Comparar archivos

Para qué sirve comparar archivos

Comparar archivos responde a una pregunta simple: ¿son iguales o distintos? y si son distintos, en qué? Suena trivial, pero en la práctica hay matices:

• Comparar “iguales” puede significar idénticos bit a bit (integridad) o iguales en contenido semántico (mismo texto aunque distinto encoding o fin de línea).
• Comparar “distintos” puede requerir solo saber que hay diferencias, o identificar exactamente qué cambió entre versiones.

El comparador ofrece ambos niveles: un SHA-256 que confirma identidad exacta, y un diff de texto línea a línea cuando los archivos son texto y quieres ver los cambios específicos.

Diff de texto: cómo funciona

Para archivos de texto, el diff compara línea por línea usando el algoritmo clásico de Myers (el mismo que usa git diff). El algoritmo encuentra la secuencia más corta de adiciones y eliminaciones que transforma A en B. Características:

• Sensible a cambios mínimos. Un espacio extra, un tab vs cuatro espacios, CR vs CRLF — todo cuenta como cambio.
• No sensible al orden de archivos. La misma diferencia entre A y B aparece si comparas B y A (aunque los colores se invierten).
• Reconoce bloques movidos parcialmente. Si mueves tres líneas de arriba abajo, aparecerán como bloque eliminado arriba y bloque añadido abajo.

Comparación binaria: qué esperar

Para archivos binarios no tiene sentido un diff línea a línea (no hay “líneas” en el sentido humano). En vez de eso:

• SHA-256 de cada archivo. Si coinciden, los archivos son idénticos bit a bit. Definitivo.
• Primera divergencia en bytes. Si no son idénticos, te decimos el offset exacto donde empieza la diferencia (primeros 4 KB). Útil para debugging forense.
• Hex preview. Los primeros 256 bytes de cada archivo en hex para comparar visualmente cabeceras o magic numbers.

Casos típicos

Verificar descarga vs original. Bajaste una actualización de software. Tienes la versión anterior. Un binary diff confirma que los archivos cambiaron (esperable) y cuánto.

Comparar versiones de un contrato. Recibiste una “v2” del contrato. Comparas con v1 y ves exactamente qué cláusulas cambiaron. Equivalente a “Control de cambios” de Word, pero funciona con cualquier texto (no solo .docx).

Validar exportaciones repetidas. Exportas un reporte el martes y el viernes. Los hashes dicen si los datos subyacentes son exactamente iguales. Si no lo son, el diff muestra los cambios.

Detectar modificaciones en código. Dejaste un proyecto a un colega, vuelves semanas después. Comparas el archivo actual con la copia que guardaste. Ves qué editó.

Validar backups. Compará un backup con el original. Si los hashes no coinciden, algo se corrompió en transmisión o almacenamiento.

Verificar integridad de envíos legales. Te mandaron un PDF por email. Tu abogado te lo reenvió. Comparas los dos para verificar que nadie modificó en el medio. Si los SHA-256 coinciden, son idénticos.

Casos en Chile

Verificación de facturas electrónicas del SII. Los XML de DTEs llevan firma digital. Aun así, comparar dos supuestas copias con el comparador detecta si una fue modificada (diferencias en content, firma inválida o ambas).

Comparación de contratos de arriendo. Tu corredora te pasa un contrato. Le pides cambios. Te reenvían v2. Comparas para confirmar que los cambios pedidos son los únicos que aparecen (evita sorpresas con cláusulas añadidas).

Auditoría de código freelance. Un desarrollador dice haber entregado la versión final. Comparas con la versión que te mandó hace un mes. Ves exactamente qué cambió desde entonces.

Validación de formularios del Estado. Formularios del Registro Civil, del SII, de la Tesorería pueden tener versiones distintas. Comparas el que descargaste con el que te mandó un funcionario para confirmar que son idénticos.

Limitaciones del diff de texto

El diff de texto tiene límites prácticos:

• Encoding. Asumimos UTF-8. Archivos en Latin-1 o UTF-16 pueden mostrar caracteres raros. Si se te rompen tildes o letras españolas, el archivo probablemente es Latin-1 (ANSI) y necesitas reconvertirlo primero.
• Archivos grandes. Sobre 2 MB el diff se torna lento. Preferimos entregarte solo identidad por hash en esos casos. Para archivos masivos usa un editor desktop (VSCode tiene diff integrado, Meld en Linux, Kaleidoscope en macOS).
• Diff semántico. No entendemos el significado del texto. Dos líneas equivalentes con orden distinto de palabras aparecen como distintas. Para diff semántico de código serio usa herramientas especializadas (semantic-diff, difftastic).

Comparación binaria vs diff visual

Para archivos como imágenes o PDFs, el comparador binario te dice si son iguales. Si no lo son, no te muestra en qué se ven distintas (para eso necesitarías una vista lado a lado con overlay). Herramientas como Beyond Compare en desktop hacen esto con imágenes y PDFs. Para nuestros casos de uso (verificación de identidad, detección de modificación), el hash es suficiente.

Seguridad y privacidad

La comparación ocurre íntegramente en tu navegador. Los dos archivos se leen a memoria, se procesan con la Web Crypto API para el SHA-256 y con la biblioteca diff para el diff línea a línea. No hay servidor involucrado en ningún punto, no hay tracking del contenido, no hay retención.

Esto es especialmente valioso para documentos legales, médicos, financieros o cualquier material sujeto a deber de confidencialidad. Un servicio de diff online que recibe los archivos implica un intermediario potencial. El diff local no.

Herramientas relacionadas

Después de comparar, si necesitas:

• Hashes aislados: /archivo/hash calcula MD5, SHA-1, SHA-256, SHA-512 con verificación contra hash esperado.
• Metadata del archivo: /archivo/info muestra tipo real, EXIF, metadata PDF.
• Compresión: /archivo/comprimir-zip para empaquetar los archivos comparados en un ZIP como respaldo.