README: list all types of images with pdfimages
[pdfstrip.git] / pdfstrip.py
1 #!/usr/bin/env python3
2 #
3 # pdfstrip.py - strip objects from PDF files by specifying objects IDs
4 #
5 # Copyright (C) 2016  Antonio Ospite <ao2@ao2.it>
6 #
7 # This program is free software: you can redistribute it and/or modify
8 # it under the terms of the GNU General Public License as published by
9 # the Free Software Foundation, either version 3 of the License, or
10 # (at your option) any later version.
11 #
12 # This program is distributed in the hope that it will be useful,
13 # but WITHOUT ANY WARRANTY; without even the implied warranty of
14 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
15 # GNU General Public License for more details.
16 #
17 # You should have received a copy of the GNU General Public License
18 # along with this program.  If not, see <http://www.gnu.org/licenses/>.
19
20 import argparse
21 import logging
22 import sys
23
24 from pdfrw import PdfReader, PdfWriter
25 from pdfrw.objects.pdfindirect import PdfIndirect
26
27
28 # pylint: disable=invalid-name
29 logger = logging.getLogger(__name__)
30 console_handler = logging.StreamHandler()
31 formatter = logging.Formatter('[%(levelname)s] %(funcName)s:%(lineno)d %(message)s')
32 console_handler.setFormatter(formatter)
33 logger.addHandler(console_handler)
34 logger.propagate = False
35
36
37 def strip_objects(pdf, objects_ids):
38     for i, page in enumerate(pdf.pages):
39         logger.debug("Page %d", i + 1)
40
41         # Map all the objects in the page using the objects id as the key and
42         # the resource name as the value.
43         name_map = {indirect_obj.indirect[0]: name for name, indirect_obj in page.Resources.XObject.items()}
44         logger.debug("name_map: %s", name_map)
45
46         logger.debug("Before %s", page.Resources.XObject.keys())
47
48         for obj in objects_ids:
49             if obj in name_map:
50                 del page.Resources.XObject[name_map[obj]]
51
52         logger.debug("After  %s\n", page.Resources.XObject.keys())
53
54     return pdf
55
56
57 def validate_objects_ids(objects_ids_string):
58     try:
59         objects_ids = [int(obj) for obj in objects_ids_string.split(',')]
60     except (IndexError, ValueError):
61         raise argparse.ArgumentTypeError("%s contains an invalid value" % objects_ids_string)
62
63     return objects_ids
64
65
66 def main():
67     parser = argparse.ArgumentParser()
68
69     parser.add_argument("input_filename",
70                         help="the input PDF file (better if uncompressed)")
71     parser.add_argument("output_filename",
72                         help="the output PDF file")
73     parser.add_argument("objects_ids",
74                         type=validate_objects_ids,
75                         help="a comma-separated list of objects IDs")
76     parser.add_argument("-d", "--debug", action="store_true",
77                         help="enable debug output")
78     args = parser.parse_args()
79
80     if args.debug:
81         logger.setLevel(logging.DEBUG)
82
83     pdf_data = PdfReader(args.input_filename)
84
85     pdf_data = strip_objects(pdf_data, args.objects_ids)
86
87     PdfWriter().write(args.output_filename, pdf_data)
88
89     return 0
90
91
92 if __name__ == '__main__':
93     sys.exit(main())