So sánh văn bản (Text diff) – Text diff

Công cụ so sánh văn bản Text diff là gì?

Text diff là cách đối chiếu hai phiên bản văn bản để chỉ ra phần giữ nguyên, phần bị xóa và phần được thêm. Công cụ giúp bạn tìm vị trí đã sửa thay vì phải đọc luân phiên hai bản rồi ghi nhớ từng khác biệt. Bản gốc đóng vai trò mốc đối chiếu, còn bản mới là nội dung cần kiểm tra so với mốc đó.

Phạm vi được xác nhận là so sánh nội dung chữ. Bạn có thể nhập trực tiếp hai đoạn văn hoặc chọn tài liệu để lấy chữ trước khi đối chiếu. Công cụ có phần xử lý TXT, DOCX và PDF, nhưng việc lấy chữ không đồng nghĩa với so sánh toàn bộ tài liệu: phông chữ, hình ảnh, vị trí bảng và bố cục trang không được kiểm tra đầy đủ.

Kết quả gồm một khung khác biệt gộp, số đơn vị được tính là từ thêm và từ xóa, cùng tỷ lệ thay đổi theo công thức riêng. Những thông tin này hỗ trợ khoanh vùng sửa đổi và đọc lại trong ngữ cảnh. Chúng không tự cho biết sửa đổi có đúng, có quan trọng hay có làm thay đổi trách nhiệm trong một văn bản hay không.

Không có căn cứ để giới thiệu đây là công cụ so sánh ý nghĩa bằng AI hoặc kiểm tra đạo văn. Hai câu diễn đạt khác nhau nhưng cùng ý vẫn có thể tạo nhiều đánh dấu; ngược lại, một thay đổi rất nhỏ về chữ có thể làm nội dung khác hẳn.

Đầu vào cần chuẩn bị và kết quả nhận được

Chọn đúng vai trò của hai phiên bản

Hãy đặt bản dùng làm mốc ở phía bản gốc và phiên bản cần rà soát ở phía bản mới. Hướng đối chiếu quyết định cách gọi “thêm” và “xóa”: nội dung có trong bản gốc nhưng không còn ở bản mới được xem là bị xóa; nội dung xuất hiện ở bản mới được xem là thêm. Đổi vị trí hai bản sẽ đổi cách diễn giải các thao tác này.

Mỗi phía có thể nhận chữ nhập trực tiếp hoặc chữ lấy từ tệp. Bạn có thể kết hợp một bên dán nội dung với một bên chọn tài liệu. Bộ chọn tệp khai báo TXT, DOCX và PDF; không nên hiểu “Word” là bao gồm cả DOC cũ, hoặc hiểu khả năng dán chữ từ Excel là hỗ trợ đọc tệp bảng tính.

Một bên hoàn toàn rỗng vẫn được đưa vào bước so sánh. Chỉ khi cả hai chuỗi đều không có ký tự nào thì công cụ chặn lần đối chiếu mới. Chuỗi chứa toàn dấu cách hoặc xuống dòng là trường hợp khác: nó vẫn có ký tự, dù bộ đếm từ hiển thị bằng không.

Đọc khung đối chiếu và các chỉ số

Kết quả được gộp trong một khung, không phải hai bản trình bày song song. Phần xóa có nền đỏ và gạch ngang; phần thêm có nền xanh và đường gạch dưới; phần giữ nguyên không có dấu thêm hoặc xóa. Khi đọc, hãy xem cả phần chữ xung quanh để biết sửa đổi thuộc câu nào, tránh chỉ nhìn màu rồi kết luận.

Các chỉ số cho biết lượng đơn vị thêm, xóa và tỷ lệ thay đổi, nhưng không thay thế việc đọc nội dung. Khi bạn sửa đầu vào, bộ đếm từ cập nhật còn kết quả cũ chưa tự tính lại hoặc tự ẩn. Vì vậy, kết quả đang nhìn thấy có thể thuộc lần đối chiếu trước. Chức năng làm mới xóa hai nội dung nhập, đặt lại lựa chọn tệp và dọn vùng kết quả.

Cách xác định khác biệt và tính tỷ lệ thay đổi

Từ khác biệt ký tự đến đoạn được đánh dấu

Công cụ chuyển nguyên hai chuỗi đầu vào cho thư viện đối chiếu ở mức ký tự, rồi gọi bước dọn dẹp khác biệt trước khi hiển thị. Không thấy bước tự chuyển chữ thường, bỏ dấu, gộp khoảng trắng hoặc chuẩn hóa Unicode trước khi so sánh. Vì vậy, chữ hoa, dấu câu và cách xuống dòng đều có thể ảnh hưởng đến đối chiếu.

Bước được gọi là “dọn dẹp ngữ nghĩa” nhằm tổ chức lại các đoạn khác biệt để dễ đọc hơn. Tên gọi này không chứng minh công cụ hiểu ý câu bằng AI. Mã thư viện chưa được cung cấp nên chưa thể xác nhận chính xác ranh giới đoạn đánh dấu cho mọi cặp văn bản, nhất là các chuỗi lặp hoặc sửa đổi đan xen.

Để thống kê, công cụ đếm riêng từng đoạn thêm và từng đoạn xóa rồi cộng lại. Cách đếm là bỏ khoảng trắng ở hai đầu đoạn, sau đó tách theo một hoặc nhiều ký tự khoảng trắng. Một đoạn khác biệt chỉ chứa mảnh của một từ vẫn có thể được tính là một đơn vị. Vì thế, nhãn “từ thêm” và “từ xóa” không luôn tương ứng với từ hoàn chỉnh trong câu.

Công thức và cách hiểu tỷ lệ

Gọi A là số đơn vị thêm, D là số đơn vị xóa, G là số đơn vị của bản gốc và M là số đơn vị của bản mới. Khi bản dài hơn có ít nhất một đơn vị, công thức là:

Tỷ lệ thay đổi = min(100, làm tròn((A + D) / max(G, M) × 100)).

Kết quả được làm tròn thành phần trăm nguyên và giới hạn ở 100%. Nếu cả G và M đều bằng không, tỷ lệ được đặt là 0%. Màu chữ của chỉ số chia thành ba khoảng: dưới 20% là xanh, từ 20% đến dưới 60% là vàng, từ 60% trở lên là đỏ. Đây là quy tắc hiển thị, không phải thang đánh giá chất lượng.

Chỉ số dùng tổng thêm và xóa, không dùng hiệu số từ của hai bản. Nó cũng có thể che khác biệt nhỏ do làm tròn hoặc khác biệt chỉ liên quan khoảng trắng. Bởi vậy, 0% không đủ chứng minh hai chuỗi giống hệt, và lấy 100% trừ tỷ lệ này không tạo ra một điểm tương đồng đáng tin cậy.

Các thuật ngữ cần hiểu khi so sánh văn bản

Text diff

Text diff là việc xác định khác biệt giữa hai phiên bản chữ, thường thể hiện bằng phần giữ nguyên, thêm và xóa. Giá trị chính là giúp người đọc tìm vị trí cần xem lại trong ngữ cảnh. “Khác biệt” ở đây không đồng nghĩa với lỗi: một đoạn thêm có thể là bổ sung đúng, còn một đoạn giữ nguyên vẫn có thể chứa thông tin sai. Công cụ chỉ hỗ trợ quan sát sự thay đổi.

Đối chiếu ở mức ký tự

Đối chiếu ở mức ký tự nghĩa là hai đầu vào được xử lý như chuỗi ký tự, thay vì chỉ xem từng từ hoặc từng đoạn văn là đơn vị không thể chia nhỏ. Điều này giúp phát hiện việc sửa dấu, dấu câu hoặc một phần trong từ. Tuy nhiên, không nên nhầm đơn vị đối chiếu với đơn vị thống kê: công cụ tìm khác biệt trên chuỗi ký tự nhưng các nhãn thêm và xóa được tính bằng bộ đếm theo khoảng trắng.

Đơn vị đếm theo khoảng trắng

Đơn vị đếm theo khoảng trắng là một nhóm ký tự nằm giữa các khoảng trắng sau khi bỏ khoảng trắng đầu và cuối. Đây là cách đếm kỹ thuật, không phải phân tích từ vựng tiếng Việt. Chẳng hạn, “học sinh” được tính thành hai đơn vị dù có thể được hiểu là một từ ghép. Dấu câu gắn sát chữ không tự tạo đơn vị mới, trong khi dấu cách hoặc xuống dòng có thể phân tách các nhóm.

Trích xuất văn bản

Trích xuất văn bản là lấy phần chữ từ tài liệu để tạo chuỗi phục vụ đối chiếu. Kết quả có thể không giữ cách trình bày của bản gốc, nhất là khoảng cách, bảng hoặc nội dung nhiều cột. Cần phân biệt việc này với OCR: OCR là nhận dạng chữ từ hình ảnh. Phần triển khai được cung cấp có bước lấy chữ trong PDF nhưng không có nhánh OCR được xác nhận, nên không thể hứa đọc được tài liệu chỉ gồm ảnh quét.

Tỷ lệ thay đổi

Tỷ lệ thay đổi là chỉ số tổng hợp lượng đơn vị thêm và xóa so với độ dài bản có nhiều đơn vị hơn. Nó giúp quan sát quy mô thay đổi theo cách đếm của công cụ, nhưng không nói sửa đổi quan trọng đến đâu. Một chữ phủ định có thể ảnh hưởng lớn dù tỷ lệ thấp. Chỉ số này cũng không phải tỷ lệ giống nhau, điểm tương đồng ý nghĩa hay bằng chứng để kết luận một văn bản sao chép văn bản khác.

Ví dụ đọc kết quả và tránh hiểu nhầm thống kê

Cùng số từ nhưng khác khoảng trắng

Giả sử bản gốc là học sinh, còn bản mới là học sinh, có hai dấu cách giữa hai tiếng. Bộ đếm đầu vào của cả hai bản đều cho 2 đơn vị, vì một hoặc nhiều khoảng trắng đều được dùng làm dấu phân tách. Tuy nhiên, hai chuỗi không giống hệt và không được gộp khoảng trắng trước khi chuyển cho thư viện đối chiếu.

Không thể chỉ từ hai bộ đếm này suy ra số thêm, xóa hoặc tỷ lệ cuối cùng; những số đó còn phụ thuộc các đoạn thư viện trả về. Tương tự, khi cả hai đầu vào hoàn toàn rỗng, không có lần đối chiếu mới. Nếu trước đó đã có kết quả, nhánh chặn đầu vào rỗng không tự xóa hoặc ẩn kết quả ấy.

Minh họa công thức bằng giả định rõ ràng

Giả sử mỗi bản có 5 đơn vị đếm và kết quả thư viện sau bước dọn dẹp gồm tổng cộng 1 đơn vị thêm, 1 đơn vị xóa. Khi đó, mẫu số là 5, tổng đơn vị thay đổi là 2. Phép tính 2 / 5 × 100 cho 40%; thống kê tương ứng là +1 và -1. Màu chữ tỷ lệ thuộc khoảng vàng.

Đây là minh họa có điều kiện cho công thức, không phải kết quả đã xác nhận của một cặp câu cụ thể. Điểm đáng chú ý là hai bản vẫn dài bằng nhau nhưng có thay đổi. Chênh lệch tổng số đơn vị bằng không không có nghĩa là không thêm hoặc không xóa.

Nội dung PDF sau khi ghép chữ

Giả sử thư viện lấy được hai mảnh “Xin” và “chào” ở trang đầu, rồi một mảnh “Hẹn gặp” ở trang thứ hai. Phần triển khai nối các mảnh cùng trang bằng một dấu cách, sau đó nối hai trang bằng hai ký tự xuống dòng. Nội dung đưa vào ô nhập có dạng:

Xin chào

Hẹn gặp

Bộ đếm cho 4 đơn vị: “Xin”, “chào”, “Hẹn”, “gặp”. Ví dụ chỉ minh họa cách ghép dữ liệu khi đã nhận được các mảnh như giả định. Các tình huống trong mục này được suy ra từ phần triển khai, không phải kết quả chạy thử và không xác nhận độ chính xác khi đọc một PDF thực tế.

Khi nào nên dùng đối chiếu hai phiên bản văn bản?

Rà soát bản thảo và nội dung xuất bản

Công cụ phù hợp để rà lại bài viết, thông báo hoặc bản thảo sau một vòng biên tập. Thay vì đọc toàn bộ chỉ để tìm chỗ đã sửa, bạn có thể tập trung vào các đoạn được đánh dấu rồi kiểm tra câu trước và câu sau. Cách dùng này hữu ích khi cần xác nhận một chi tiết đã được bổ sung, rút gọn hoặc thay cách diễn đạt.

Với thơ và truyện, đối chiếu chữ giúp nhận ra dấu câu, cách xuống dòng hoặc lời thoại đã thay đổi. Tuy nhiên, công cụ không đánh giá nhịp thơ, sự nhất quán của nhân vật, cốt truyện hay chất lượng văn chương. Các đánh giá đó vẫn cần người đọc hiểu tác phẩm và mục tiêu biên tập.

Khoanh vùng đoạn cần kiểm tra thủ công

Trong hợp đồng hoặc nội dung có số liệu, đánh dấu có thể giúp tìm đoạn cần kiểm tra kỹ, chẳng hạn điều khoản, ngày tháng hoặc con số bị sửa. Tỷ lệ thay đổi không xác nhận tính hợp pháp, độ chính xác của phép tính hoặc mức ảnh hưởng của sửa đổi. Một thay đổi ngắn vẫn có thể là phần quan trọng nhất của tài liệu.

Chữ lấy từ Word, PDF hoặc ô Excel chỉ nên được dùng khi phù hợp với nhu cầu đối chiếu nội dung. Hãy chọn hai bản có cùng phạm vi: cùng đoạn, cùng chương hoặc cùng phần thông báo. Nếu một phía có thêm mục lục, đầu trang hay phụ lục không tương ứng, các phần đó có thể tạo nhiều đánh dấu không phục vụ câu hỏi bạn đang kiểm tra.

So sánh chữ khác gì so sánh ý nghĩa và bố cục?

Khác biệt về chữ và khác biệt về ý nghĩa

So sánh chữ trả lời “nội dung nào đã đổi”, còn so sánh ý nghĩa cần trả lời “thông điệp hoặc điều kiện có đổi không”. Hai câu dùng từ khác nhau có thể truyền đạt cùng một ý; ngược lại, bỏ một chữ “không” có thể đảo ngược thông điệp. Công cụ này cung cấp dấu vết sửa đổi để bạn xem xét, không tự đưa ra đánh giá tương đương về nghĩa.

Kiểm tra hai chuỗi giống hệt cũng khác với định vị sửa đổi. Sự bằng nhau tuyệt đối đòi hỏi mọi ký tự tương ứng đều giống nhau, trong khi tỷ lệ thay đổi là chỉ số đã qua đếm, làm tròn và giới hạn. Không nên dùng phần trăm này làm một phép đo tương đồng chuẩn cho mọi loại văn bản.

Đối chiếu nội dung và đối chiếu hình thức

Đối chiếu hình thức quan tâm đến vị trí nội dung, kiểu chữ, màu, bảng và hình ảnh. Trích xuất chữ từ DOCX hoặc PDF không thay thế được việc kiểm tra các yếu tố ấy. Một tài liệu đổi bố cục đáng kể có thể vẫn cho phần chữ tương tự; một tài liệu giữ nguyên hình thức lại có thể sửa nội dung quan trọng.

Về kiến thức nền, làm sạch khoảng trắng trước khi đối chiếu có thể giảm nhiễu do nguồn sao chép hoặc cách trích xuất. Nhưng thao tác đó cũng có thể che thay đổi cần thấy, chẳng hạn xuống dòng trong thơ. Phần triển khai hiện tại không tự chuẩn hóa khoảng trắng, nên người dùng cần quyết định có giữ nguyên cách biểu diễn ban đầu hay không dựa trên mục đích rà soát.

Giới hạn khi đọc tài liệu và lưu ý về dữ liệu

Chất lượng chữ trích xuất và tài liệu lớn

PDF chỉ chứa ảnh quét chưa có cơ chế OCR được xác nhận. Với PDF nhiều cột, nên kiểm tra thứ tự chữ trong ô nhập trước khi đối chiếu. Việc lấy chữ cũng không bảo toàn đầy đủ bố cục DOCX hoặc PDF. Khả năng xử lý tài liệu hỏng, PDF có mật khẩu và TXT dùng mã hóa đặc biệt chưa được xác minh.

Nếu việc trích xuất trả về chuỗi rỗng, nội dung đang có trong ô nhập không bị thay thế. Điều này có thể khiến bạn vô tình đối chiếu chữ của tài liệu trước. Ngoài ra, không thấy giới hạn cứng về độ dài hay dung lượng, nhưng điều đó không chứng minh khả năng xử lý vô hạn. Cấu hình bỏ thời hạn dừng của thư viện cũng không bảo đảm tốc độ hoặc thành công với tài liệu lớn.

Phạm vi xác minh về quyền riêng tư

Phần triển khai trực tiếp dùng API trình duyệt để đọc tệp và có gọi thư viện bên ngoài. Tuy nhiên, mã các thư viện và toàn bộ môi trường trang chưa được cung cấp. Vì thế, không thể xác nhận toàn bộ hoạt động mạng, việc lưu dữ liệu hoặc cam kết riêng tư tuyệt đối chỉ từ những đoạn mã này. Với tài liệu nhạy cảm, cần cân nhắc chính sách sử dụng dữ liệu của đơn vị mình.

Không thấy chức năng xuất kết quả thành tệp, hợp nhất thay đổi, chấp nhận từng sửa đổi, lưu lịch sử phiên bản hoặc đối chiếu đầy đủ bảng tính. Nên xem kết quả hiện có là hỗ trợ đọc và kiểm tra, không phải một hệ thống quản lý phiên bản tài liệu hoàn chỉnh.

Câu hỏi thường gặp

Có thể so sánh trực tiếp hai tệp Word DOC hoặc DOCX không?

Có phần xử lý để lấy chữ từ hai tệp DOCX rồi so sánh, nhưng không có nhánh đọc DOC cũ được xác nhận. Phạm vi này là văn bản thô, không phải toàn bộ cách trình bày trong Word. Vì vậy, đừng kỳ vọng kết quả phản ánh đầy đủ định dạng, bảng, hình hoặc cơ chế theo dõi sửa đổi. Nếu tài liệu phức tạp, hãy kiểm tra chữ đã xuất hiện trong hai ô nhập trước khi dùng các đánh dấu làm căn cứ rà soát.

Vì sao PDF quét không hiện chữ để so sánh?

PDF quét có thể chỉ chứa hình ảnh của trang giấy, không có lớp chữ để thư viện lấy ra. Công cụ chưa có bước OCR được xác nhận nên không thể hứa chuyển ảnh thành văn bản. Nếu có nguồn chữ khác phù hợp, bạn có thể dùng phần chữ đó làm đầu vào. Cũng cần lưu ý rằng kết quả trích xuất rỗng không tự xóa nội dung cũ trong ô, nên chữ đang nhìn thấy chưa chắc đến từ PDF vừa chọn.

Có thể dùng công cụ để so sánh hai tệp Excel không?

Không có khả năng đọc trực tiếp XLS hoặc XLSX được xác nhận trong phần triển khai. Bạn có thể dán phần chữ lấy từ các ô cần đối chiếu, nhưng đó là so sánh chuỗi văn bản, không phải so sánh bảng tính đầy đủ. Kết quả không xác nhận công thức, kiểu dữ liệu, định dạng ô hoặc quan hệ giữa các trang tính. Khi dán, nên chọn cùng vùng dữ liệu và cùng cách sắp xếp để khác biệt phản ánh đúng nội dung cần kiểm tra.

Tỷ lệ thay đổi 0% có chắc hai văn bản giống hệt nhau không?

Không. Tỷ lệ là số nguyên đã làm tròn và dựa trên các đơn vị đếm ở đoạn thêm, xóa, nên một thay đổi nhỏ có thể không hiện thành phần trăm khác không. Khác biệt chỉ gồm khoảng trắng cũng có thể không tạo đơn vị được đếm. Vì vậy, cần xem khung đánh dấu và mục đích kiểm tra, thay vì coi 0% là xác nhận bằng nhau tuyệt đối. Công cụ không trình bày một chỉ số riêng để chứng nhận mọi ký tự đều trùng khớp.

Vì sao số từ thêm và xóa không bằng chênh lệch số từ của hai bản?

Vì hai nhóm số đo những việc khác nhau. Chênh lệch độ dài chỉ cho biết tổng số đơn vị tăng hay giảm, còn thống kê thêm và xóa cộng từng đoạn khác biệt do thư viện trả về. Một bản có thể xóa nội dung cũ rồi thêm lượng nội dung mới tương đương, khiến độ dài không đổi. Hơn nữa, đoạn đánh dấu có thể là mảnh từ chứ không phải từ trọn vẹn, nên không nên dùng hai thống kê này như một phép cân đối từ vựng chính xác.

Có thể để trống một bên khi so sánh không?

Có, phần kiểm tra đầu vào chỉ chặn khi cả hai chuỗi đều hoàn toàn rỗng. Để trống một phía có thể hữu ích khi muốn đối chiếu nội dung với trạng thái chưa có chữ, nhưng hướng bản gốc và bản mới vẫn quyết định cách hiểu thêm hoặc xóa. Chuỗi chỉ chứa khoảng trắng không phải chuỗi rỗng ở bước kiểm tra này. Nếu cả hai phía rỗng, không có kết quả mới, và kết quả cũ cũng không tự bị dọn đi.

Có thể coi tài liệu được chọn là riêng tư tuyệt đối không?

Không nên đưa ra kết luận đó từ phần mã được cung cấp. Có thể xác nhận cách đọc tệp trực tiếp sử dụng API trình duyệt, nhưng chưa đủ dữ liệu để kiểm tra thư viện ngoài, toàn bộ hoạt động mạng hoặc chính sách lưu trữ của trang. Cụm từ bảo mật trên giao diện không thay thế được bằng chứng kỹ thuật và chính sách dữ liệu. Với hợp đồng, thông tin cá nhân hoặc tài liệu nội bộ, hãy tuân theo yêu cầu bảo mật của tổ chức trước khi sử dụng.