У меня есть документ PDF, который был создан конкатенацией (огромное количество) небольших документов. Например, 1.pdf, 2.pdf и 3.pdf. Проблема состоит в том, что последняя страница 1.pdf является также первой страницей 2.pdf, и прошлая страница 2.pdf является также первой..., Вы получаете идею.
Так, после присоединения я получил документ PDF с большим количеством дублирующихся страниц. И документ имеет приблизительно 12 000 страниц (!!). Существует ли способ автоматически обнаружить дублирующиеся страницы и удалить их?
Или какие-либо идеи, как сделать это немного легче?
Если Ваш "идентичный" рендеринг страниц в точно тот же общий вид на экране, следующий алгоритмический подход мог работать для обнаружения дубликатов:
pdftk.exe
командная строка на исходном PDF для удаления дубликатов.Вы могли кодировать этот алгоритм на любом языке, который Вы любите (даже пакет в Windows или удар на Linux/Unix/MacOSX).
Во-первых: Некоторые примечания по использованию Ghostscript. Создайте свой TIFF 1200 (или JPEG) страницы (на Linux, который Вы использовали бы gs
вместо gswin32c
):
gswin32c.exe ^
-dBATCH -dNOPAUSE -dSAFER ^
-sDEVICE=tiffg4 ^
-sOutputFile=C:\temp\tiffs\page-%06d.tif ^
-r72x72 ^
12000pages.pdf ^
# use -sDEVICE=jpeg to create *.jpeg files + adapt -sOutputFile= accordingly
# page-%06d.tif creates TIFFs named page-000001.tif through page-012000.tif*
Во-вторых: Некоторые примечания по требованию использования (в свободном доступе) libtiff утилиты. Когда Ghostscript создаст страницу TIFF, он отметит свою текущую версию, дату и время плюс некоторые другие метаданные в TIFF. Это могло испортить Вашу проверку MD5, потому что в других отношениях идентичные TIFF могут носить другую метку даты и времени. Следовательно потребность "нормализовать" их. Использовать tiffinfo page-000001.tif
или tiffdump page-000001.tif
видеть то, что я имею в виду. Вы видели s.th. как это:
c:\downloads> tiffdump.exe page-000001.tif
page-000001.tif:
Magic: 0x4949 <little-endian> Version: 0x2a
Directory 0: offset 2814 (0xafe) next 0 (0)
SubFileType (254) LONG (4) 1<2>
ImageWidth (256) SHORT (3) 1<595>
ImageLength (257) SHORT (3) 1<842>
BitsPerSample (258) SHORT (3) 1<1>
Compression (259) SHORT (3) 1<4>
Photometric (262) SHORT (3) 1<0>
FillOrder (266) SHORT (3) 1<1>
StripOffsets (273) LONG (4) 8<8 341 1979 1996 2013 2030 2047 2064>
Orientation (274) SHORT (3) 1<1>
SamplesPerPixel (277) SHORT (3) 1<1>
RowsPerStrip (278) SHORT (3) 1<109>
StripByteCounts (279) LONG (4) 8<333 1638 17 17 17 17 17 13>
XResolution (282) RATIONAL (5) 1<72>
YResolution (283) RATIONAL (5) 1<72>
PlanarConfig (284) SHORT (3) 1<1>
Group4Options (293) LONG (4) 1<0>
ResolutionUnit (296) SHORT (3) 1<2>
PageNumber (297) SHORT (3) 2<0 0>
Software (305) ASCII (2) 21<GPL Ghostscript 8.71\0>
DateTime (306) ASCII (2) 20<2010:06:22 04:56:12\0>
Вот команда для "нормализования" date+time полей (которые отмечены "306" в моем случае) в примере TIFF:
c:\downloads> tiffset -s 306 "0000:00:00 00:00:00" ex001.tif
В результате поле DateTime теперь изменилось:
c:\pa>tiffdump ex001.tif | findstr DateTime
DateTime (306) ASCII (2) 20<0000:00:00 00:00:00\0>
Теперь цикл через все Ваши TIFF для нормализации всех их полей DateTime:
c:\downloads> for /l %i in (C:\temp\tiffs\*.tif) ^
do tiffset -s 306 "0000:00:00 00:00:00" %i
Третий и Четвертый: Выполните md5sum.exe и отсортируйте список файлов для нахождения дубликатов. Вот командная строка для использования:
c:\downloads> md5sum.exe C:\temp\tiffs\*.tif | sort
В результате необходимо легко видеть, какие файлы/страницы имеют тот же хеш MD5. Это будет выглядеть подобным этому:
c:\> md5sum.exe c:/temp/tiffs/page-0*.tif
[....]
fae9fa136c4f7ecca23b6a34d620fb02 *c:\temp\tiffs\page-000032.tif
fae9fa136c4f7ecca23b6a34d620fb02 *c:\temp\tiffs\page-000033.tif
fb5fef1732148d71bfff841c214cf836 *c:\temp\tiffs\page-000076.tif
fb5fef1732148d71bfff841c214cf836 *c:\temp\tiffs\page-000077.tif
fb86c1bdbc697eef7cb869f4e2e2957b *c:\temp\tiffs\page-000187.tif
fb86c1bdbc697eef7cb869f4e2e2957b *c:\temp\tiffs\page-000188.tif
fbb801ab3ef7ea33619132f97dcab045 *c:\temp\tiffs\page-000443.tif
fbb801ab3ef7ea33619132f97dcab045 *c:\temp\tiffs\page-000444.tif
fbc33cc0ff3e1252de1653ef2e978f94 *c:\temp\tiffs\page-000699.tif
fbc33cc0ff3e1252de1653ef2e978f94 *c:\temp\tiffs\page-000700.tif
fc3fd164e20bb707acddeabbc4e60f7e *c:\temp\tiffs\page-000899.tif
fc3fd164e20bb707acddeabbc4e60f7e *c:\temp\tiffs\page-000900.tif
[....]
Я предоставляю Вам право автоматизировать тот шаг.
Пятый и Шестой: Удалите все дублирующиеся страницы из своего исходного PDF. Предположите, что Вы теперь хотите удалить страницы 33, 77, 188, 444, 700 и 900. Вот pdftk.exe
команда для достижения этого:
c: > pdftk.exe A=12000pages.pdf ^
cat A1-32 A34-76 A78-187 A189-443 A445-699 A701-899 A901-end ^
output nonduplicates.pdf
*Редактирование: не знайте, почему я предложил, чтобы TIFF сначала - более интеллектуальный должен был использовать BMP. *
Если Вы используете -sDEVICE=bmp256
и -sOutputFile=C:\temp\tiffs\page-%06d.bmp
Вы не должны будете иметь дело с шагом 'нормализации', который я обрисовал в общих чертах выше. Остальная часть процедуры (md5sum ...
) то же....
pdftk может разделять/комбинировать/удалять страницы в файлах PDF. Я не знаю функции для нахождения дубликатов.
Вы могли разделить документ на отдельные страницы и затем или использующий просто размер файла или преобразовывающий в простой текст и использующий разность, найти, что смежное соответствие разбивает на страницы удаление их - затем повторно объединяются в единственный документ.