PDF 轻量化提取压缩工具

import osimport tkinter as tkfrom tkinter import filedialogimport fitzfrom reportlab.pdfgen import canvasfrom reportlab.pdfbase import pdfmetricsfrom reportlab.pdfbase.ttfonts import TTFontfrom reportlab.lib.colors import black, whitefrom PyPDF2 import PdfWriterimport ioimport refrom collections import Counterclass PDFCompressor:    def __init__(self):        self.fonts = {}        font_configs = [            ("C:/Windows/Fonts/simsun.ttc", "SimSun"),            ("C:/Windows/Fonts/simhei.ttf", "SimHei"),            ("C:/Windows/Fonts/msyh.ttc", "YaHei"),            ("C:/Windows/Fonts/simkai.ttf", "KaiTi"),            ("C:/Windows/Fonts/simfang.ttf", "FangSong"),        ]        for font_path, font_name in font_configs:            if os.path.exists(font_path):                try:                    pdfmetrics.registerFont(TTFont(font_name, font_path))                    self.fonts[font_name] = True                except:                    pass        if not self.fonts:            raise Exception("未找到可用中文字体")    def select_file(self):        root = tk.Tk()        root.withdraw()        root.attributes('-topmost', True)        path = filedialog.askopenfilename(title="选择PDF文件", filetypes=[("PDF", "*.pdf")])        root.destroy()        return path    def map_font(self, pdf_font_name):        base_name = pdf_font_name.split('+')[-1] if '+' in pdf_font_name else pdf_font_name        base_name = base_name.split('-')[0]        font_map = {            'SimSun': 'SimSun', 'SimHei': 'SimHei',            'KaiTi': 'KaiTi', 'FangSong': 'FangSong',            'MicrosoftYaHei': 'YaHei', 'MSYaHei': 'YaHei',        }        return font_map.get(base_name, 'SimSun')    def is_page_number(self, text, y_pos, page_height, is_footer_zone):        """判断文本是否为页码"""        text = text.strip()        if re.match(r'^~?\s*\d+\s*~?$', text):            return True        if re.match(r'^[IVX]+\.?$', text):            return True        if re.match(r'^第\s*\d+\s*页$', text):            return True        if re.match(r'^\d+\s*/\s*\d+$', text):            return True        return False    def extract_text(self, pdf_path):        pdf = fitz.open(pdf_path)        all_pages = []        all_y_positions = []        for page_num in range(pdf.page_count):            page = pdf[page_num]            page_rect = page.rect            text_dict = page.get_text("dict")            text_blocks = []            for block in text_dict["blocks"]:                if block["type"] == 0:                    for line in block["lines"]:                        line_text = ""                        line_fonts = []                        line_sizes = []                        line_bbox = None                        for span in line["spans"]:                            line_text += span["text"]                            line_fonts.append(span["font"])                            line_sizes.append(span["size"])                            if line_bbox is None:                                line_bbox = list(span["bbox"])                            else:                                line_bbox[0] = min(line_bbox[0], span["bbox"][0])                                line_bbox[1] = min(line_bbox[1], span["bbox"][1])                                line_bbox[2] = max(line_bbox[2], span["bbox"][2])                                line_bbox[3] = max(line_bbox[3], span["bbox"][3])                        if line_text.strip():                            font_counter = Counter(line_fonts)                            size_counter = Counter(line_sizes)                            y_pos = line_bbox[1]                            all_y_positions.append(y_pos)                            text_blocks.append({                                'text': line_text,                                'x': line_bbox[0],                                'y': y_pos,                                'font': self.map_font(font_counter.most_common(1)[0][0]),                                'size': size_counter.most_common(1)[0][0],                                'page_height': page_rect.height,                            })            text_blocks.sort(key=lambda b: (b['y'], b['x']))            all_pages.append({                'blocks': text_blocks,                'width': page_rect.width,                'height': page_rect.height,            })            print(f"第 {page_num + 1}/{pdf.page_count} 页 - {len(text_blocks)} 个文本块")        pdf.close()        header_threshold, footer_threshold = self.detect_header_footer(all_y_positions)        for page_data in all_pages:            page_height = page_data['height']            filtered_blocks = []            for block in page_data['blocks']:                y = block['y']                if y <= header_threshold:                    continue                if y >= (page_height - footer_threshold):                    if self.is_page_number(block['text'], y, page_height, True):                        continue                    continue                if self.is_page_number(block['text'], y, page_height, False):                    if '~' in block['text']:                        filtered_blocks.append(block)                    continue                filtered_blocks.append(block)            page_data['blocks'] = filtered_blocks        return all_pages    def detect_header_footer(self, y_positions):        """检测页眉页脚区域"""        if not y_positions:            return 0, 0        page_height = max(y_positions)        header_zone = [y for y in y_positions if y < page_height * 0.15]        header_threshold = 0        if header_zone:            header_counter = Counter([round(y, -1) for y in header_zone])            header_y = header_counter.most_common(1)[0][0]            header_threshold = header_y + 20        footer_zone = [y for y in y_positions if y > page_height * 0.85]        footer_threshold = 0        if footer_zone:            footer_counter = Counter([round(y, -1) for y in footer_zone])            footer_y = footer_counter.most_common(1)[0][0]            footer_threshold = page_height - footer_y + 20        print(f"页眉阈值: {header_threshold:.0f}, 页脚阈值: {footer_threshold:.0f}")        return header_threshold, footer_threshold    def compress(self, pages_data, output_path):        temp_files = []        for page_idx, page_data in enumerate(pages_data):            buffer = io.BytesIO()            c = canvas.Canvas(buffer, pagesize=(page_data['width'], page_data['height']))            # 启用压缩            c.setPageCompression(1)            c.setFillColor(white)            c.rect(0, 0, page_data['width'], page_data['height'], fill=1)            c.setFillColor(black)            # 合并相同字体的连续文本，减少canvas操作            current_font = None            current_size = None            for block in page_data['blocks']:                font_name = block['font'] if block['font'] in self.fonts else 'SimSun'                font_size = block['size']                # 只在字体或大小改变时设置                if font_name != current_font or font_size != current_size:                    c.setFont(font_name, font_size)                    current_font = font_name                    current_size = font_size                x = block['x']                y = page_data['height'] - block['y'] - block['size']                c.drawString(x, y, block['text'])            c.save()            buffer.seek(0)            temp_path = f"_temp_{page_idx}.pdf"            with open(temp_path, 'wb') as f:                f.write(buffer.getvalue())            temp_files.append(temp_path)        # 使用PdfWriter合并并压缩        merger = PdfWriter()        for temp in temp_files:            merger.append(temp)        with open(output_path, 'wb') as f:            merger.write(f)        merger.close()        for temp in temp_files:            os.remove(temp)    def run(self):        pdf_path = self.select_file()        if not pdf_path:            return        original_size = os.path.getsize(pdf_path) / (1024 * 1024)        print(f"处理: {os.path.basename(pdf_path)} ({original_size:.1f}MB)")        pages_data = self.extract_text(pdf_path)        output_path = os.path.splitext(pdf_path)[0] + "-压缩.pdf"        self.compress(pages_data, output_path)        new_size = os.path.getsize(output_path) / (1024 * 1024)        print(f"完成! {os.path.basename(output_path)} ({new_size:.2f}MB, 压缩 {(1-new_size/original_size)*100:.0f}%)")if __name__ == "__main__":    PDFCompressor().run()