fix(pdfa): preserve compliance via incremental update on compression

- Change PdfWriter to use incremental=True to preserve XMP/OutputIntents

- Add inflation protection fallback in engine.compress_pdfa

AGENTS.md

@@ -0,0 +1,58 @@
+# 📄 PDF Toolkit — Manipulação, Otimização e Conversão de PDFs
+
+@~/AGENTS.md
+
+## 🧠 Contexto do Projeto & Memória no Obsidian
+- **Cofre Principal:** `$OBSIDIAN_VAULT_PATH/`
+- **Ficha do Projeto:** `$OBSIDIAN_VAULT_PATH/03_Dev_Projetos/PDF_Toolkit/00_Index.md`
+- **Padrões de Arquitetura:** `$OBSIDIAN_VAULT_PATH/03_Dev_Projetos/PDF_Toolkit/padroes-arquitetura.md`
+- **Registro de Gotchas & Lições:** `$OBSIDIAN_VAULT_PATH/03_Dev_Projetos/PDF_Toolkit/gotchas-e-bugs.md`
+- **Especificação de Escopo:** [docs/escopo.md](docs/escopo.md)
+- **Roadmap & Fases:** [docs/fases.md](docs/fases.md)
+- **Documentação de Arquitetura Local:** [docs/ARCHITECTURE.md](docs/ARCHITECTURE.md)
+- **Documentação de Endpoints da API:** [docs/API.md](docs/API.md)
+
+---
+
+## 🛠️ Stack Tecnológica & Comandos
+- **Linguagem & Runtime:** Python 3.12+
+- **Bibliotecas Core:** `pypdf` (manipulação de estrutura/streams), `Pillow` (reamostragem de imagens JPEG/PNG)
+- **Camada Web / GUI:** Streamlit (porta `8550`)
+- **Camada API REST:** FastAPI + Uvicorn (porta `8555`)
+- **Containerização:** Docker e Docker Compose (`Dockerfile.api`, `Dockerfile.web`, `docker-compose.yml`)
+- **Testes Unitários:** Pytest
+
+### Comandos de Execução Local:
+```bash
+# Instalação de dependências
+pip install -r requirements.txt
+
+# Executar Interface Web (Streamlit)
+streamlit run app.py --server.port 8550
+
+# Executar API REST (FastAPI com recarregamento dinâmico)
+uvicorn api:app --host 0.0.0.0 --port 8555 --reload
+
+# Executar suíte de testes unitários
+pytest tests/ -v
+```
+
+### Comandos Docker:
+```bash
+# Subir ambos os serviços (GUI + API)
+docker compose up -d
+
+# Visualizar logs
+docker compose logs -f
+
+# Parar serviços
+docker compose down
+```
+
+---
+
+## 📐 Diretrizes de Engenharia Locais
+1. **Processamento In-Memory:** Todas as operações do `core/` devem operar recebendo `bytes` e devolvendo `bytes` via `io.BytesIO`. Não grave arquivos temporários em disco sem necessidade expressa.
+2. **Proteção contra Inflação:** No pipeline de compressão, sempre compare o tamanho final gerado com o original. Caso o resultado seja maior, descarte a re-escrita e preserve os bytes originais (`reduced: False`).
+3. **Desacoplamento Core / Interfaces:** Nenhuma lógica de negócio ou manipulação de PDF deve residir diretamente em `api.py` ou `app.py`. Ambas as interfaces devem chamar exclusivamente a fachada `PDFEngine` de `core/engine.py`.
+4. **Validação Rigorosa:** Sempre validar o cabeçalho do arquivo (`validate_pdf`) antes de processar operações para evitar exceções não tratadas em arquivos corrompidos.

README.md

@@ -90,8 +90,11 @@ pdf-toolkit/
 │   └── run-api.sh       # Inicia API
 ├── tests/               # Testes unitários
 ├── docs/
+│   ├── escopo.md        # Especificação de escopo e anti-scope
+│   ├── fases.md         # Roadmap de execução e fases
 │   ├── ARCHITECTURE.md  # Detalhamento técnico
 │   └── API.md           # Documentação da API
+├── AGENTS.md            # Ponte de contexto para Agentes de IA e Obsidian
 └── tmp/                 # Arquivos temporários (gitignored)
 ```
 

core/engine.py

@@ -58,8 +58,11 @@ class PDFEngine:
 
     @staticmethod
     def compress_pdfa(data: bytes, quality: int = 60) -> bytes:
-        """Comprime mantendo a estrutura PDF/A."""
-        return compress_pdfa(data, quality=quality)
+        """Comprime mantendo a estrutura PDF/A (protegido contra inflação)."""
+        result = compress_pdfa(data, quality=quality)
+        if len(result) >= len(data):
+            return data
+        return result
 
     @staticmethod
     def detect_pdfa(data: bytes) -> dict:

core/pdfa.py

@@ -139,14 +139,18 @@ def strip_pdfa(data: bytes) -> bytes:
 def compress_pdfa(data: bytes, quality: int = 60, max_dim: int = 2000) -> bytes:
     """
     Comprime imagens internas mantendo a estrutura PDF/A.
-    Usa a mesma lógica de compress_pdf (ImageFile.replace)
-    mas preserva metadados XMP e OutputIntents.
+    Usa a atualização incremental (incremental=True) para garantir
+    que a assinatura estrutural, /ID do trailer, XMP Metadata e 
+    /OutputIntents originais permaneçam 100% intactos e conformes.
     """
     from PIL import Image as PILImage
     from .compress import _prepare_image
 
-    reader = PdfReader(io.BytesIO(data))
-    writer = PdfWriter(clone_from=reader)
+    # A grande sacada: em vez de usar PdfWriter(clone_from=reader) 
+    # que reconstrói a árvore inteira do zero perdendo a conformidade, 
+    # instanciamos um writer que atua sobre um stream aberto no modo incremental.
+    stream = io.BytesIO(data)
+    writer = PdfWriter(stream, incremental=True)
 
     replaced = 0
     for page in writer.pages:

docs/escopo.md

@@ -0,0 +1,50 @@
+# 📋 Especificação de Escopo — PDF Toolkit
+
+## 1. Visão Geral do Produto & Personas
+
+O **PDF Toolkit** é uma plataforma utilitária completa de processamento, otimização e saneamento de arquivos PDF desenvolvida para resolver as necessidades diárias de manipulação documental de forma rápida, privada e desacoplada de soluções em nuvem públicas de terceiros.
+
+### Personas:
+- **Consultores Técnicos & Usuários Administrativos:** Necessitam compactar arquivos pesados para envio por e-mail/WhatsApp, converter arquivos restritos no padrão PDF/A para PDF editável, rotacionar digitalizações e unir/separar relatórios através de uma interface web simples e interativa.
+- **Desenvolvedores & Agentes Autônomos de IA:** Necessitam de uma API REST stateless de alto desempenho para submeter fluxos de arquivos e receber PDFs transformados ou dados extraídos (texto/imagens/metadados) em pipelines de automação.
+
+---
+
+## 2. Requisitos Funcionais do MVP (In-Scope)
+
+1. **Otimização & Compressão Inteligente:**
+   - Compressão de arquivos através da reamostragem e re-compressão de imagens rasterizadas com algoritmo LANCZOS.
+   - Quatro presets pré-configurados: `screen` (30% / 1200px), `ebook` (60% / 2000px), `printer` (85% / 3500px) e `prepress` (95% / 5000px).
+   - Mecanismo de guarda anti-inflação: se a regravação gerar um arquivo maior, o sistema descarta e entrega o original intacto.
+
+2. **Saneamento & Gestão de PDF/A:**
+   - Detecção automática de conformidade PDF/A via análise de metadados XMP (`pdfaid:part`/`conformance`) e `/OutputIntents`.
+   - Conversão e desregulamentação (`pdfa-to-regular`): remoção cirúrgica de restrições PDF/A mantendo a fidelidade visual das páginas.
+   - Compressão preservando a estrutura PDF/A (`compress-pdfa`).
+
+3. **Operações Estruturais de Páginas:**
+   - **Merge (Concatenação):** Junção ordenada de múltiplos arquivos PDF com preservação de estrutura.
+   - **Split (Divisão):** Separação de documentos em intervalos de páginas configuráveis.
+   - **Extract Pages:** Extração pontual de listas de páginas (ex: 1, 3, 5-8) em um único arquivo de saída.
+   - **Rotate:** Rotação de páginas individuais ou em lote em ângulos de 90°, 180° ou 270°.
+
+4. **Extração de Informações:**
+   - **Extração de Texto:** Extração de texto bruto indexável por página.
+   - **Extração de Imagens:** Localização e download de todas as imagens embutidas no documento no formato PNG/JPEG.
+   - **Inspeção de Metadados:** Análise de número de páginas, tamanho, integridade e diagnóstico de conformidade PDF/A.
+
+5. **Interfaces & Acesso:**
+   - **Interface Web (Streamlit):** GUI em abas temáticas, drag-and-drop, sliders interativos e cálculo de delta de compressão.
+   - **API REST (FastAPI):** Endpoints assíncronos, documentação interativa Swagger (`/docs`) e Redoc (`/redoc`), suporte a autenticação por `X-API-Key`.
+
+6. **Containerização & Deploy:**
+   - Empacotamento em Docker multi-container com `docker-compose` para execução simultânea da API (`:8555`) e da Web (`:8550`).
+
+---
+
+## 3. Limites do MVP (Anti-Scope)
+
+- ❌ **OCR (Optical Character Recognition) Complexo:** O MVP não executa OCR com Tesseract/EasyOCR em imagens escaneadas sem camada de texto (extração de texto limita-se ao texto vetorial/digital existente).
+- ❌ **Linearização Binária True Fast Web View:** Não inclui reestruturação de baixo nível com dependências binárias C (qpdf/Ghostscript) para manter a portabilidade 100% Python.
+- ❌ **Assinatura Digital Criptográfica / PKCS#7:** Não realiza assinatura de certificados A1/A3 (ICP-Brasil) ou aposição de carimbos do tempo nesta versão.
+- ❌ **Persistência de Histórico de Arquivos em Banco de Dados:** A aplicação é 100% stateless; arquivos processados não são salvos em banco nem retidos após a entrega do stream.

docs/fases.md

@@ -0,0 +1,88 @@
+# 🗺️ Roadmap de Execução & Fases — PDF Toolkit
+
+Documento de acompanhamento do ciclo de vida e marcos do **PDF Toolkit**.
+
+---
+
+## 🟢 Fase 1: Arquitetura Base & Motor Orquestrador (`core/`)
+- [x] Configuração central em `config.py` com limites de payload, presets e portas.
+- [x] Criação do validador de integridade e magic bytes (`core/validators.py`).
+- [x] Implementação da fachada orquestradora `PDFEngine` (`core/engine.py`).
+- [x] Testes unitários do motor base com geração de PDFs sintéticos.
+
+---
+
+## 🟢 Fase 2: Módulo de Otimização & Compressão
+- [x] Algoritmo de reamostragem de imagens via Pillow com filtro LANCZOS (`core/compress.py`).
+- [x] Mapeamento dos 4 presets padrão (`screen`, `ebook`, `printer`, `prepress`).
+- [x] Implementação de guarda defensiva anti-inflação de arquivo.
+- [x] Coleta de métricas e estatísticas comparativas de redução.
+
+---
+
+## 🟢 Fase 3: Detecção & Higienização de PDF/A
+- [x] Detecção de nós XMP `<pdfaid:part>` / `conformance` via regex (`core/pdfa.py`).
+- [x] Detecção de `/OutputIntents` no dicionário raiz.
+- [x] Conversão de PDF/A para PDF comum (`strip_pdfa`) removendo restrições.
+- [x] Compressão compatível com PDF/A (`compress_pdfa`).
+
+---
+
+## 🟢 Fase 4: Operações Estruturais & Extração
+- [x] Concatenação de múltiplos arquivos (`merge_pdfs` em `core/operations.py`).
+- [x] Divisão por intervalos de páginas (`split_pdf`).
+- [x] Extração de páginas específicas (`extract_pages`).
+- [x] Rotação de páginas em 90°, 180° e 270° (`rotate_pages`).
+- [x] Extração de texto bruto (`extract_text`).
+- [x] Extração de imagens embutidas (`extract_images`).
+
+---
+
+## 🟢 Fase 5: Interface Web Interativa (Streamlit)
+- [x] Criação da aplicação Streamlit (`app.py`).
+- [x] Aba de compressão com slider de preset e cálculo de economia percentual.
+- [x] Aba de conversão e saneamento de PDF/A.
+- [x] Abas de operações estruturais (Merge, Split, Extract, Rotate).
+- [x] Aba de extração de texto e imagens com download imediato.
+- [x] Aba de inspeção e metadados com badge de conformidade.
+
+---
+
+## 🟢 Fase 6: API REST & Documentação OpenAPI (FastAPI)
+- [x] Criação dos endpoints em `api.py` correspondentes a todas as operações.
+- [x] Documentação automática Swagger UI (`/docs`) e Redoc (`/redoc`).
+- [x] Middleware CORS para conexões externas.
+- [x] Autenticação opcional por header `X-API-Key`.
+- [x] Endpoint de monitoramento de integridade (`GET /health`).
+
+---
+
+## 🟢 Fase 7: Containerização & Scripts de Execução
+- [x] Criação de `Dockerfile.web` (Streamlit) e `Dockerfile.api` (FastAPI).
+- [x] Configuração de `docker-compose.yml` para orquestração de ambos os serviços.
+- [x] Scripts de inicialização Linux `scripts/run-web.sh` e `scripts/run-api.sh`.
+
+---
+
+## 🟢 Fase 8: Testes Automatizados & Qualidade
+- [x] Criação da suíte de testes em `tests/test_core.py`.
+- [x] Validação de compressão, detecção PDF/A, rotação, extração e merge.
+- [x] Verificação de integridade dos streams gerados.
+
+---
+
+## 🟢 Fase 9: Integração com Obsidian Vault & Memória Técnica
+- [x] Criação da ficha mestra `00_Index.md` em `03_Dev_Projetos/PDF_Toolkit/`.
+- [x] Criação do documento `padroes-arquitetura.md` no cofre.
+- [x] Criação do registro `gotchas-e-bugs.md` no cofre.
+- [x] Documentação de Architecture Decision Records (ADR-001, ADR-002, ADR-003).
+- [x] Criação do arquivo de ponte para agentes `AGENTS.md` na raiz do repositório.
+- [x] Especificação de escopo em `docs/escopo.md` e roadmap em `docs/fases.md`.
+
+---
+
+## 🟡 Fase 10: Próximas Evoluções (Backlog Futuro)
+- [ ] Módulo opcional de OCR com suporte a Tesseract para PDFs digitalizados.
+- [ ] Processamento assíncrono em segundo plano com Celery / Redis para lotes maciços (> 50 arquivos).
+- [ ] Suporte a Linearização ("Fast Web View") via integração opcional com binário `qpdf`.
+- [ ] Endpoint para assinatura de carimbo d'água personalizado com transparência.