使用pyPdf切割pdf文档

青蛙拿到一份扫描版的pdf文档，每个pdf页包含了两页实际书籍页面， 这种文档放在6寸Kindle上基本就是杯具了。于是青蛙试图找工具把他们切割掉。 根据铄日博客的推荐试验了 paper4kindle 和 k2pdfopt， 但是papaer4kindle切割出来的文档页面错乱了，而且也没有修正pdf歪斜的功能， 剪裁输出的文档很难看。 k2pdfopt就更没法看了，从image识别文档的技术先进， 但是对于每页pdf包含2页实际页面的文档，k2pdfopt基本无能为力。

青蛙本想探索一下paper4kindle输出之后页面错乱的问题， 结果这玩意竟然不开源，又看到作者说花了几小时就搞出来了， 那青蛙也看看pypdf包，试试能不能直接写代码自己搞定。

花了半下午时间看了下pypdf（ http://pybrary.net/pyPdf/ ）的API， 然后直接把例子代码复制下来改吧改吧， 咱也基本实现了paper4kindle的核心功能了，成功把那份文档处理掉了。 至于那些花哨的界面啥的，有空再玩吧。 代码先贴在这里，没有整理，暂时先不贴到github了， 准备下一步尝试添加旋转页面的功能。

编码的时候发现了两个问题，

  • 设置mediaBox的位置之前需要先copy一份page对象， 否则设置right的mediaBox的时候竟然会影响left的值， 猜测是pypdf模块内部直接返回了page对象的引用，并没有复制一份返回。
  • 这份文档无法用paper4kindle编辑的原因是实际上文档的四个角坐标是反的， 大概文档扫描之后被顺时针旋转了90度。

最后小小鄙视一下用python、用开源库写代码竟然不继续开源的某些软件作者。

#!/usr/bin/env python

import copy
from pyPdf import PdfFileWriter, PdfFileReader

output = PdfFileWriter()
input1 = PdfFileReader(file("/tmp/a.pdf", "rb"))
outputStream = file("/tmp/output.pdf", "wb")

# print the title of document1.pdf
print "title = %s" % (input1.getDocumentInfo().title)

pages = map(input1.getPage, range(0, input1.getNumPages()))
#pages = map(input1.getPage, range(0, 10))
try:
    for page in pages:
        left = copy.copy(page)
        right = copy.copy(page)

        orig_upperLeft = page.mediaBox.getUpperLeft()
        orig_upperRight = page.mediaBox.getUpperRight()
        orig_lowerLeft = page.mediaBox.getLowerLeft()
        orig_lowerRight = page.mediaBox.getLowerRight()

        left.mediaBox.setUpperLeft((orig_upperLeft[0], orig_upperLeft[1]))
        left.mediaBox.setUpperRight((orig_upperRight[0], orig_upperRight[1] / 2))
        left.mediaBox.setLowerLeft((orig_lowerLeft[0], orig_lowerLeft[1]))
        left.mediaBox.setLowerRight((orig_lowerRight[0], orig_lowerRight[1] / 2))
        output.addPage(left)

        right.mediaBox.setUpperLeft((orig_upperLeft[0], orig_upperLeft[1]))
        right.mediaBox.setUpperRight((orig_upperRight[0], orig_upperRight[1]))
        right.mediaBox.setLowerLeft((orig_lowerLeft[0], orig_upperLeft[1] / 2))
        right.mediaBox.setLowerRight((orig_lowerRight[0], orig_upperRight[1] / 2))
        output.addPage(right)
finally:
    # finally, write "output" to document-output.pdf
    output.write(outputStream)
    outputStream.close()

print "new pdf has %s pages." % output.getNumPages()

参考文档：

  1. PYPDF: http://pybrary.net/pyPdf/
  2. The PDF file format: http://www.prepressure.com/pdf/basics/fileformat
  3. Why my code not correctly split every page in a scanned pdf? http://stackoverflow.com/questions/7047656/why-my-code-not-correctly-split-every-page-in-a-scanned-pdf

Comments

comments powered by Disqus