什么是比较噪声?
比较噪声是指内容其实没有变化,比较却仍然报告的差异。两个文件可能因为某一行被挤到下一页、扫描件识别出几个错字,或程序重新导出时换了行排版而被判为不同。噪声会掩盖真正重要的改动。
常见成因
首先是版面位移:多插入一句话把文字推到下一页,就会有好几页被报告为不同。其次是扫描件的识别错误,认错一个字母就会使一个词不同。再次是每次导出都会变化的页眉、页脚、页码和日期。
如何减少
比较来自同一来源、导出设置相同的文件。如果其中一个是扫描件,先运行 OCR,使两者都有文字层。报告看起来异常时,可用 PDF 转文本检查文件文字,确认差异是出在词语上,还是只是位置不同。 实用提示:比较之前,先确认两个文件都有文字层。没有文字的扫描页无法逐词比较,请先用 OCR 处理。分页、页眉或页脚的差异可能让内容相同的页面看起来被改动过,所以下结论之前请先阅读报告中列出的页面。把报告当作线索,而不是裁决。
解读报告
比较 PDF 逐页比较文字,并在 CSV 报告中列出哪些页相同、哪些页不同。被标记的页面是需要查看的地方,而不是真实改动的证明。把两页并排打开,判断差异是否重要。如果某处早期插入之后出现一长串被标记的页面,通常是版面位移。
用到这个术语的工具
提到这个术语的指南
常见问题
- 为什么我没看到改动,页面却被报告为不同?
- 往往是因为文字移动了。文件靠前处的新增内容会把后面的文字推到其他页。看看第一个被标记的页面在哪里。
- 扫描件一定会产生噪声吗?
- 端正清晰并经过 OCR 的扫描件噪声很少,质量差的则很多。每个识别错误都会表现为一处差异。
- 噪声能完全消除吗?
- 不能完全消除。比较同类文件可以减少噪声,其余被标记的页面需要你自己阅读。