O que é ruído de comparação?
Ruído de comparação é o conjunto de diferenças que uma comparação aponta mesmo sem mudança real de conteúdo. Dois arquivos podem aparecer como diferentes porque uma linha foi para a página seguinte, porque um escaneamento foi lido com alguns caracteres errados ou porque um programa reexportou o arquivo com outra quebra de linha. O ruído esconde as mudanças que importam.
Causas comuns
A primeira é o deslocamento do layout: uma frase inserida empurra o texto para a página seguinte e várias páginas aparecem como diferentes. A segunda são os erros de reconhecimento em escaneamentos, pois uma letra lida errado muda a palavra. A terceira são cabeçalhos, rodapés, números de página e datas que mudam a cada exportação.
Como reduzi-lo
Compare arquivos da mesma origem e com as mesmas configurações de exportação. Se um deles for escaneado, aplique o OCR antes para que ambos tenham camada de texto. Quando o relatório parecer estranho, veja o texto dos arquivos com PDF para texto e confira se a diferença está nas palavras ou só na posição delas. Dica prática: antes de comparar, confirme que os dois arquivos têm camada de texto. Uma página escaneada sem texto não pode ser comparada palavra por palavra, então passe-a antes pelo OCR. Diferenças causadas por quebras de página, cabeçalhos ou rodapés podem fazer uma página parecer alterada mesmo com o mesmo conteúdo, por isso leia as páginas listadas no relatório antes de concluir. Trate o relatório como uma indicação, não como um veredito.
Ler o relatório
O Comparar PDFs compara as palavras de cada página e lista em um relatório CSV quais páginas são iguais e quais diferem. Uma página apontada é um lugar para olhar, não prova de mudança real. Abra as duas páginas lado a lado e decida se a diferença importa. Uma sequência longa de páginas apontadas depois de uma inserção no início costuma ser deslocamento de layout.
Ferramentas que usam este termo
Guias que colocam o termo em prática
- Comparar duas versões de um PDFPasso a passo: escolha o par certo de arquivos, compare as palavras página a página, leia o relatório e confira você mesmo as páginas alteradas antes de assinar.
- Extrair o texto de um PDFPasso a passo: leia a camada de texto de um PDF, rode o reconhecimento de texto em uma digitalização e transforme o resultado em um arquivo Word editável.
Perguntas frequentes
- Por que páginas aparecem como diferentes se não vejo mudança?
- Muitas vezes porque o texto se deslocou. Um acréscimo no começo empurra o texto seguinte para outras páginas. Veja onde está a primeira página apontada.
- Todo escaneamento gera ruído?
- Um escaneamento limpo e reto, com OCR, gera pouco; um ruim gera muito. Cada erro de reconhecimento aparece como diferença.
- Dá para remover o ruído por completo?
- Por completo, não. Você o reduz comparando coisas equivalentes e depois lê você mesmo as páginas apontadas.