按空格分词
中文连续没空格 → 要么按字符（颗粒度太细），要么按段（颗粒度太粗）
词级 diff 几乎用不上实务建议：文本 diff 是合同 / 文档对比的主力，但永远要叠加像素 diff 复核签名页和图像内容——光看文字不够。
结构 diff：看对象树、看表单、看附件
结构 diff 解析 PDF 的对象图（object graph），比对两个对象树的差异。
PDF 对象树包含：
Document Catalog
├─ Pages tree
│ ├─ Page 1
│ │ ├─ Content stream（绘制指令）
│ │ ├─ Resources（字体、图像、颜色）
│ │ └─ Annotations（注释、链接、表单字段）
│ └─ Page 2 ...
├─ Fonts
├─ Images
├─ Forms（AcroForm / XFA）
├─ Embedded files（附件）
└─ Metadata（标题、作者、创建时间）它擅长：
- 表单字段值变化（AcroForm 填写差异）
- 注释 / 高亮 / 批注的增删
- 附件变更
- PDF 元数据（作者、标题、修改历史）
它的坑：
| 坑 | 原因 |
|---|---|
| 几乎所有对象都标”差异” | 创建工具不同 → 对象 ID、流压缩方式、xref 排序都不同 |
| 看不懂的内部结构差异 | 对象树是给 PDF 引擎看的，不是给人看的 |
| 工具罕见 | 多数 PDF 对比工具不暴露这层 |
典型用途：法务取证、PDF 数字签名验证、AcroForm 表单审计。普通合同审查不需要。
三种 diff 的能力对照
| 场景 | 像素 diff | 文本 diff | 结构 diff |
|---|---|---|---|
| 文字内容改动 | ✓（间接，标红整片） | ✓✓（精准定位） | △（看流但难解读） |
| 数字 / 日期改动 | ✓（间接） | ✓✓ | △ |
| 字体 / 字号 / 加粗变化 | ✓（视觉看得到） | ✗ | ✓（资源对象差异） |
| 颜色变化 | ✓ | ✗ | △ |
| 印章 / 签名变化 | ✓✓ | ✗ | ✗ |
| 手写批注 | ✓✓ | ✗ | ✗ |
| 扫描件内容 | ✓（图像对齐后） | ✗ | ✗ |
| 表单字段值 | ✓（视觉值变了） | △（看是否被渲染） | ✓✓（直接读 AcroForm） |
| 附件 / 嵌入文件 | ✗ | ✗ | ✓✓ |
| PDF 元数据（作者 / 标题） | ✗ | ✗ | ✓✓ |
决策树
我要对比两份 PDF，怎么选？
├─ 是扫描件 / 图像 PDF（鼠标选不中文字）？
│ └─ 像素 diff（先尝试图像对齐，否则只能肉眼）
│
├─ 是文字 PDF，看"内容"改了什么？
│ ├─ 主要看条款 / 数字改动 → 文本 diff
│ ├─ 还要看签名页 / 印章 → 文本 diff + 像素 diff 联用
│ └─ 还要看字体 / 颜色 / 加粗 → 像素 diff 补充
│
├─ 是表单 PDF（AcroForm）？
│ └─ 结构 diff（直接读字段值，最准）
│
├─ 两份不是同一次导出（来源不同的"相同内容"）？
│ └─ 文本 diff（像素 diff 必然假阳性）
│
└─ 法务 / 取证 / 数字签名验证？
└─ 结构 diff（看对象树、修订历史、签名链）工具选型
| 类型 | 推荐 | 备注 |
|---|---|---|
| 浏览器内 / 隐私优先 | PDF 对比 | wasm 本地，文件不上传 |
| 桌面专业 | Adobe Acrobat 的”比较文件” | 文本 + 像素双轨，最稳 |
| 桌面专业 | Foxit PhantomPDF Compare | 文本 diff 强 |
| 命令行 | diff-pdf（GitHub） | 像素 diff，CI 集成方便 |
| 命令行 | pdf-diff (Python) | 文本 diff，规则化 |
| 命令行 | pdftotext + 普通 diff | 简陋但够用 |
| 在线（敏感场景慎用） | DiffPDF / Draftable | 上传到对方服务器 |
实务清单
✅ 必做：
- 对比前先判断 PDF 是文字还是扫描——决定走哪条路
- 合同 / 重要文档 → 文本 diff 主审 + 像素 diff 复核签名页
- 来源不同的”相同内容” → 必须用文本 diff，像素 diff 全是假阳性
- 隐私敏感 → 用浏览器内 wasm 工具或桌面工具
- 看不到的差异（字体、颜色、加粗）→ 切换到像素 diff
❌ 避免：
- 用纯像素 diff 对比”内容相同但来源不同”的 PDF（必假阳性）
- 用纯文本 diff 审签名页 / 印章页（漏检）
- 把扫描件直接送进文本 diff（提不出文字）
- 在线工具传敏感合同
- 把 PDF 入 git 期望 git diff 能看（只看到压缩流乱码）
- 因为”颜色变了 / 加粗了”用文本 diff 找半天找不到（要切像素 diff）
PDF 对比的真相是：没有”一键对比”——选对 diff 类型才是关键。三种 diff 各看一面，合起来才是完整图景；用错一种，看到的全是噪声或漏报关键改动。