Twee teksten vergelijken met een hash

Waarom een hash een betrouwbare vergelijking is

Een goede hashfunctie stuurt elke verschillende invoer naar een eigen, onvoorspelbare checksum. Voor SHA-256 is geen methode bekend om twee verschillende teksten met dezelfde checksum te vinden. Gelijke checksums betekenen daarom, voor elk praktisch doel, gelijke inhoud. Checksums zijn bovendien kort: u vergelijkt 64 tekens in plaats van hele pagina’s.

Een voorbeeld

De twee teksten verschillen door één hoofdletter, en de checksums hebben geen zichtbare overeenkomst. Zo vallen zelfs de kleinste wijzigingen meteen op.

Wat als verschil telt

De vergelijking gebeurt byte voor byte. Al deze wijzigingen veranderen de checksum:

• een extra spatie aan het eind van een regel;
• een regeleinde aan het eind van de tekst;
• een ander soort apostrof of streepje dat op het scherm hetzelfde lijkt;
• accenten die op een andere manier zijn ingetypt, bijvoorbeeld een letter met een apart accent in plaats van één samengesteld teken.

Als twee teksten gelijk lijken maar de checksums verschillen, zit de oorzaak waarschijnlijk in een van deze onzichtbare verschillen. Een hash met en zonder het afsluitende regeleinde laat dat snel zien.

Het algoritme kiezen

Gebruik hetzelfde algoritme voor beide teksten. SHA-256 is een veilige standaardkeuze. MD5 en SHA-1 herkennen gewone verschillen ook, maar gebruik ze niet als iemand opzettelijk een botsing kan maken. CRC32 is korter, maar minder betrouwbaar bij grote verzamelingen.

De tool toont in de volledige lijst alle checksums van de berekende tekst, zodat u meerdere algoritmen in één keer kunt vergelijken.

Een praktische werkwijze

Bewaar de checksum van de oorspronkelijke tekst in uw notities of in het ticket. Wanneer er een nieuwe versie komt, berekent u de hash met hetzelfde algoritme en vergelijkt u. Dat werkt goed voor configuratiefragmenten, juridische teksten, contractclausules en sjabloonteksten, wanneer u moet aantonen dat niets is veranderd en niet alleen wat er is veranderd.

Als de checksums verschillen

Ga er niet van uit dat de inhoud fout is. Controleer eerst de gebruikelijke oorzaken: gekopieerde tekst kan een spatie aan het eind bevatten, een andere stijl van regeleinden of een verborgen teken van een webpagina of tekstverwerker. Bereken de hash van beide versies nadat u ze op dezelfde manier hebt opgeschoond. Als de checksums nog steeds verschillen, splitst u elke tekst in alinea’s, berekent u de hash van elke alinea en vergelijkt u de paren tot u de gewijzigde alinea vindt.