Dividir um único arquivo PDF grande em n arquivos PDF com base no conteúdo e renomear cada arquivo dividido (no Bash)

Question

Estou trabalhando em um método de divisão de um único arquivo PDF grande (que representa as liquidações mensais de um cartão de crédito). Ele é construído para impressão, mas gostaríamos de dividir esse arquivo em arquivos únicos, para uso posterior. Cada assentamento tem um comprimento variável: 2 páginas, 3 páginas, 4 páginas ... Então, precisamos "ler" cada página, encontrar a "Página 1 de X" e dividir o pedaço até a próxima página de X " aparece. Além disso, cada arquivo dividido resultante deve ter um ID único (contido também na página "Página 1 de X").

Enquanto eu estava R & D -ing, encontrei uma ferramenta chamada "PDF Content Split SA" que fazia a tarefa exata que precisávamos. Mas tenho certeza que há uma maneira de fazer isso no Linux (estamos nos movendo em direção ao OpenSource + Libre).

Obrigado pela leitura. Qualquer ajuda será extremamente útil.

EDITAR

Até agora, encontrei este script do Nautilus que pode fazer exatamente o que precisamos, mas não consigo fazê-lo funcionar.

#!/bin/bash
# NAUTILUS SCRIPT
# automatically splits pdf file to multiple pages based on search criteria while renaming the output files using the search criteria and some of the pdf text.

# read files
IFS=$'\n' read -d '' -r -a filelist < <(printf '%s\n' "$NAUTILUS_SCRIPT_SELECTED_FILE_PATHS"); unset $IFS

# process files
for file in "${filelist[@]}"; do
 pagecount='pdfinfo $file | grep "Pages" | awk '{ print $2 }''
 # MY SEARCH CRITERIA is a 10 digit long ID number that begins with number 8: 
 storedid='pdftotext -f 1 -l 1 $file - | egrep '8?[0-9]{9}''
 pattern=''
 pagetitle=''
 datestamp=''

 for (( pageindex=1; pageindex<=$pagecount; pageindex+=1 )); do

  header='pdftotext -f $pageindex -l $pageindex $file - | head -n 1'
  pageid='pdftotext -f $pageindex -l $pageindex $file - | egrep '8?[0-9]{9}''
  let "datestamp ='date +%s%N'" # to avoid overwriting with same new name

  # match ID found on the page to the stored ID
  if [[ $pageid == $storedid ]]; then
   pattern+="$pageindex " # adds number as text to variable separated by spaces
   pagetitle+="$header+"

   if [[ $pageindex == $pagecount ]]; then #process last output of the file 
    pdftk $file cat $pattern output "$storedid $pagetitle $datestamp.pdf"
    storedid=0
    pattern=''
    pagetitle=''
   fi
  else 
   #process previous set of pages to output
   pdftk $file cat $pattern output "$storedid $pagetitle $datestamp.pdf"
   storedid=$pageid
   pattern="$pageindex "
   pagetitle="$header+"
  fi
 done
done

Eu editei os Critérios de Pesquisa, e o Script está bem posicionado na pasta do Nautilus Script, mas não funciona. Eu tentei depurar usando o log de atividades do console e adicionando marcas no código; aparentemente, há um conflito com o valor resultante do pdfinfo, mas não tenho ideia de como resolvê-lo.

    

Answer 1

Eu fiz isso. Pelo menos, funcionou. Mas agora eu gostaria de otimizar o processo. Leva até 40 minutos para processar 1000 itens em um único pdf em massa.

#!/bin/bash
# NAUTILUS SCRIPT
# automatically splits pdf file to multiple pages based on search criteria while renaming the output files using the search criteria and some of the pdf text.



# read files
IFS=$'\n' read -d '' -r -a filelist < <(printf '%s\n' "$NAUTILUS_SCRIPT_SELECTED_FILE_PATHS"); unset $IFS



# process files
for file in "${filelist[@]}"; do
 pagecount=$(pdfinfo $file | grep "Pages" | awk '{ print $2 }')
 # MY SEARCH CRITERIA is a 10 digit long ID number that begins with number 8: 
#storedid='pdftotext -f 1 -l 1 $file - | egrep '8?[0-9]{9}''
 storedid=$(pdftotext -f 1 -l 1 $file - | egrep 'RESUMEN DE CUENTA Nº ?[0-9]{8}')
 pattern=''
 pagetitle=''
 datestamp=''

 #for (( pageindex=1; pageindex <= $pagecount; pageindex+=1 )); do
 for (( pageindex=1; pageindex <= $pagecount+1; pageindex+=1 )); do

  header=$(pdftotext -f $pageindex -l $pageindex $file - | head -n 1)


  pageid=$(pdftotext -f $pageindex -l $pageindex $file - | egrep 'RESUMEN DE CUENTA Nº ?[0-9]{8}')


  echo $pageid
  let "datestamp = $(date +%s%N)" # to avoid overwriting with same new name

  # match ID found on the page to the stored ID
  if [[ $pageid == $storedid ]]; then
   pattern+="$pageindex " # adds number as text to variable separated by spaces
   pagetitle+="$header+"


   if [[ $pageindex == $pagecount ]]; then #process last output of the file 
#   pdftk $file cat $pattern output "$storedid $pagetitle $datestamp.pdf"
    pdftk $file cat $pattern output "$storedid.pdf"
    storedid=0
    pattern=''
    pagetitle=''

   fi
  else 
   #process previous set of pages to output
#  pdftk $file cat $pattern output "$storedid $pagetitle $datestamp.pdf"
   pdftk $file cat $pattern output "$storedid.pdf"
   storedid=$pageid
   pattern="$pageindex "
   pagetitle="$header+"

  fi
 done
done

    

Answer 2

Algum python rápido é uma opção? O pacote PyPDF2 permite que você faça exatamente o que você está pedindo.