Иногда отчёт показывает сотни изменений, хотя пользователь исправил пару предложений. Обычно это не поломка алгоритма, а следствие различий в структуре: другой экспорт, OCR, кодировка, переносы строк, типографика или порядок извлечения текста. Диагностика начинается с проверки происхождения файлов.
Повторить анализ можно в инструменте «Сравнить документы». Он поддерживает DOCX, PDF, TXT и RTF; для каждого формата причины лишних различий немного отличаются.
Самые частые причины
- документы загружены в обратном порядке;
- одна версия экспортирована другой программой;
- PDF прошёл OCR, а исходный текстовый слой не совпадает;
- изменились переносы строк и границы абзацев;
- кавычки, тире, пробелы или регистр представлены иначе;
- таблица или колонки извлекаются в новом порядке;
- фрагмент перемещён, а не удалён;
- TXT сохранён в другой кодировке;
- сравниваются не те версии файла.
Как найти источник шума
- Откройте оба документа и проверьте их имена, даты и первые страницы.
- Убедитесь, что старый файл выбран первым.
- Найдите одно заведомо неизменённое предложение в обеих версиях.
- Посмотрите, отличаются ли в нём пробелы, кавычки и переносы.
- Откройте Document Compare и повторите анализ.
- Проверьте, начинается ли шум после конкретной таблицы или страницы.
- Подготовьте две сопоставимые копии одинакового формата.
- Сравните небольшой контрольный фрагмент перед повторной полной проверкой.
Лишние различия в DOCX
Пересохранение в другом редакторе меняет структуру списков, таблиц, пробелов и абзацев. Плавающие текстовые блоки могут извлекаться в новой последовательности. Если важен только текст, экспортируйте обе копии одинаковым способом; если важно оформление, используйте дополнительное сравнение в Word.
Лишние различия в PDF
PDF хранит символы по координатам, а не как обычный поток абзацев. Два визуально одинаковых экспорта могут иметь разный внутренний порядок. В скане OCR ошибается в отдельных буквах, особенно на печатях, таблицах и плохом фоне. Такие ошибки выглядят как реальные замены.
Лишние различия в TXT
Проверьте UTF-8 и Windows-1251, окончания строк CRLF и LF, табуляцию и завершающий перевод строки. При неверной кодировке сначала восстановите читаемый текст. Для обычной статьи можно нормализовать пробелы, а для конфигурации они могут быть значимыми.
Лишние различия в RTF
Не сравнивайте внутренний RTF-код как текст документа: редакторы переписывают служебные команды даже без видимых правок. Используйте извлечение содержания и отдельно проверяйте оформление, поля и встроенные объекты.
Перемещённый абзац
Если блок перенесли в другую главу, отчёт может показать удаление плюс добавление. Сравните длинные совпадающие фразы и новый контекст. Это одно редакторское действие, но две операции в последовательности текста.
Стоит ли игнорировать пробелы
Для черновой статьи — иногда да. Для программного кода, артикула, фиксированной формы или юридически значимого текста — не всегда. Сохраните исходный полный отчёт, а нормализованный вариант используйте только как вспомогательный.
Почему отличий нет, хотя страницы разные
Инструмент сравнивает извлечённый текст. Замена изображения, цвета, шрифта, положения блока или печати может не изменить текстовый поток. Выполните визуальную проверку страниц и отдельно сравните вложения, подписи и метаданные.
Когда анализ не запускается
- файл защищён паролем;
- расширение не соответствует структуре;
- документ повреждён или скачан не полностью;
- формат не входит в DOCX, PDF, TXT и RTF;
- браузеру не хватает памяти;
- скан не содержит распознанного текста.
Итог
Большой отчёт не всегда означает большой объём редакторских изменений. Проверьте одинаковость форматов, способ экспорта, OCR, кодировку и порядок текста. После устранения технического шума повторное сравнение обычно становится значительно понятнее.