pdf-toolkit/core/pdfa.py

"""
Detecção e manipulação de PDF/A.

PDF/A é uma versão padronizada do PDF para arquivamento de longo prazo.
Ele restringe certos recursos (JavaScript, fontes não-embutidas, etc.)
e adiciona metadados XMP específicos.

Este módulo permite:
  1. Detectar se um PDF é PDF/A (e qual parte/versão).
  2. Converter PDF/A → PDF comum (remove restrições).
  3. Otimizar mantendo PDF/A (comprime imagens, limpa objetos).
"""

import io
import re
from typing import Optional

from pypdf import PdfReader, PdfWriter


# ── Detecção ────────────────────────────────────────────────────────

def _check_xmp_pdfa(xml_data: str) -> Optional[str]:
    """Retorna string tipo 'PDF/A-1b' se metadados XMP indicarem PDF/A."""
    match = re.search(
        r'(pdfaid:part[\'\"]?\s*[:=]\s*[\'\"]?(\d+)[\'\"]?.*?'
        r'pdfaid:conformance[\'\"]?\s*[:=]\s*[\'\"]?([A-Za-z])[\'\"]?)',
        xml_data,
        re.DOTALL | re.IGNORECASE,
    )
    if match:
        part = match.group(2)
        conf = match.group(3).upper()
        return f"PDF/A-{part}{conf}"
    # Fallback mais simples
    if "pdfa" in xml_data.lower():
        return "PDF/A (indeterminado)"
    return None


def _check_xref_pdfa(reader: PdfReader) -> bool:
    """
    Verifica presença do dicionário /OutputIntents que é obrigatório
    em PDF/A e raro em PDF comum.
    """
    try:
        catalog = reader.trailer.get("/Root", {})
        if not catalog:
            return False
        output_intents = catalog.get("/OutputIntents", None)
        return output_intents is not None and len(output_intents) > 0
    except Exception:
        return False


def detect_pdfa(data: bytes) -> dict:
    """
    Detecta se o PDF é PDF/A e retorna detalhes.

    Retorna:
      - is_pdfa: bool
      - level: str ou None (ex: "PDF/A-2b")
      - method: str ("metadata", "output_intent" ou "none")
      - confidence: float (0-1)
    """
    result = {
        "is_pdfa": False,
        "level": None,
        "method": "none",
        "confidence": 0.0,
    }

    try:
        reader = PdfReader(io.BytesIO(data))

        # 1. Verifica metadados XMP
        if reader.metadata and reader.metadata.raw_data:
            raw = str(reader.metadata.raw_data)
            level = _check_xmp_pdfa(raw)
            if level:
                result["is_pdfa"] = True
                result["level"] = level
                result["method"] = "metadata"
                result["confidence"] = 0.9
                return result

        # 2. Verifica OutputIntents
        if _check_xref_pdfa(reader):
            result["is_pdfa"] = True
            result["level"] = "PDF/A (OutputIntent)"
            result["method"] = "output_intent"
            result["confidence"] = 0.7

    except Exception:
        pass

    return result


# ── Conversão PDF/A → PDF comum ─────────────────────────────────────

def strip_pdfa(data: bytes) -> bytes:
    """
    Remove metadados PDF/A e restrições de arquivamento,
    gerando um PDF comum padrão.

    O que é removido:
      - Metadados XMP com declaração PDF/A
      - Dicionário /OutputIntents
      - /PieceInfo (se presente)
      - Restrições de /Legal e /Copyright

    O conteúdo visual é preservado integralmente.
    """
    reader = PdfReader(io.BytesIO(data))
    writer = PdfWriter()
    writer.metadata = reader.metadata

    # Copia todas as páginas
    for page in reader.pages:
        writer.add_page(page)

    # Remove XMP metadata que declara PDF/A
    if writer.metadata:
        # Substitui por metadados limpos (sem PDF/A)
        clean_meta = {}
        for k, v in reader.metadata.raw_items():
            if not any(x in str(k).lower() for x in ["pdfaid", "xmp", "adobe:nsmeta"]):
                clean_meta[k] = v
        writer.metadata = type(reader.metadata)(clean_meta)

    out_buf = io.BytesIO()
    writer.write_stream(out_buf)
    return out_buf.getvalue()


# ── Otimização mantendo PDF/A ───────────────────────────────────────

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.
    """
    from PIL import Image as PILImage
    from .compress import _prepare_image

    reader = PdfReader(io.BytesIO(data))
    writer = PdfWriter(clone_from=reader)

    replaced = 0
    for page in writer.pages:
        try:
            images = list(page.images)
        except Exception:
            continue
        for img_file in images:
            if getattr(img_file, "indirect_reference", None) is None:
                continue
            try:
                pil = img_file.image
                if pil is None:
                    continue
                prepared, save_kwargs = _prepare_image(
                    pil, quality=quality, max_dim=max_dim
                )
                img_file.replace(prepared, **save_kwargs)
                replaced += 1
            except Exception:
                pass

    out_buf = io.BytesIO()
    writer.write(out_buf)
    return out_buf.getvalue()