Utilidades PDF

Use scripts/pdf_ops.py para operações delimitadas em PDF. Os comandos são inspect, extract, split, merge, reorder e render.

Antes de alterar um arquivo, confirme a lista e a ordem de páginas. reorder exige uma permutação completa 1-based, como --pages 3,1,2; não aceita uma ordem parcial ambígua. split grava page-001.pdf, page-002.pdf e assim por diante. merge usa a ordem fornecida em --inputs.

Exemplos:

python scripts/pdf_ops.py inspect --input entrada.pdf

python scripts/pdf_ops.py extract --input entrada.pdf --output texto.txt

python scripts/pdf_ops.py reorder --input entrada.pdf --output reordenado.pdf --pages 2,1

python scripts/pdf_ops.py render --input reordenado.pdf --output-dir render

O JSON emitido inclui contagem de páginas, classificação textual e caminhos de saída. inspect e extract distinguem PDFs com texto extraível de PDFs provavelmente escaneados ou vazios. Para OCR, use o helper específico abaixo. render usa Poppler pdftoppm, detectando PDFTOPPM, PATH ou o binário bundled conhecido.

Dependências: Python 3 com pypdf; pdftoppm do Poppler apenas para renderização. O script recusa substituir o arquivo de entrada, inclusive por hardlink, e os resultados devem ser reabertos e renderizados quando a aparência importar. pypdf não recalcula nem interpreta conteúdo gráfico.

OCR local

Para documentos escaneados, execute python3 scripts/ocr_local.py --input entrada.pdf --pages 1-3 --lang por --output-dir ocr-novo. Para uma imagem, omita --pages. O helper usa Tesseract, sem depender de visão do 9B ou de pypdf; para PDF também precisa de pdfinfo e pdftoppm. O modelo de idioma português acompanha o pacote, com origem e licença em assets/tessdata/; outros idiomas podem vir do sistema ou de --tessdata-dir.

Consulte references/ocr.md para idiomas, limites, saídas e códigos de retorno. TXT e TSV são gerados por página, com contagem de palavras e marcação de páginas vazias. Confira amostras contra o original: confiança do motor não equivale a exatidão, e OCR não preserva necessariamente tabelas ou diagramação. A saída fica em pasta nova; uma execução parcial nunca é declarada completa.