如何使用 python 比较两个 draw.io XML 文件并生成差异区域的前后对比图片？

2026-11-04技术老齐

可以用 Python 解析 draw.io XML、识别对象变化，再调用渲染工具，裁剪出更新前后的对比图片。复杂流程图建议结合两种比较方式：

比较 XML，判断哪些节点、连线或属性发生了变化。
比较渲染后的图片，确定变化实际出现在哪些区域。

XML 有助于解释修改内容，图片比较则能覆盖连线路由、文字换行、阴影等最终显示效果。仅比较 XML 文本，无法直接确定可靠的截图范围。

比较前需要满足的两个条件

更新前后的对象能够对应

draw.io 通常用 mxCell 表示节点和连线，通过 id 标识对象。同一张图的不同版本，可以尝试按 id 匹配，识别新增、删除和修改的对象。

如果两个版本来自复制页面、重新导入或重新生成的文件，对象 ID 可能不同。按 ID 比较时，大量对象可能会被判定为删除和新增。这时需要另建业务标识，或根据文字、连接关系和位置匹配。

两张图片使用相同的坐标系

比较图片时，同一个图形位置必须对应同一个像素位置，因此两次导出需要保持以下设置一致：

缩放比例和画布原点。
字体、背景和渲染环境。
画布范围和导出边距。

自动裁剪尤其容易影响对齐。例如，在左侧新增一个节点，可能改变整张导出图片的起点，让原本没有修改的内容也出现像素差异。即使图片尺寸相同，也不能证明两张图已经对齐。

一个可行的办法是，在用于导出的临时副本中，给两个页面各加一个位置、尺寸完全一致的白色背景矩形，放到底层，完整包住两个版本的所有内容。然后统一缩放和边距，导出整张图。矩形之外不能有文字、连线或阴影，否则导出范围仍可能改变。

需要更精确地控制导出时，可以使用 diagrams.net/mxGraph 渲染环境，为两个版本设置相同的视口和变换参数。

第一步：解析页面并比较 XML 对象

draw.io 文件可能直接包含 <mxGraphModel>，也可能把页面内容放在 <diagram> 中。常见的压缩页面内容需要依次执行：

Base64 解码 → raw DEFLATE 解压 → URL 解码 → XML 解析

下面的代码支持这两种常见形式，也可以从同一个文件中选择不同页面。页面索引从 0 开始。

import base64
import zlib
from urllib.parse import unquote
import xml.etree.ElementTree as ET


def load_model(filename, page_index=0):
    root = ET.parse(filename).getroot()

    if root.tag == "mxGraphModel":
        if page_index != 0:
            raise IndexError("该文件只有一个 mxGraphModel")
        return root

    if root.tag == "diagram":
        if page_index != 0:
            raise IndexError("该文件只有一个 diagram")
        diagram = root
    elif root.tag == "mxfile":
        diagrams = root.findall("diagram")
        if not 0 <= page_index < len(diagrams):
            raise IndexError("页面索引超出范围")
        diagram = diagrams[page_index]
    else:
        raise ValueError(f"不支持的根元素：{root.tag}")

    model = diagram.find("mxGraphModel")
    if model is not None:
        return model

    payload = (diagram.text or "").strip()
    if not payload:
        raise ValueError("页面内容为空")

    # 兼容以转义文本形式保存的未压缩 XML。
    if payload.startswith("<"):
        model = ET.fromstring(payload)
    else:
        compressed = base64.b64decode(payload)
        decoded = zlib.decompress(compressed, -15).decode("utf-8")
        model = ET.fromstring(unquote(decoded))

    if model.tag != "mxGraphModel":
        raise ValueError("页面内容不是 mxGraphModel")

    return model


def signature(element):
    """忽略属性排列和 XML 排版空白，保留子元素顺序。"""
    return (
        element.tag,
        tuple(sorted(element.attrib.items())),
        (element.text or "").strip(),
        tuple(signature(child) for child in element),
    )


def index_objects(model):
    graph_root = model.find("root")
    if graph_root is None:
        raise ValueError("缺少 mxGraphModel/root")

    objects = {}

    for element in graph_root:
        # 自定义属性对象可能用 object 等元素包裹 mxCell。
        cell = (
            element
            if element.tag == "mxCell"
            else element.find("mxCell")
        )
        if cell is None:
            continue

        object_id = element.get("id") or cell.get("id")
        if object_id:
            objects[object_id] = signature(element)

    return objects


def compare_models(before, after):
    old = index_objects(before)
    new = index_objects(after)

    return {
        "added": sorted(new.keys() - old.keys()),
        "removed": sorted(old.keys() - new.keys()),
        "modified": sorted(
            object_id
            for object_id in old.keys() & new.keys()
            if old[object_id] != new[object_id]
        ),
    }

比较两个文件：

before = load_model("before.drawio", page_index=0)
after = load_model("after.drawio", page_index=0)

changes = compare_models(before, after)
print(changes)

如果两个版本位于同一个文件的两个页面中：

before = load_model("sop.drawio", page_index=0)
after = load_model("sop.drawio", page_index=1)

这段代码比较对象结构。文字、样式、几何信息，以及连线的 source、target 等属性发生变化时，对象都可能进入 modified。

不过，结构比较没有完整实现 draw.io 的显示语义。例如，样式字符串中的属性顺序变化可能被报告为修改；父分组移动时，子节点自身的 XML 却可能保持不变。因此，这份变化列表不能直接用来确定最终截图范围。

第二步：用 draw.io 渲染页面

复杂流程图适合交给 draw.io 自身渲染。如果用 Pillow 根据 XML 重新绘制节点和连线，就需要额外处理形状、HTML 标签、分组变换、连线路由等规则，工作量很大。

安装 draw.io Desktop 并配置命令行入口后，可以用类似下面的命令导出 PNG：

drawio --export --format png --page-index 0 --scale 1 --border 0 --output before.png before.drawio
drawio --export --format png --page-index 0 --scale 1 --border 0 --output after.png after.drawio

drawio 的可执行文件路径取决于安装方式，可用参数请通过所安装版本的 --help 核对。比较同一文件中的两个页面时，调整输入路径和 --page-index 即可。

运行这些命令前，仍需按前面的方法统一导出范围。自动化时，可以用 Python 的 subprocess.run(..., check=True) 调用命令，等待导出完成后再比较图片。

第三步：检测差异并生成前后对比图片

下面的示例使用已经对齐的 before.png 和 after.png，按以下步骤处理：

计算每个像素的颜色差异。
用阈值过滤较小的差异。
通过膨胀操作，将相邻的差异像素合成区域。
在两张原图中裁剪相同范围，生成并排图片。

安装依赖：

python -m pip install pillow numpy opencv-python

from pathlib import Path

import cv2
import numpy as np
from PIL import Image, ImageDraw


def load_rgb(filename):
    # 将透明背景统一合成到白色背景上。
    with Image.open(filename) as source:
        rgba = source.convert("RGBA")

    background = Image.new("RGBA", rgba.size, "white")
    return Image.alpha_composite(background, rgba).convert("RGB")


def export_diff_regions(
    before_file,
    after_file,
    output_dir="diff_output",
    threshold=12,
    merge_radius=10,
    padding=24,
):
    before = load_rgb(before_file)
    after = load_rgb(after_file)

    if before.size != after.size:
        raise ValueError("图片尺寸不同，请先统一画布范围和缩放比例")

    output = Path(output_dir)
    output.mkdir(parents=True, exist_ok=True)

    a = np.asarray(before)
    b = np.asarray(after)

    difference = cv2.absdiff(a, b)
    mask = (
        difference.max(axis=2) > threshold
    ).astype(np.uint8) * 255

    Image.fromarray(mask).save(output / "diff_mask.png")

    if not np.any(mask):
        return []

    kernel_size = 2 * merge_radius + 1
    kernel = np.ones(
        (kernel_size, kernel_size),
        dtype=np.uint8,
    )
    grouped = cv2.dilate(mask, kernel, iterations=1)

    count, _, stats, _ = cv2.connectedComponentsWithStats(
        grouped,
        connectivity=8,
    )

    # 第 0 个连通域是背景。
    regions = sorted(stats[1:count], key=lambda row: (row[1], row[0]))

    width, height = before.size
    boxes = []

    for index, (x, y, w, h, _) in enumerate(regions, start=1):
        box = (
            max(0, int(x) - padding),
            max(0, int(y) - padding),
            min(width, int(x + w) + padding),
            min(height, int(y + h) + padding),
        )

        old_crop = before.crop(box)
        new_crop = after.crop(box)

        old_crop.save(output / f"region_{index:03d}_before.png")
        new_crop.save(output / f"region_{index:03d}_after.png")

        gap = 16
        header = 28
        crop_width, crop_height = old_crop.size

        comparison = Image.new(
            "RGB",
            (crop_width * 2 + gap, crop_height + header),
            "white",
        )
        comparison.paste(old_crop, (0, header))
        comparison.paste(new_crop, (crop_width + gap, header))

        draw = ImageDraw.Draw(comparison)
        draw.text((8, 7), "Before", fill="black")
        draw.text((crop_width + gap + 8, 7), "After", fill="black")

        comparison.save(output / f"region_{index:03d}.png")
        boxes.append(box)

    return boxes


boxes = export_diff_regions("before.png", "after.png")
print(f"生成了 {len(boxes)} 个差异区域")

输出目录中会包含：

diff_output/
    diff_mask.png
    region_001_before.png
    region_001_after.png
    region_001.png
    ...

region_001.png 的左侧是更新前，右侧是更新后，两侧使用相同的裁剪坐标。新增内容在更新前的对应位置可能是空白；删除内容则可能在更新后留下空白。

threshold=12、merge_radius=10 和 padding=24 都是供调整的示例值，具体取值需要按图片情况确定：

降低 threshold 可以捕捉更细微的变化，也更容易受到抗锯齿差异影响。
增大 merge_radius 可以合并相邻改动，但可能把不同修改合成一个大区域。
增大 padding 可以保留更多上下文，但不保证完整包含整个节点。

复杂流程图还需要处理的情况

截取完整节点时，使用渲染后的边界

像素差异可能只覆盖几个修改过的文字。如果希望截图包含完整节点，需要将差异范围扩展到对应节点的渲染边界。

不能直接把 mxGeometry 中的 x、y、width、height 当成截图边界。分组内的坐标可能相对于父对象，连线还涉及端点、折点和自动路由，标签也可能超出形状本身。

需要精确截图时，应从渲染环境取得节点、连线和标签的实际显示边界，再映射到图片坐标：

pixel_x = scale * graph_x + offset_x
pixel_y = scale * graph_y + offset_y

其中，graph_x、graph_y 必须已经转换到共同的图坐标系。对象发生移动时，截图范围需要同时覆盖旧位置和新位置，也要包含节点移动引起的连线路由变化。

大范围重新排版会产生大量视觉差异

整个流程图执行自动布局后，即使流程内容没有变化，大量节点和连线的位置也会改变，像素比较会检测到这些变化。

如果只关心 SOP 内容修改，需要先定义结构比较规则，例如忽略纯位置变化，保留文字和连接关系变化。单靠图片差异无法作出这种区分。

提前确定蓝色高亮是否算修改

如果蓝色只是人工添加的修订标记，图片比较也会识别出这部分颜色变化。

需要区分“业务内容修改”和“修订标记”时，可以在 XML 比较规则中排除约定的颜色属性，或在临时副本中统一样式后再渲染。直接过滤所有蓝色像素，可能漏掉原本就使用蓝色的流程元素。

大图可以分块比较

高分辨率 PNG 会占用较多内存。流程图特别大时，可以分块计算差异，为相邻块保留重叠区域，最后合并跨块的差异范围。无论采用哪种优化方式，都应先确认未修改的节点在两张图中准确重合。