Dividere un PDF usando un testo trappola

A cura di Totò Fiandaca  | issue #259 | guida/e Andrea Borruso

Caso d’uso

Dividere un file PDF generato da un atlante di QGIS usando un testo trappola opportunamente creato.

Il testo è : ANDREA:testo_variabile

dove:

• ANDREA: è una stringa fissa;
• testo_variabile: è appunto un testo variabile (senza spazi o caratteri speciali)
• in output: tutte le pagine del PDF che hanno stesso testo_variabile devono confluire in un unico PDF e quindi ottenere enne PDF multipagina.

Soluzione

#!/bin/bash

set -x
set -e
set -u
set -o pipefail

# if out exists, remove it
if [ ! -f out.txt ]; then
  pdfgrep -n -o "ANDREA:[^ ]*" input.pdf >out.txt
fi

mlr --icsv --ojsonl --implicit-csv-header --ifs ":" label p,trappola,file then nest --ivar " " -f p out.txt >out.jsonl

while read -r line; do
  pagine=$(echo "$line" | jq -r .p)
  file=$(echo "$line" | jq -r .file)

  eval pdftk input.pdf cat $pagine output "$file".pdf
done <out.jsonl

Approfondimenti

1. estrarre un elenco di pagine con quel testo trappola, e poi usare quell’elenco per estrarre le varie parti; A riga di comando è utile pdfgrep. Un comando “tipo” è

pdfgrep -n -o "ANDREA:[^ ]*" input.pdf >out.txt

In output qualcosa come quello di sotto, in cui il numero iniziale è il numero di pagina:

1:ANDREA:Reggio_di_Calabria
2:ANDREA:Reggio_di_Calabria
3:ANDREA:Catania
4:ANDREA:Catania
5:ANDREA:Catania

2. Poi si potrebbe creare un jsonline, che è comodo per i loop per riga. Perché il jsonline è un formato in cui ogni linea è un oggetto json; usando miller:

mlr --icsv --ojsonl --implicit-csv-header --ifs ":" label p,trappola,file then nest --ivar " " -f p out.txt >out.jsonl

Che in output dà:

{"p": "1 2", "trappola": "ANDREA", "file": "Reggio_di_Calabria"}
{"p": "3 4 5", "trappola": "ANDREA", "file": "Catania"}

Ora abbiamo i dati per “stampare” i PDF a partire dalle relative pagine del PDF di input. Un tool è pdftk e il comando per stampare le pagine 1 e 2 (dell’esempio) in nuovo file è:

• pdftk input.pdf cat 1 2 output Reggio_di_Calabria.pdf
• pdftk input.pdf cat 3 4 5 output Catania.pdf

Non resta che inserire tutto in un loop di bash.

NB: per PDF di alta qualità e numero elevato di pagine, lo script può impiegare anche ore.

Riferimenti utili

• Miller (mlr): https://miller.readthedocs.io/
• pdfgrep: https://pdfgrep.org/
• pdftk: https://wiki.ubuntu-it.org/Ufficio/Pdftk
• jq: https://jqlang.github.io/jq/
• QGIS: https://www.qgis.org/it/site/

Chi ha cucinato questa ricetta o ne ha tratto ispirazione

• Blog Pigreconfinito: https://pigrecoinfinito.com/2024/03/25/splittare-un-pdf-usando-un-testo-trappola/