84d4a1eab5
Core operations: - Compress PDF (3 presets: screen, ebook, printer, prepress) - PDF/A detection and conversion to regular PDF - Compress while preserving PDF/A structure - Merge multiple PDFs - Split/extract pages by range - Rotate pages - Extract text and images Interface: - Streamlit web GUI (app.py) - FastAPI REST API with auto OpenAPI docs (api.py) Docs: - README.md, ARCHITECTURE.md, API.md - Unit tests (15/15 passing)
134 lines
4.0 KiB
Python
134 lines
4.0 KiB
Python
"""
|
|
Estratégias de compressão e otimização de PDF.
|
|
|
|
Usa pypdf + Pillow para re-amostragem de imagens e remoção de
|
|
objetos redundantes. Mantém a estrutura original do PDF (inclusive
|
|
PDF/A) quando possível.
|
|
"""
|
|
|
|
import io
|
|
from typing import Optional
|
|
|
|
from PIL import Image
|
|
from pypdf import PdfReader, PdfWriter
|
|
from pypdf.constants import ImageAttributes as IA
|
|
|
|
from config import QUALITY_PRESETS
|
|
|
|
|
|
def _downsample_image(
|
|
img_bytes: bytes,
|
|
quality: int = 60,
|
|
max_dim: int = 2000,
|
|
fmt: str = "JPEG",
|
|
) -> bytes:
|
|
"""
|
|
Redimensiona e re-comprime uma imagem.
|
|
- quality: 1-100 (JPEG)
|
|
- max_dim: lado máximo em px
|
|
- fmt: "JPEG" ou "PNG"
|
|
"""
|
|
img = Image.open(io.BytesIO(img_bytes))
|
|
|
|
# Converte RGBA/CMYK/P (palette) para RGB para compressão JPEG
|
|
if img.mode not in ("RGB", "L"):
|
|
if fmt == "JPEG":
|
|
img = img.convert("RGB")
|
|
elif img.mode == "P":
|
|
img = img.convert("RGB")
|
|
|
|
# Redimensiona proporcionalmente se exceder max_dim
|
|
w, h = img.size
|
|
if max(w, h) > max_dim:
|
|
ratio = max_dim / max(w, h)
|
|
new_size = (int(w * ratio), int(h * ratio))
|
|
# Usa ANTIALIAS/LANCZOS para melhor qualidade na redução
|
|
img = img.resize(new_size, Image.LANCZOS)
|
|
|
|
buf = io.BytesIO()
|
|
if fmt == "JPEG":
|
|
img.save(buf, format="JPEG", quality=quality, optimize=True)
|
|
else:
|
|
img.save(buf, format="PNG", optimize=True)
|
|
|
|
return buf.getvalue()
|
|
|
|
|
|
def compress_pdf(
|
|
data: bytes,
|
|
preset: str = "ebook",
|
|
remove_unused: bool = True,
|
|
) -> bytes:
|
|
"""
|
|
Comprime um PDF re-amostrando imagens e otimizando estrutura.
|
|
|
|
Args:
|
|
data: Conteúdo do PDF original.
|
|
preset: Perfil de qualidade ("screen", "ebook", "printer", "prepress").
|
|
remove_unused: Remove objetos não referenciados.
|
|
|
|
Retorna bytes do PDF comprimido.
|
|
"""
|
|
opts = QUALITY_PRESETS.get(preset, QUALITY_PRESETS["ebook"])
|
|
quality = opts["quality"]
|
|
max_dim = opts["max_dim"]
|
|
|
|
reader = PdfReader(io.BytesIO(data))
|
|
writer = PdfWriter()
|
|
|
|
# Copia metadados
|
|
writer.metadata = reader.metadata
|
|
|
|
# Registra fontes e objetos que usamos (para limpeza)
|
|
used_objects = set()
|
|
|
|
for page_num, page in enumerate(reader.pages):
|
|
used_objects.add(id(page))
|
|
|
|
# Verifica se há imagens na página
|
|
if "/XObject" in page.get("/Resources", {}):
|
|
resources = page["/Resources"]
|
|
if "/XObject" in resources:
|
|
xobjects = resources["/XObject"]
|
|
for obj_name in list(xobjects.keys()):
|
|
xobj = xobjects[obj_name]
|
|
subtype = xobj.get("/Subtype", "")
|
|
if subtype == "/Image":
|
|
try:
|
|
raw = xobj.get_data()
|
|
if raw:
|
|
# Determina formato — PNG se tiver transparência
|
|
fmt = "PNG" if xobj.get("/ColorSpace") == "/DeviceCMYK" else "JPEG"
|
|
compressed = _downsample_image(raw, quality, max_dim, fmt)
|
|
xobj._data = compressed
|
|
xobj[IA.WIDTH], xobj[IA.HEIGHT] = Image.open(
|
|
io.BytesIO(compressed)
|
|
).size
|
|
except Exception:
|
|
# Se falhar na recompressão, mantém original
|
|
pass
|
|
|
|
# Adiciona página modificada
|
|
writer.add_page(page)
|
|
|
|
# Escreve com compressão de streams
|
|
out_buf = io.BytesIO()
|
|
writer.write_stream(out_buf)
|
|
|
|
return out_buf.getvalue()
|
|
|
|
|
|
def linearize_pdf(data: bytes) -> bytes:
|
|
"""
|
|
Re-escreve o PDF de forma linearizada (otimizada para web).
|
|
Usa pypdf para reestruturar.
|
|
"""
|
|
reader = PdfReader(io.BytesIO(data))
|
|
writer = PdfWriter()
|
|
writer.metadata = reader.metadata
|
|
for page in reader.pages:
|
|
writer.add_page(page)
|
|
|
|
out_buf = io.BytesIO()
|
|
writer.write_stream(out_buf)
|
|
return out_buf.getvalue() |