مقایسه دو سند PDF

یک خطای بنیادین در ممیزی اسناد، تکیه انحصاری بر مقایسه متنی یا مقایسه بصری است. هر رویکرد نقاط قوت متمایز و محدودیت‌های حیاتی خود را دارد:

1. مقایسه متنی: PDF را بدون توجه به هندسه صفحه به جریان‌های ساختاریافته نویسه و واژه تجزیه می‌کند. تغییرات دقیق زبانی را شناسایی می‌کند — مانند درج یک استثنای مسئولیت، تغییر یک تاریخ از 'July 15' به 'August 15' یا حذف یک جمله غرامت. اما تفاوت‌یابی متنی نسبت به تغییرات بصری کاملاً نابیناست: نمی‌تواند تشخیص دهد آیا یک ستون معماری جابه‌جا شده، لوگویی جایگزین شده یا متن سلب مسئولیت ریزنویس به اندازه فونت ناخوانای 4pt کاهش یافته است.

2. مقایسه بصری: شبکه‌های پیکسلی رندرشده را در وضوح‌های کالیبره‌شده مقایسه می‌کند. پاراگراف‌های جابه‌جاشده، نقشه‌های تغییریافته و جایگزینی فونت‌ها را فوراً برجسته می‌کند، اما نمی‌تواند خلاصه‌ای فشرده و قابل خروجی از تغییرات واژه‌ای در یک توافق‌نامه ۱۰۰ صفحه‌ای ارائه دهد.

ابزار ما هر دو موتور را در یک فضای کاری یکپارچه ترکیب می‌کند و به متخصصان دید کامل بر هر بازنگری زبانی و بصری می‌دهد.

برای انجام مقایسه متنی دقیق، موتور باید محتوای متنی خام را از جریان‌های محتوای صفحه PDF ‏(/Contents) استخراج کند و هم‌زمان ترتیب منطقی خواندن را بازسازی کند. چون فایل‌های PDF متن را در جملات پیوسته ذخیره نمی‌کنند — بلکه توکن‌های تایپوگرافیک مستقلی را ذخیره می‌کنند که با ماتریس‌های مختصات (Tm، ‏Td، ‏Tj) موقعیت‌دهی شده‌اند — استخراج ساده‌لوحانه متن اغلب به واژه‌های درهم و شکست‌های خط ناقص منجر می‌شود.

موتور سمت کاربر ما از توکن‌ساز جریان متن pdf.js متعلق به Mozilla درون یک Web Worker ایزوله استفاده می‌کند. این موتور اقلام متنی را همراه با کادرهای محدودکننده‌شان استخراج، آن‌ها را به‌صورت هندسی مرتب تا جریان پاراگراف خوانا برای انسان حفظ شود، شکست‌های واژه خط‌تیره‌دار را حل و سند را به آرایه‌ای ساختاریافته از واحدهای زبانی (جملات و واژه‌ها) توکن‌سازی می‌کند.

این توکن‌سازی تمیز تضمین می‌کند الگوریتم‌های تفاوت‌یابی بعدی محتوای زبانی واقعی را مقایسه کنند، نه توکن‌های نامنظم چیدمان را.

پس از استخراج توکن‌های متنی از سند A و سند B، موتور ما الگوریتم تفاوت‌یابی Myers (یا نسخه‌ای بهینه‌شده از الگوریتم بلندترین زیردنباله مشترک) را در WebAssembly سمت کاربر اجرا می‌کند.

این الگوریتم مقایسه را به‌صورت یافتن کوتاه‌ترین اسکریپت ویرایش (SES) در یک گراف جهت‌دار مدل می‌کند که افزودنی‌ها، حذف‌ها و بخش‌های مشترک را نشان می‌دهد. خروجی به سه وضعیت متمایز دسته‌بندی می‌شود:

- افزودنی‌ها: واژه‌ها یا بندهایی که در نسخه B هستند اما در نسخه A نیستند (با سبز درخشان برجسته می‌شوند).

- حذف‌ها: واژه‌ها یا بندهایی که در نسخه A بودند و در نسخه B حذف شده‌اند (با قرمز و خط‌خوردگی برجسته می‌شوند).

- تغییرات: جایگزینی‌های درجا که در آن واژه‌های خاصی درون یک بند موجود تغییر کرده‌اند.

موتور ویرایش‌های واژه‌ای مجاور را در بلوک‌های معنایی منسجم گروه‌بندی می‌کند و خلاصه redline ساختاریافته‌ای مشابه نرم‌افزارهای حرفه‌ای مقایسه حقوقی مانند Workshare Compare یا Litera Change-Pro تولید می‌کند.

بازبینی قراردادهای پیچیده چندصفحه‌ای نیازمند ناوبری روان و همگام است. رابط کاربری ما نماهای دوپنلی پیوسته با پیمایش قفل‌شده دارد. وقتی سند A را پیمایش می‌کنید، سند B کاملاً هم‌گام پیمایش می‌شود و بخش‌های متناظر هم‌تراز می‌مانند.

اگر بازنگری صفحات کاملی را افزوده یا حذف کرده باشد — و باعث جابه‌جایی شماره صفحات شده باشد (برای مثال بخش ۴ در نسخه A در صفحه ۱۲ است، اما به دلیل یک جدول درج‌شده در نسخه B به صفحه ۱۴ منتقل شده) — رابط ما به کاربران اجازه می‌دهد قفل صفحه را باز کنند، صفحات متناظر را دوباره هم‌تراز کنند و مقایسه را در جابه‌جایی جدید دوباره قفل کنند. بازبینان می‌توانند به‌راحتی بزرگ‌نمایی، جابه‌جایی و میان نماهای کنار هم و ادغام‌شده جابه‌جا شوند.

مقایسه اسناد تقریباً همیشه روی حساس‌ترین فایل‌های یک سازمان انجام می‌شود: پیش‌نویس توافق‌نامه‌های ادغام، مصالحه‌های محرمانه دعاوی، شرایط مجوز مالکیت فکری و ممیزی‌های مالی پیش از انتشار. ارسال این فایل‌ها به درگاه‌های ابری مقایسه PDF خطرات جدی انطباق سازمانی ایجاد می‌کند و طبق GDPR، ‏HIPAA و استانداردهای محرمانگی کانون وکلا به معنای چشم‌پوشی از امتیاز حقوقی است.

2run.tools با معماری مطلقاً بدون ابر کار می‌کند. هر دو نسخه سند در RAM محلی مرورگر بارگذاری، توکن‌سازی، مقایسه و کاملاً روی پردازنده محلی رایانه شما رندر می‌شوند. هیچ تکه متن، بایت فایل یا گزارش مقایسه‌ای هرگز از طریق اینترنت ارسال نمی‌شود و این امنیت کاملاً ایزوله برای عملیات حساس سازمانی فراهم می‌کند.

در مذاکره قراردادهای حقوقی، یک الگوریتم ساده تفاوت‌یابی نویسه‌به‌نویسه هنگامی که واژه‌ها اندکی بازنویسی شوند خروجی آشفته و ناخوانا تولید می‌کند. برای مثال، جایگزینی 'The Buyer shall pay within 30 days' با 'The Purchaser must remit payment within 30 calendar days' در صورت عدم تجزیه معنایی، مجموعه‌ای درهم از برجسته‌سازی‌های تکه‌تکه نویسه‌ها تولید می‌کند.

موتور مقایسه متنی ما بخش‌بندی معنایی بندها را در خود دارد. واژه‌ها را در بندها و جملات نحوی گروه‌بندی می‌کند و جایگزینی‌ها را در سطح عبارت ارزیابی می‌کند. وقتی بندی تغییر کند، موتور کل عبارت جایگزین‌شده را به‌روشنی مشخص می‌کند و بند اصلی را با قرمز خط‌خورده و بازنگری پیشنهادی را با سبز زیرخط‌دار نمایش می‌دهد.

افزون بر این، موتور سلسله‌مراتب شماره‌گذاری ساختاری (مانند بخش 4.2(a)(ii)) را تشخیص می‌دهد و به‌دقت پیگیری می‌کند چه زمانی کل زیربندها درون توافق‌نامه دوباره شماره‌گذاری یا جابه‌جا شده‌اند و ساعت‌ها ارجاع متقابل دستی را برای وکلا صرفه‌جویی می‌کند.

در صنایع تحت نظارت با چارچوب‌های سخت‌گیرانه انطباق — مانند FDA ‏(21 CFR Part 11 برای پرونده‌های دارویی)، SEC (برای افشاگری‌های مالی) و پروتکل‌های بین‌المللی مدیریت کیفیت ISO — سازمان‌ها باید ثابت کنند هر تغییر میان نسخه‌های سند بازبینی و تأیید شده است.

ابزار ما گزارش‌های مقایسه قابل راستی‌آزمایی شامل مُهرهای زمانی، تعداد تغییرات نویسه‌ای، ارجاع به بخش‌های بندهای متأثر و تصاویر کامل redline تولید می‌کند. این گزارش را می‌توان مستقیماً به پرونده‌های نظارتی یا گزارش‌های داخلی انطباق پیوست کرد و بدون تکیه بر خدمات تبدیل ابری خارجی، رد ممیزی انکارناپذیری از منشأ سند ایجاد کرد.