तुलना कैसे होती है
पहले लाइनों का मिलान Myers डिफ़रेंस एल्गोरिदम से होता है, जिसे GNU diff और git डिफ़ॉल्ट रूप से इस्तेमाल करते हैं। यह हटाई और जोड़ी गई लाइनों का वह सबसे छोटा सेट ढूँढता है जो मूल को संशोधित टेक्स्ट में बदल देता है। जब एक ही जगह की हटाई गई और जोड़ी गई लाइन अपने शब्दों और विराम चिह्नों का कम से कम 30 % (अक्षरों में गिनकर) साझा करती हैं, तो उन्हें दो अलग लाइनों के बजाय एक बदली हुई लाइन के रूप में दिखाया जाता है।
बदली हुई लाइन के अंदर यही एल्गोरिदम दोबारा शब्दों या अक्षरों पर चलता है। शब्द मोड में अक्षरों और अंकों की लगातार कड़ी एक इकाई होती है, और हर चीनी, जापानी या थाई अक्षर अपनी अलग इकाई होता है, क्योंकि ये लिपियाँ शब्दों के बीच स्पेस नहीं रखतीं। अक्षर मोड वही तुलना करता है जो पाठक को एक अक्षर दिखता है, इसलिए 👩💻 जैसा इमोजी या हिंदी का संयुक्त अक्षर कभी बीच से नहीं कटता। दो बदलावों के बीच का बहुत छोटा बिना बदला हिस्सा उन्हीं बदलावों में जोड़ दिया जाता है; इसी वजह से 125.50 → 152.50 एक-एक अंक के दो बदलावों के बजाय 25 → 52 के रूप में पढ़ा जाता है।
स्पेस अनदेखा करें स्पेस, टैब, नॉन-ब्रेकिंग स्पेस और ज़ीरो-विड्थ स्पेस की किसी भी कड़ी को एक स्पेस मानता है और लाइन की शुरुआत व अंत में उसे अनदेखा करता है; यह लाइनों को कभी नहीं जोड़ता। छोटे-बड़े अक्षरों को अनदेखा करें बड़े और छोटे अक्षरों को एक जैसा मानता है, और खाली लाइनें अनदेखा करें खाली लाइनों को मिलान से बाहर रखता है, इसलिए लाइन नंबर उन्हें छोड़ देते हैं। जो लाइन सिर्फ़ किसी नियम की वजह से मिलती है, वह अपने मूल टेक्स्ट के साथ दिखती रहती है और अलग गिनी जाती है। Windows (CRLF) और Unix (LF) के लाइन-अंत हमेशा बराबर माने जाते हैं, और दोनों इनपुट में ये अलग हों तो नतीजा बताता है।
PDF को PDF.js से उसकी टेक्स्ट लेयर से पेज-दर-पेज पढ़ा जाता है, और पेज क्रम से जोड़े जाते हैं। यानी तुलना शब्दों की होती है, लेआउट की नहीं: नया फ़ॉन्ट, रंग, इमेज या जगह का बदलाव नहीं दिखता, और लाइन ब्रेक उसी क्रम में आते हैं जिसमें PDF अपना टेक्स्ट रखती है। बिना टेक्स्ट लेयर वाले पेज स्कैन होते हैं। उनकी सूची पेज नंबर से बनती है, और फ़ाइल दोबारा चुने बिना PDF को OCR के लिए PDF से टेक्स्ट टूल में भेजा जा सकता है। पेजों के दिखने में हुए बदलाव के लिए PDF दस्तावेज़ों की तुलना करें टूल इस्तेमाल करें।
मिलान दोनों टेक्स्ट का क्रम बनाए रखता है, इसलिए खिसकाया गया पैराग्राफ़ एक जगह हटाया हुआ और दूसरी जगह जोड़ा हुआ दिखता है। तुलना यह भी नहीं बता सकती कि कौन-सा वर्शन सही है: दोनों टेक्स्ट में मौजूद एक ही OCR गलती अंतर नहीं है, और दोबारा लिखा गया वाक्य मतलब एक होने पर भी बदला हुआ गिना जाता है। यह सिर्फ़ पेज पर दिए दो टेक्स्ट की तुलना करता है, इसलिए यह साहित्यिक चोरी (प्लेजरिज़्म) जाँचने का टूल नहीं है।