Remove cabeçalho e rodapé de PDFs

Uma ferramenta para remover cabeçalhos e rodapés de arquivos PDF e otimizar o tamanho dos arquivos resultantes. Utiliza a biblioteca PyMuPDF (fitz) para manipulação de PDFs e o algoritmo HDBSCAN para identificar clusters de coordenadas de blocos de texto que são usados para estimar as áreas dos cabeçalhos e rodapés.

Passos para execução

Primeiramente clone o repositório para o seu computador, depois siga os passos.

Windows

• Criar ambiente virtual
• python -m venv .\venv
• Ativar
• .\venv\Scripts\activate
• Instalar requisitos
• pip install -r .\requirements.txt
• Colocar os PDFs na pasta PDF_IN
• Ou alterar as variáveis path_in e path_out em main.py
• executar o programa python -m main

Linux

• Criar ambiente virtual
• python3 -m venv ./venv
• Ativar:
• ./venv/bin/activate
• Instalar requisitos
• pip install -r ./requirements.txt
• Colocar os PDFs na pasta PDF_IN
• Ou alterar as variáveis path_in e path_out em main.py
• executar o programa python3 -m main

Detalhes de Implementação

• Caso tenha problemas com a precisão ajustar a variável hff linha 33 no arquivo pdf_remove_header_footer.py
• Voçê pode instalar as biblioteca manualmente pip install pymupdf numpy pandas scikit-learn
• Qualidade das Imagens: As imagens re-inseridas são compactadas com uma qualidade definida de 75 page.insert_image(rect, stream=img['image'], keep_proportion=True, quality=75). Isso pode ser ajustado linha 73.