Сравнение двух текстов

Как пользоваться

1. Вставьте старую версию слева, новую справа — или перетащите в поля файлы. Читаются txt, md, csv, json, xml, html, а также docx, odt и pdf: их инструмент распаковывает и вынимает текст сам, в браузере.

2. Читайте листинг: минус — строка пропала, плюс — добавилась, жёлтым внутри строки подсвечено то, что в ней поменялось. Синим помечен кусок, который никуда не делся, а просто переехал.

3. Переключите вид на «в два столбца рядом», если привычнее сравнивать глазами слева направо: пустые места напротив пропавших и добавившихся строк не дают сторонам разъехаться.

4. Ходите по правкам кнопками «предыдущее — следующее» или клавишами n и p. Полоска справа от листинга — карта: по метке видно, где правок много, и по ней можно щёлкнуть.

5. Если различий больше, чем ожидали, снимите строгость: регистр, отступы, пустые строки. Часто расходится не текст, а пробелы в конце строк после копирования из редактора.

6. Для JSON, XML и YAML включите «Структура»: данные разберутся и приведутся к одному виду, а различия выведутся списком путей вроде «items[3].price: 100 → 120». Если оба поля — заведомо JSON или XML, инструмент переключится сам.

7. Готовое можно унести: «.patch» — обычный unified diff для patch и git apply, «страница с подсветкой» — самостоятельный html-файл, который откроется без сети, «таблицей» — разметка Markdown для задачи или письма.

Формула и что в неё входит

• Совпавшие строки — длина наибольшей общей подпоследовательности: самый длинный набор строк, который встречается в обоих текстах в одном порядке. Строки при этом могут идти не подряд.
• Изменённая пара — пропавшая и добавившаяся строки, которые совпали друг с другом не меньше чем на 60 % по словам. Такая пара показывается одной строкой с подсветкой и в сходство входит не целиком, а ровно настолько, насколько строки похожи.
• Сходство пары — та же мера, что и для всего текста, только считанная по словам одной строки: совпавших слов × 2 ÷ (слов слева + слов справа).
• Перемещённый кусок — подряд идущие строки, которые дословно исчезли в одном месте и появились в другом. Текст не изменился, изменился порядок, поэтому в сходство они входят как совпавшие.
• Блок различий — подряд идущие изменённые, пропавшие и добавленные строки, не разделённые совпавшими. Замена одной строки на другую — один блок, а не два.

Разбор примера: список покупок из четырёх строк

Исходные данные — те же, что стоят в полях по умолчанию: их можно пересчитать в уме и убедиться, что инструмент не врёт.

• Слева: Молоко, Хлеб, Яйца 10 шт, Масло сливочное 180 г — 4 строки
• Справа: Молоко, Хлеб, Яйца 20 шт, Сыр 200 г — 4 строки

1. Первые две строки совпадают и идут в обоих текстах в одном порядке — это общая подпоследовательность, в ней 2 строки.

2. «Яйца 10 шт» и «Яйца 20 шт» разбиваются на слова: слева «Яйца», пробел, «10», пробел, «шт», справа то же с «20». Совпало 4 слова из пяти с каждой стороны, сходство пары = 4 × 2 ÷ (5 + 5) = 0,8. Это больше 60 %, поэтому строка считается изменённой, а «10» подсвечивается как единственная правка.

3. «Масло сливочное 180 г» и «Сыр 200 г» общего почти не имеют: сходство 0,5, порога не хватает. Значит, это не одна изменённая строка, а пропавшая и добавленная.

4. Все четыре строки идут подряд, совпавших между ними нет, поэтому блок различий один.

5. Сходство: (2 совпавшие + 0 перемещённых + 0,8 за изменённую пару) × 2 = 5,6, строк всего 4 + 4 = 8.

Сходство = 5,6 ÷ 8 × 100 % = 70 %. Одна строка изменена, одна пропала, одна добавилась, блок различий один.

Частые вопросы

• Насколько большие тексты он потянет?

  Двести тысяч строк с каждой стороны. Сравнение стоит примерно как число различий, а не как произведение длин, поэтому сто тысяч почти одинаковых строк разбираются за доли секунды. Прежнего потолка в пять тысяч строк и отката в «всё старое удалено, всё новое добавлено» больше нет. В листинге показываются первые четыре тысячи строк разбора — читать больше всё равно никто не станет, а полная разница уходит в файл .patch.

• Почему изменение одного слова не показано как две строки?

  Потому что пропавшая и добавившаяся строки сначала сверяются между собой по словам. Если они похожи не меньше чем на 60 %, это одна изменённая строка, и подсвечивается ровно то, что в ней поменялось. Если непохожи — так и останутся минусом и плюсом: строку, переписанную заново, нечестно выдавать за правку.

• Чем «по словам» отличается от «по строкам»?

  Единицей сравнения. Построчный разбор нужен, когда текст правили точечно: видно, в какой строке файла искать. Пословный — когда абзац переписан целиком: построчный покажет замену всего абзаца, а пословный оставит нетронутыми те слова, которые уцелели. Познаковый нужен реже всего: в основном чтобы поймать опечатку или подмену похожей буквы.

• Что даёт режим «Структура»?

  JSON, XML и YAML разбираются и приводятся к общему виду: ключи по алфавиту, отступ в два пробела. После этого различием остаётся только различие по существу, а не порядок ключей и не переформатирование. Дополнительно выводится список путей: «items[3].price: 100 → 120». Списки сравниваются по номерам, поэтому переставленный элемент массива всё-таки будет показан как правка — тут структура помочь не может.

• Тексты уходят на сервер?

  Нет. Всё считается в браузере, страница после загрузки не делает ни одного запроса. Docx и odt распаковываются здесь же, pdf разбирается тоже на месте. «Ссылка на результат» зашивает тексты в сам адрес после решётки — эту часть адреса браузер серверу не передаёт, поэтому и она никуда не уходит.

• Почему pdf иногда не читается?

  Потому что в pdf текста может не быть вовсе: у отсканированного документа там картинка, а у файлов со сложными встроенными шрифтами буквы записаны кодами, которые без самого шрифта ничего не значат. В таком случае инструмент честно скажет, что читать нечего, вместо того чтобы показать кашу. Выход один: открыть файл в просмотрщике, скопировать текст и вставить в поле.

• Что за «перемещено» и зачем оно?

  Абзац, переехавший вниз, обычное построчное сравнение показывает как удаление в одном месте и добавление в другом — и получается, что изменилась половина документа. Здесь такие куски ищутся по дословному совпадению, помечаются синим и в проценте сходства считаются совпавшими: текст-то не менялся, поменялся порядок. Если это мешает, снимите отметку «Переезд куска на другое место».

• Как унести результат?

  Четырьмя способами. «.patch» — обычный unified diff: его понимают patch, git apply и любой обозреватель правок. «Страница с подсветкой» — самостоятельный html-файл со всем оформлением внутри: открывается без сети и без этого сайта. «Таблицей» — разметка Markdown, чтобы вставить в задачу или письмо. «Ссылка на результат» — адрес, по которому у коллеги откроется ровно то же сравнение с теми же настройками.