pdf-cut-white

Please redo pip3 install -r requirements.txt since dependencies changed (see changelog ).

这个文档已经够短了，请务必读一遍先。

Motivation

While latex, it takes time to cut the useless white part of pdf, then, here comes a tool for it.

在使用 Latex 书写论文时（或者其他时刻），花费了不少的时间处理 PDF 图表——裁剪不必要的图表白边。 所幸就写个工具自动完成吧——自动化且精准。

Feature

Automatic cut the useless white part of pdf. This pdf must be a single page of table or figure.

工具可以对生成的 PDF 图表进行自动裁剪，减少人工操作和其他软件依赖（如Acrobat）。 其自动的工作流程为：

• 读取原始 PDF 文件
• 识别 PDF 中的白边（基于 pdf item 分析）
• 裁剪白边（本质上是通过缩减 media box 实现）
• 输入无白边 PDF 文件

Usage

Prepare env

• install python3 (python 3.6 or above)
• install dependency pip3 install -r requirements.txt, or pip3 install -r requirements.txt --user

Recommend to use CLI (command line tool):

• cut single pdf: python cli.py -i in.pdf -o out.pdf
• cut all pdf just bellow dir: python cli.py -id infolder -od outfolder

MENTION: sometimes add --ignore 1 if output is not the wanted.

If you REALLY wanna use GUI:

• install PySide6, the official Qt for Python : ), pip install PySide6==6.3.2
• if success, run python gui.py

推荐使用命令行版本（命令如上），至少需要安装python3.6。 若希望使用 GUI 版本，请确保能够成功安装 PySide6（命令如上）：

• 启用工具，选择输入文件夹和输出文件夹（必须使用不同的文件夹防止源文件覆盖）
• 扫描 pdf 文件（GUI 支持在列表中二次选择 PDF）（注意：仅会扫描一级目录，而不会扫描子目录）
• 确认无误后，点击完成 PDF 裁剪（仅选中的文件），并输出到输出文件夹下

注意：部分 pdf 输出会在最外围加上 RT 元素，导致无法裁剪，这时候可以添加--ignore 1参数，再做尝试。 请优先不带ignore尝试，有问题再带参数，人工检查一遍即可，这种情况也相对有有限（取决于绘图工具）。

注意：发现任何问题，请参看issue，若仍无法解决，请提新issue（请--verbose执行附带 log）（若可以，请提交对应的 case.pdf）。

Test

pytest -s tests/test.py

Misc

Limitation

Known limitation:

• Only scan one level folder
• Some pdf with edit may cause failure (TODO: it is it is NotImplemented logic)
• Support single page pdf, but may not support well for multiple pages (try it first)
• Some cases with too many white part may cause failure (TODO: it is NotImplemented logic)
  • see pdf_white_cut/analyzer.py::extract_bbox

已知部分限制：

• 只扫描一级目录，不支持递归。
  • 可以有效防止错误操作而产生大量的文件 IO。
  • 工具已实现自动化，以一级目录为单位也足够使用。
  • 同理，禁止对同目录/同文件进行操作。
• 对于原始 PDF 文件可以妥善完成裁剪，但如果是其他工具编辑（特别是裁剪）过的 PDF，再次裁剪则可能输出错误。
  • 因为该工具通过修正 PDF 中的 media box 实现裁剪，可能与其他工具不兼容。
• 偶尔会出现裁剪过度精细的情况，待修正。
  • 本质上，白边就是无内容的部分，因此工具会统计所有有含义的部分（如 textbox，image 等），并计算最大的有效坐标范围，这一范围以外的部分即视为白边。
• 有部分元素未处理
  • 可以参看pdf_white_cut/analyzer.py::extract_bbox，部分元素使用了原始的 bbox，可能导致结果保留的内容（白边）过多，对此请 issue 反馈，并附带用例和 log。

Changelog

• (dependency) bump to PySide6 for GUI with QT.
• (dependency) use pdfminer.six (a community fork) (since pdfminer is not actively maintained).
• (bugfix) missing LTFigure analysis.
• (bugfix) path process error in batch_cut_pdf.
• (bugfix) missing LTTextBox or LTTextLine analysis.
• (feature) GUI base on PySide2 (the official).
• (bugfix) failed for pdf which has been edited before - not fix the pos for the edited (pdfminer use relative pos).
• (feature) CLI using argparse.

Dependency

• PyPDF2: edit the pdf box
• pdfminer & pdfminer3: scan elements
• pdfminer.six: scan pdf elements
• PySide2: optional for GUI only
• PySide6: optional for GUI only