Mesclar pdf e remover páginas em um passo

Question

Eu gostaria de concatenar documentos em pdf sem perder nenhuma informação (resampling de imagem, etc.). Eu só quero fazer compressões sem perdas, consolidar fontes, etc.

Antes de mesclar, gostaria de remover a primeira e a última página de cada documento. Como posso combinar isso com o processo de mesclagem, para que eu não precise executar cada arquivo duas vezes por meio de gs?

Para mesclar, eu uso o comando de this

 gs \
  -o book.pdf \
  -sDEVICE=pdfwrite \
  -dPDFSETTINGS=/prepress \
  -dColorConversionStrategy=/LeaveColorUnchanged \
  -dEncodeColorImages=false \
  -dEncodeGrayImages=false \
  -dEncodeMonoImages=false \
   title.pdf \
   content.pdf

Atualização:

Eu tentei o comando acima (sem remover páginas) em alguns arquivos da vida real, e ele está sendo executado muito lentamente.

gswin32c.exe -dBATCH -dNOPAUSE -o temp.pdf -sDEVICE=pdfwrite -dPDFSETTINGS=/prepress -dColorConve
rsionStrategy=/LeaveColorUnchanged -dEncodeColorImages=false -dEncodeGrayImages=false -dEncodeMonoImages=false [list of pdf files] pdfmark

A execução do comando acima para 20 arquivos de 2MB cria quase 2 GB de arquivos temporários e, em seguida, é executado de forma extremamente lenta com pouca utilização de CPU e muita atividade de HDD. Demora cerca de 20 min, e o arquivo de saída é de 800 MB.

Eu recebo esta mensagem de erro: GPL Ghostscript 9.10: Glifo ausente CID = 0, glifo = 0028 na fonte HiddenHorzOCR. O PDF de saída pode falhar com alguns visualizadores.

Por outro lado, o pdftk é executado em 30s e o arquivo de saída é 40 MB. Adicionar os marcadores com gs leva mais um minuto e torna o arquivo mais lento para 30 MB.

gswin32c.exe -dBATCH -dNOPAUSE -sDEVICE=pdfwrite -sOutputFile=out.pdf pdftk.pdf pdfmark

Existe alguma desvantagem em usar o pdftk? Eu gostaria de preservar as imagens exatamente da mesma qualidade e não perder nenhum detalhe e não tornar os arquivos desnecessariamente grandes. Caso contrário, eu não me importo muito, os pdfs são principalmente artigos científicos escaneados e capítulos de livros. As páginas que eu gostaria de remover são páginas de capa que foram digitalizadas com cada artigo, uma na frente e outra no final.

    

Answer 1

Com relação à sua atualização: pdftk preserva as configurações de qualidade de imagem, mas não metadados, marcadores de capítulo, etc.

sejda é um novo kit de ferramentas de edição de pdf que pode fazer tudo o que o pdftk pode e muito mais. Mais importante ainda, ele preserva todas as configurações de qualidade e a maioria dos metadados do arquivo. O Sejda requer que o Java funcione.

Veja a documentação das ações de mesclagem:

$sejda merge -h

Given a collection of pdf documents, creates a single output pdf document composed by the selected pages of each input document taken in the given order.

Example usage: sejda-console merge -f /tmp/file1.pdf /tmp/file2.pdf -o /tmp/output.pdf -s all:12-14:32,12-14,4,34-:

Usage: sejda-console merge options
  [--addBlanks] : add a blank page after each merged document if the number of pages is odd (optional)
  --bookmarks -b value : bookmarks merge policy. {discard, retain, one_entry_each_doc }. Default is 'retain' (optional)
  [--compressed] : compress output file (optional)
  [--copyFields] : input pdf documents contain forms (high memory usage) (optional)
  [--directory -d value] : directory containing pdf files to merge. Files will be merged in alphabetical order. (optional)
  [--files -f value...] : pdf files to operate on: a list of existing pdf files (EX. -f /tmp/file1.pdf or -f /tmp/password_protected_file2.pdf:secret123) (optional)
  [--filesListConfig -l value] : xml or csv file containing pdf files list to concat. If csv file in comma separated value format; if xml file <filelist><file value="filepath" /></filelist> (optional)
  [--help -h] : prints usage information. Can be used to detail options for a command '-h command' (optional)
  [--matchingRegEx -e value] : regular expression the file names have to match when the directory input is used (Ex -e "test(.*).pdf"). (optional)
  --output -o value : output file (required)
  [--overwrite] : overwrite existing output file (optional)
  --pageSelection -s value : page selection script. You can set a subset of pages to merge as a colon separated list of page selections. Order of the pages is relevant. Accepted values: 'all' or 'num1-num2' or 'num-' or 'num1,num2-num3..' 
    (EX. -f /tmp/file1.pdf /tmp/file2.pdf -s all:all:), (EX. -f /tmp/file1.pdf /tmp/file2.pdf /tmp/file3.pdf -s all:12-14:32,12-14,4,34-:) to merge file1.pdf, pages 12,13,14 of file2.pdf and pages 32,12,13,14,4,34,35.. of file3.pdf. 
    If -s is not set default behaviour is to merge document completely (optional)
  --pdfVersion -v value : pdf version of the output document/s {2, 3, 4, 5, 6 or 7}. Default is 6. (optional)

Digamos que você tenha dois arquivos PDF, file1.pdf e file2.pdf, cada um com 50 páginas, e gostaria de mesclá-los, deixando de fora a primeira e a última página em cada caso. Este comando deve fazer o truque:

sejda-console merge -f file1.pdf file2.pdf -o merge.pdf -s 2-49:2-49:

Observação: você pode ter que substituir sejda-console por sejda-console.bat se estiver no Windows.

Como você pode ver, ainda teria que fornecer manualmente o intervalo de páginas para cada documento. Se você quiser automatizar isso, você pode escrever um script bash ou algo semelhante para calcular primeiro a contagem de páginas em PDF (por exemplo, usando pdfinfo da libpoppler) e então compor a linha de comando sejda de acordo.