Zpracování PDF

Občas se mi dostane do rukou naskenovaná knížka ve formátu PDF, kde jsou vždy dvě stránky původního textu na jedné virtuální stránce. Člověk se potom musí posouvat nejen směrem dolů, ale i do stran a občas nahoru. Hlavně na mobilu nic moc.

Nakonec jsem našel relativně spolehlivý způsob, jak takový monolit rozporcovat na menší kousky, a abych to nezapomněl, tak si to poznamenám.

Budeme potřebovat pdftk, imagemagick a poppler-utils. V Debianu je všechno nachystané v repozitářích.

Nasekat na jemno, prosím

Nejdřív původní soubor nasekáme na jednotlivé stránky. Následující příkaz vytvoří z každé stránky v původním pdf jeden soubor.

$ pdftk VSTUPNI.PDF burst

Tímto vznikne plus minus autobus milion souborů s názvy pg_0001.pdf.

Protřepat, nemíchat

Následující krok by měl každý vytvořený soubor vertikálně rozpůlit. K tomu se dá použít třeba programů z balíku poppler-utils. Abychom se s tím zbytečně nepárali, vezmeme to všechno naráz.

for i in pg_*pdf; do
    pdftoppm $i >${i/pdf/ppm}
    convert $(i/pdf/ppm} -crop 50%x100% +repage vystup-$i
done

Jakkoli děsivě ta substituce vypadá, dělá jen jednu věc: nahradí příponu pdf příponou ppm. Následující příkaz z balíku imagemagick potom akorát obrázek rozsekne napůl (tady se dá pohrát s konkrétním číslem) a výsledek uloží jako dvoustránkové PDF do souboru vystup-pg_0001.pdf.

Matláma patláma paprčála

Teď už stačí znovu použít pdftk a všechno to zase nakombinovat do jednoho souboru.

$ pdftk vystup-* cat output spojeny.pdf

Zjevně není nutné vytvářet pouze jeden monolit, ale jde to rozdělit do souborů třeba po kapitolách. Taky je snadné vyhodit nezajímavé stránky.

Optimalizace velikosti

Popis výš má zásadní problém: vytvořený soubor má rozměry slona po obědě. Možnou odtučňovací kůrou je třeba ghostscript.

$ gs -dCompatibilityLevel=1.4 -dPDFSETTINGS=/screen -dNOPAUSE \
> -dBATCH -sDEVICE=pdfwrite -sOutputFile=output.pdf spojeny.pdf

Tím se každá stránka přepočítá na plus minus 72 dpi, což je dost pro monitor. Na tisk už to ale stačit nebude. Další možnosti jsou /ebook, /printer, /prepress.