使用 md5 哈希比較 docx 文件的問題

Question

public boolean compareFiles(File newFileInput,File oldFileInput) throws IOException {
    HashCode newFile = Files.asByteSource(newFileInput).hash(Hashing.md5());
    HashCode oldFile = Files.asByteSource(oldFileInput).hash(Hashing.md5());
    System.out.println("HashCode New File : "+newFile +"\nHashCode Old File : "+oldFile);
    if(newFile.equals(oldFile))
    {
      return true;
    }
    else
    {
       return false;
    }
}

我使用上面的代碼來查找兩個不同的 docx 文件的哈希碼，以便比較它們的文件內容、樣式等。盡管內容和樣式相同，但哈希碼卻不同。

有什么方法可以比較 docx 文件的內容和樣式？

Answer 1

確定兩個復雜的文件類型是否相等總是非常棘手的，如果不是不可能的話。 DOCX 包含的不僅僅是一些文本以及它是否為粗體。

有一些方法可以使文檔看起來完全相同，但具有不同的屬性，並且還保存了許多元數據（例如作者）。 那么這不僅僅是一個技術問題，它更像是一個哲學問題。 讓我給你舉個例子：

您應該比較兩輛車，然后說它們是否相同。 有一些明顯的情況，它們在客觀上是不同的，例如重型卡車和小型城市電動汽車。 但是，如果它們的類型相同，但顏色不同呢？ 或者同類型、同顏色但油箱內的油量不同？

DOCX 也是如此。 相同的文字，但不同的顏色？ 相同的內容，但不同的作者？ 相同……但不同……？

也許您可以透露更多有關您要實現的目標的信息，否則我懷疑我們能否為您提供更多幫助。

如果您真的需要以某種方式比較兩個 DOCX 文件（或任何其他類型的類似復雜性），請找到一個可以解析它們並自己構建邏輯的庫。 然而，人們可能會花費數年時間這樣做而沒有令人滿意的結果。

如果您更喜歡骯臟的 hacky 解決方案，請使用庫來構建文檔頁面的圖像並將它們作為圖像進行比較。 這將確保頁面看起來相同。 但是，根據您對平等的定義，這並不一定意味着它們是相同的文檔。

如果您可以選擇其他文件格式，那么這樣做可能是個好主意。 但是，仍然會有一些棘手的部分。 甚至 Markdown（我們在本網站上用於格式化問答的語言）也無法逐字節進行比較。

This
**weird**
post

將呈現與

This **weird** post

進入

這個奇怪的帖子。

Answer 2

我的問題有很多建議和答案，謝謝。 docx 文件不匹配的原因存在於元數據信息中，每次我們創建 doc/docx 文件時，時間戳都會發生變化。 雖然我試圖更改兩個文件的時間戳（訪問、修改和創建）以使其相同並進行比較，但沒有成功。 原因是除了這些時間戳之外，還有一個稱為 Zip Modify Date 的元信息，當我們看到文件屬性時，它是不可見的。 我發現這個時間戳是哈希碼不匹配的原因之一。 此外，base64 編碼的字符串因 zip 時間戳而不同。

因此，我必須進行比較的選項是：

1. 將 docx 文件轉換為 xml 文件
2. 壓縮 docx 文件，解壓縮它並遍歷所有 xml 文件以找到
   哈希碼並比較哈希碼。（建議作為答案）

“2”很好，但它需要大量迭代，解壓縮會創建很多文件夾。

"1" ，是直接的，因為我嘗試使用外部 lib -> docx4j ，它將 docx 轉換為 xml 然后我可以匹配哈希碼，它起作用了。

將 DOCX 轉換為 XML 文件

我不得不嘗試不同的選項，因為我正在尋找最簡單而不那么復雜的方法來比較 word 文檔的內容和樣式。