Skip to content

Latest commit

 

History

History
134 lines (89 loc) · 4.94 KB

README.md

File metadata and controls

134 lines (89 loc) · 4.94 KB

pdf-cut-white

在使用 Latex 书写论文时(或者其他时刻),花费了不少的时间处理 PDF 图表——裁剪不必要的图表白边。所幸就写个工具自动完成吧——自动化且精准。

While latex, it takes time to cut the useless white part of pdf, so here comes a tool for it.


这个文档已经够短了,请务必读一遍先。

Please see here for english README.

提示

请重新安装依赖,以确保更新内容一致,pip3 install -r requirements.txt.

特性

工具可以对生成的 PDF 图表进行自动裁剪,减少人工操作和其他软件依赖(如Acrobat)。

使用

请安装python3.8及以上版本,详见Install

推荐使用命令行版本,详见CLI

CLI 流程说明:

  • 读取原始 PDF 文件中的每一页(实际上只会处理第一页,这里默认每个pdf是一个单页图表)
  • 按页识别 PDF 中的白边(基于 pdf item 分析)
  • 裁剪白边(本质上是通过缩减 media box 实现)
  • 输入无白边的新 PDF 文件

若希望使用 GUI 版本,请确保能够成功安装 PySide6,详见GUI

GUI 流程说明:

  • 启用工具,选择输入文件夹和输出文件夹(必须使用不同的文件夹防止源文件覆盖)
  • 扫描 pdf 文件(GUI 支持在列表中二次选择 PDF)(注意:仅会扫描一级目录,而不会扫描子目录)
  • 确认无误后,点击完成 PDF 裁剪(仅选中的文件),并输出到输出文件夹下

注意事项

部分 pdf 输出会在最外围加上 RT 元素,导致无法裁剪,这时候可以添加--ignore 1参数,再做尝试。

请优先不带ignore尝试,有问题再带参数,人工检查一遍即可,这种情况也相对有有限(取决于绘图工具)。

发现任何问题,请参看issue,若仍无法解决,请提新issue(请--verbose执行附带 log)(若可以,请提交对应的 case.pdf)。

其他

已知部分限制:

  • 只扫描一级目录,不支持递归。
    • 可以有效防止错误操作而产生大量的文件 IO。
    • 工具已实现自动化,以一级目录为单位也足够使用。
    • 同理,禁止对同目录/同文件进行操作。
  • 对于原始 PDF 文件可以妥善完成裁剪,但如果是其他工具编辑(特别是裁剪)过的 PDF,再次裁剪则可能输出错误。
    • 因为该工具通过修正 PDF 中的 media box 实现裁剪,可能与其他工具不兼容。
  • 偶尔会出现裁剪过度精细的情况,待修正。
    • 本质上,白边就是无内容的部分,因此工具会统计所有有含义的部分(如 textbox,image 等),并计算最大的有效坐标范围,这一范围以外的部分即视为白边。
  • 有部分元素未处理
    • 可以参看pdf_white_cut/worker.py::extract_pdf_boxs,部分元素使用了原始的 bbox,可能导致结果保留的内容(白边)过多,对此请 issue 反馈,并附带用例和 log。

Mention

Please redo pip3 install -r requirements.txt since dependencies changed (see changelog ).

Feature

Automatic cut the useless white part of pdf. This pdf must be a single page of table or figure.

Usage

Install

  • install python3 (python 3.8 or above)
  • install dependency: pip3 install -r requirements.txt or pip3 install -r requirements.txt --user

CLI

Recommend to use CLI (command line tool):

# cut single pdf
python cli.py -i in.pdf -o out.pdf

# cut all pdf files under a folder
python cli.py -id infolder -od outfolder

MENTION: sometimes add --ignore 1 if output is not the wanted.

GUI

Make sure you REALLY require GUI:

# install PySide6, the official Qt for Python : )
pip install PySide6==6.3.2

# if success, run 
python gui.py

Misc

Limitation

Known limitation:

  • Only scan one level folder
  • Some pdf with edit may cause failure (TODO: it is it is NotImplemented logic)
  • Support single page pdf, but may not support well for multiple pages (try it first)
  • Some cases with too many white part may cause failure (TODO: it is NotImplemented logic)
    • see pdf_white_cut/worker.py::extract_pdf_boxs

Changelog

  • (bugfix/feat) support rotated pdf pages.
  • (refactor) less files, less function defines.
  • (dependency) bump to PySide6 for GUI with QT.
  • (dependency) use pdfminer.six (a community fork) (since pdfminer is not actively maintained).
  • (bugfix) missing LTFigure analysis.
  • (bugfix) path process error in batch_cut_pdf.
  • (bugfix) missing LTTextBox or LTTextLine analysis.
  • (feature) GUI base on PySide2 (the official).
  • (bugfix) failed for pdf which has been edited before - not fix the pos for the edited (pdfminer use relative pos).
  • (feature) CLI using argparse.

Dependency

  • PyMuPDF: it is fitz which do well in pdf IO
  • pypdf: a pure python module for pdf (upgrade of PyPDF2)
  • pdfminer.six: scan pdf elements
  • PySide6: optional for GUI only
  • loguru: for log only