Vergleich großer Dateien

Beide Dateien werden in einem Web Worker in Blöcken zu 1 MiB gelesen. Statt den Text zu behalten, wird jede Zeile zu einem 64-Bit-Hash, sodass eine Datei etwa 8 Bytes pro Zeile kostet. Die Optionen für Leerraum und Zeilenenden werden beim Hashen angewendet: exakt vergleichen, Leerraum am Zeilenende ignorieren, Änderungen der Leerraummenge ignorieren oder jeden Leerraum ignorieren; CRLF und LF können als dasselbe Zeilenende gelten. UTF-8 und UTF-16 werden als Unicode-Zeichen gehasht, sodass derselbe Text in beiden Kodierungen übereinstimmt. Ältere Kodierungen wie Windows-1251 oder Shift_JIS werden über ihre Bytes verglichen.

Die Zeilenzuordnung überspringt zuerst den gemeinsamen Anfang und das gemeinsame Ende, verankert sich dann an Zeilen, die in beiden Dateien genau einmal vorkommen (patience diff), und gleicht die Lücken mit dem Myers-Algorithmus ab. Eine Lücke, die zu lange dauern würde, wird als ein Ersetzungsblock angezeigt, und die Seite weist darauf hin. Nur die sichtbaren Zeilen werden erneut aus den Dateien gelesen, daher bleibt das Scrollen durch Millionen geänderter Zeilen leichtgewichtig.

Der Binärmodus vergleicht die Bytes blockweise und listet jeden abweichenden Bereich mit Offset, Länge und den ersten 16 Bytes beider Seiten auf; ein Größenunterschied wird zum letzten Bereich. Der Textbericht ist ein unified diff (.diff), der Binärbericht eine CSV. Beide werden direkt in die gewählte Datei gestreamt.

Zwei Logdateien: Ein Log mit 2 Millionen Zeilen gegen eine Kopie, in der 40 Zeilen die Stufe von INFO auf WARN geändert haben, zeigt 40 entfernte und 40 hinzugefügte Zeilen in getrennten Abschnitten mit je drei Kontextzeilen.

Windows- und Unix-Kopien: Eine CRLF-Datei gegen ihre LF-Kopie zeigt keine Unterschiede, solange die Zeilenende-Option aktiv ist; schalten Sie sie aus, und jede Zeile unterscheidet sich.

Neu formatierte Einrückung: Wählen Sie Änderungen der Menge ignorieren, und Zeilen, die sich nur in Leerzeichen oder Tabs zwischen Wörtern unterscheiden, gelten als gleich.

Firmware-Images: Im Binärmodus zeigen zwei Builds, die sich in einer Versionszeichenkette und einer Prüfsumme unterscheiden, zwei kurze Bereiche mit alten und neuen Bytes in hex.