Sémantické porovnání obsahových streamů

HotPDF porovnává obsahové streamy PDF podle významu operátorů a operandů místo pouhého porovnání bajtůHPDFContentStream

Normalizace

function HPDFNormalizeContentStreamGraphicsState(
  const Bytes: TBytes; out Canonical: TBytes;
  out Statistics: THPDFContentSemanticStatistics;
  NumberTolerance: Double = 1E-9;
  MaxOperations: Integer = 1000000;
  MaxCanonicalBytes: Int64 = 67108864
): boolean;

function HPDFCompareContentStreamsSemantic(
  const Left, Right: TBytes;
  out Info: THPDFContentSemanticCompareInfo;
  NumberTolerance: Double = 1E-9;
  MaxOperations: Integer = 1000000;
  MaxCanonicalBytes: Int64 = 67108864
): boolean;

Normalizace

• Čísla se kvantují podle tolerance volajícího a emitují s pravopisem nezávislým na locale
• Literal a hexadecimální řetězce se porovnávají podle dekódované bajtové hodnoty, zatímco pole si zachovávají typ a pořadí položek
• Settery grafiky a textového stavu aktualizují efektivní snapshot a redundantní settery nevytvářejí události
• q a Q vedou kompletní zásobník stavů, ale samy o sobě se na události nestávají
• Následné operátory cm se násobí v pořadí PDF, takže ekvivalentní faktorizace matic se porovnají stejně
• Každý zachovaný operátor nese efektivní matici, čáru, barvu, externí grafiku a textový stav platné v tomto bodě
• Klíče inline obrázků normalizuje tokenizer a payloady používají identity SHA-256, aby se zabránilo expanzi kanonického streamu

Diagnostika a meze

THPDFContentSemanticStatistics hlásí tokeny, operace, stavové operace, redundantní stavy, normalizované události, maximální hloubku zásobníku, kanonické bajty, chybový offset, platnost a limity. Porovnání navíc hlásí první odlišnou normalizovanou událost

Porovnání zohledňuje tokenizované operátory, grafický stav, odkazy na prostředky a ekvivalentní zápis čísel a řetězců

Výsledek uvádí první sémantickou odlišnost, její umístění a diagnostické informace použitelné pro regresní testy