pdf: refatorar compressPDF

Signed-off-by: Rodrigo Bertoldo de Sousa Martins <rodrigo.sousa.577@gmail.com>

src/components/pdf/PDFManipulationPage.tsx

@@ -47,7 +47,7 @@ export const PDFManipulationPage: React.FC = () => {
   const [history, setHistory] = useState<any[]>([]);
 
   // Configurações para cada operação
-  const [compressQuality, setCompressQuality] = useState(50);
+  const [compressQuality, setCompressQuality] = useState(85);
   const [enableOCR, setEnableOCR] = useState(false);
   const [splitType, setSplitType] = useState<'pages' | 'range' | 'chunks'>('pages');
   const [splitPages, setSplitPages] = useState<string>('1,2,3');
@@ -460,14 +460,14 @@ export const PDFManipulationPage: React.FC = () => {
                     </label>
                     <input
                       type="range"
-                      min="30"
+                      min="50"
                       max="100"
                       value={compressQuality}
                       onChange={(e) => setCompressQuality(parseInt(e.target.value))}
                       className="w-full"
                     />
                     <p className="text-xs text-gray-500 mt-1">
-                      30-50%: Máxima compressão (&gt;60% redução) | 70-100%: Alta qualidade
+                      50-70%: Máxima compressão | 80-90%: Equilíbrio ideal | 90-100%: Alta fidelidade
                     </p>
                   </div>
                   
@@ -484,7 +484,7 @@ export const PDFManipulationPage: React.FC = () => {
                     </label>
                   </div>
                   <p className="text-xs text-gray-500">
-                    ⚠️ OCR aumenta o tempo de processamento significativamente
+                    OCR torna o PDF pesquisável. É instantâneo para PDFs digitais.
                   </p>
                 </div>
               )}

src/server/controllers/pdfController.ts

@@ -70,7 +70,7 @@ export class PDFController {
         return;
       }
 
-      const quality = req.body.quality ? parseInt(req.body.quality) : 50; // Padrão 50 para mais compressão
+      const quality = req.body.quality ? parseInt(req.body.quality) : 85; // Padrão 85 para boa qualidade com compressão agressiva
       const maxSizeMB = req.body.maxSizeMB ? parseInt(req.body.maxSizeMB) : undefined;
       const enableOCR = req.body.enableOCR === 'true' || req.body.enableOCR === true;
 
@@ -100,25 +100,12 @@ export class PDFController {
         arquivosOriginais.push(file.path);
         tamanhoOriginal += BigInt(file.size);
 
-        let processedPath = file.path;
-
-        // Adiciona OCR se solicitado
-        if (enableOCR) {
-          try {
-            const ocrResult = await PDFService.addOCRLayerToPDF(file.path);
-            processedPath = ocrResult.outputPath;
-            // Remove arquivo temporário anterior
-            if (processedPath !== file.path) {
-              await fs.unlink(file.path).catch(() => {});
-            }
-          } catch (ocrError) {
-            console.warn('Erro ao adicionar OCR, continuando sem OCR:', ocrError);
-          }
-        }
-
-        const result = await PDFService.compressPDF(processedPath, undefined, {
+        // Comprime com OCR integrado (evita dupla conversão de imagens)
+        const result = await PDFService.compressPDF(file.path, undefined, {
           quality,
           maxSizeMB,
+          enableOCR,
+          ocrLanguage: 'por',
         });
 
         arquivosResultado.push(result.outputPath);
@@ -132,10 +119,6 @@ export class PDFController {
           outputPath: result.outputPath,
         });
 
-        // Remove o arquivo intermediário
-        if (processedPath !== file.path && processedPath !== result.outputPath) {
-          await fs.unlink(processedPath).catch(() => {});
-        }
         // Remove o arquivo original
         await fs.unlink(file.path).catch(() => {});
       }

src/services/pdfService.ts

@@ -15,8 +15,10 @@ import { createWriteStream } from 'fs';
  */
 
 interface CompressOptions {
-  quality?: number; // 0-100, padrão 95 para qualidade alta
+  quality?: number; // 0-100, padrão 85 para boa qualidade com compressão agressiva
   maxSizeMB?: number;
+  enableOCR?: boolean; // Integra OCR durante a compressão (evita dupla conversão)
+  ocrLanguage?: string; // Idioma do OCR, padrão 'por'
 }
 
 interface SplitOptions {
@@ -184,50 +186,199 @@ export class PDFService {
   }
 
   /**
-   * Comprime um PDF de forma agressiva para redução >60%
-   * Usa abordagem simplificada e eficiente
+   * Comprime um PDF de forma agressiva via conversão para imagens JPEG comprimidas.
+   * Abordagem: PDF → Imagens (pdf2pic) → JPEG comprimido (sharp+mozjpeg) → Novo PDF
+   * Suporta OCR integrado para evitar dupla conversão de imagens.
    */
   static async compressPDF(
     inputPath: string,
     outputPath?: string,
     options: CompressOptions = {}
   ): Promise<{ outputPath: string; originalSize: number; compressedSize: number; reduction: number }> {
+    const tempFiles: string[] = []; // Rastreia arquivos temporários para limpeza
+
     try {
       await this.initialize();
+      const startTime = Date.now();
 
-      const { quality = 50 } = options;
+      const {
+        quality = 85,
+        enableOCR = false,
+        ocrLanguage = 'por',
+      } = options;
 
       // Lê o PDF original
       const pdfBytes = await fs.readFile(inputPath);
       const originalSize = pdfBytes.length;
 
-      // Carrega o PDF
       const pdfDoc = await PDFDocument.load(pdfBytes, {
-        updateMetadata: false,
         ignoreEncryption: true,
       });
+      const totalPages = pdfDoc.getPageCount();
 
-      // Remove TODOS os metadados
-      pdfDoc.setTitle('');
-      pdfDoc.setAuthor('');
-      pdfDoc.setSubject('');
-      pdfDoc.setKeywords([]);
-      pdfDoc.setProducer('');
-      pdfDoc.setCreator('');
+      console.log(`[Compress] Iniciando compressão de ${totalPages} páginas (quality=${quality}, OCR=${enableOCR})`);
 
-      // Para compressão agressiva, reconstrói o PDF do zero
+      // ========== FASE 1: Extrair texto via pdf-parse (instantâneo) se OCR habilitado ==========
+      let pageTexts: string[] = [];
+      let hasEmbeddedText = false;
+
+      if (enableOCR) {
+        try {
+          const pdfData = await pdfParse(pdfBytes);
+          const fullText = pdfData.text || '';
+          hasEmbeddedText = fullText.trim().length > (totalPages * 30);
+
+          if (hasEmbeddedText) {
+            const textParts = fullText.split(/\f/);
+            if (textParts.length >= totalPages) {
+              pageTexts = textParts.slice(0, totalPages);
+            } else {
+              const lines = fullText.split('\n');
+              const linesPerPage = Math.ceil(lines.length / totalPages);
+              for (let i = 0; i < totalPages; i++) {
+                const start = i * linesPerPage;
+                pageTexts.push(lines.slice(start, start + linesPerPage).join('\n'));
+              }
+            }
+            console.log(`[Compress] ✅ Texto embarcado extraído via pdf-parse`);
+          }
+        } catch (parseError) {
+          console.warn(`[Compress] pdf-parse falhou:`, parseError);
+        }
+      }
+
+      // ========== FASE 2: Converter páginas em imagens e comprimir ==========
+      // DPI baseado na qualidade solicitada
+      const density = quality >= 90 ? 250 : quality >= 70 ? 200 : 150;
+
+      const converter = fromPath(inputPath, {
+        density,
+        saveFilename: `compress-${uuidv4()}`,
+        savePath: this.TEMP_DIR,
+        format: 'png',
+        width: Math.round(2480 * density / 300),
+        height: Math.round(3508 * density / 300),
+      });
+
+      const compressedImagePaths: string[] = [];
+
+      // Precisa Tesseract para OCR? (apenas se OCR habilitado e sem texto embarcado)
+      const needsTesseractOCR = enableOCR && !hasEmbeddedText;
+      let tesseractWorker: Worker | null = null;
+      if (needsTesseractOCR) {
+        tesseractWorker = await this.getWorker(ocrLanguage);
+        console.log(`[Compress] ⚠️ PDF escaneado, usando Tesseract para OCR durante compressão`);
+      }
+
+      for (let pageNum = 1; pageNum <= totalPages; pageNum++) {
+        try {
+          const result = await converter(pageNum, { responseType: 'image' });
+
+          if (!result || typeof result !== 'object' || !('path' in result)) {
+            console.error(`[Compress] Falha ao converter página ${pageNum}`);
+            continue;
+          }
+
+          const rawImagePath = result.path as string;
+          tempFiles.push(rawImagePath);
+
+          // Se precisa Tesseract OCR, faz antes de comprimir a imagem
+          if (needsTesseractOCR && tesseractWorker) {
+            try {
+              // Otimiza para OCR: grayscale + normalização
+              const ocrImagePath = path.join(this.TEMP_DIR, `ocr-tmp-${pageNum}-${uuidv4()}.png`);
+              await sharp(rawImagePath)
+                .grayscale()
+                .normalize()
+                .png({ compressionLevel: 1 })
+                .toFile(ocrImagePath);
+              tempFiles.push(ocrImagePath);
+
+              const { data } = await tesseractWorker.recognize(ocrImagePath);
+              pageTexts[pageNum - 1] = data.text;
+
+              await fs.unlink(ocrImagePath).catch(() => {});
+            } catch (ocrError) {
+              console.error(`[Compress] Erro OCR página ${pageNum}:`, ocrError);
+              pageTexts[pageNum - 1] = '';
+            }
+          }
+
+          // Comprimir imagem como JPEG progressivo com mozjpeg
+          const jpegPath = path.join(this.TEMP_DIR, `compress-page-${pageNum}-${uuidv4()}.jpg`);
+          tempFiles.push(jpegPath);
+
+          await sharp(rawImagePath)
+            .jpeg({
+              quality,
+              progressive: true,
+              mozjpeg: true, // Mozjpeg para compressão otimizada
+              chromaSubsampling: quality >= 90 ? '4:4:4' : '4:2:0', // Menos subsampling em alta qualidade
+            })
+            .toFile(jpegPath);
+
+          compressedImagePaths.push(jpegPath);
+
+          // Remove imagem PNG bruta
+          await fs.unlink(rawImagePath).catch(() => {});
+
+          console.log(`[Compress] Página ${pageNum}/${totalPages} convertida e comprimida`);
+        } catch (pageError) {
+          console.error(`[Compress] Erro ao processar página ${pageNum}:`, pageError);
+        }
+      }
+
+      if (compressedImagePaths.length === 0) {
+        throw new Error('Nenhuma página foi convertida com sucesso');
+      }
+
+      // ========== FASE 3: Montar novo PDF a partir das imagens comprimidas ==========
       const newDoc = await PDFDocument.create();
-      const pageCount = pdfDoc.getPageCount();
 
-      // Copia cada página
-      const copiedPages = await newDoc.copyPages(pdfDoc, Array.from({ length: pageCount }, (_, i) => i));
-      copiedPages.forEach((page: any) => newDoc.addPage(page));
+      for (let i = 0; i < compressedImagePaths.length; i++) {
+        const imgBytes = await fs.readFile(compressedImagePaths[i]);
+        const image = await newDoc.embedJpg(imgBytes);
 
-      // Salva com máxima compressão
+        // Usa as dimensões originais da página do PDF
+        const origPage = pdfDoc.getPage(i);
+        const { width: pageWidth, height: pageHeight } = origPage.getSize();
+
+        const page = newDoc.addPage([pageWidth, pageHeight]);
+        page.drawImage(image, {
+          x: 0,
+          y: 0,
+          width: pageWidth,
+          height: pageHeight,
+        });
+
+        // Adiciona camada de texto OCR (invisível) se disponível
+        const text = pageTexts[i] || '';
+        if (text.trim()) {
+          const lines = text.split('\n');
+          let yPosition = pageHeight - 20;
+
+          lines.forEach((line: string) => {
+            if (line.trim() && yPosition > 10) {
+              page.drawText(line, {
+                x: 10,
+                y: yPosition,
+                size: 8,
+                color: rgb(0, 0, 0),
+                opacity: 0.01, // Invisível mas selecionável/buscável
+              });
+              yPosition -= 12;
+            }
+          });
+        }
+
+        // Limpa imagem temporária
+        await fs.unlink(compressedImagePaths[i]).catch(() => {});
+      }
+
+      // Salva com compressão de streams
       const compressedBytes = await newDoc.save({
-        useObjectStreams: true, // Compressão de streams
+        useObjectStreams: true,
         addDefaultPage: false,
-        objectsPerTick: 50,
       });
 
       // Define o caminho de saída
@@ -236,11 +387,13 @@ export class PDFService {
         `compressed-${uuidv4()}.pdf`
       );
 
-      // Salva o arquivo
       await fs.writeFile(finalOutputPath, compressedBytes);
 
       const compressedSize = compressedBytes.length;
       const reduction = ((originalSize - compressedSize) / originalSize) * 100;
+      const elapsed = Date.now() - startTime;
+
+      console.log(`[Compress] ✅ Concluído em ${elapsed}ms: ${totalPages} páginas, ${(originalSize / 1024 / 1024).toFixed(1)}MB → ${(compressedSize / 1024 / 1024).toFixed(1)}MB (${reduction.toFixed(1)}% redução)`);
 
       return {
         outputPath: finalOutputPath,
@@ -251,6 +404,11 @@ export class PDFService {
     } catch (error) {
       console.error('Erro ao comprimir PDF:', error);
       throw new Error(`Falha ao comprimir PDF: ${error instanceof Error ? error.message : 'Erro desconhecido'}`);
+    } finally {
+      // Limpeza de qualquer arquivo temporário restante
+      for (const tmpFile of tempFiles) {
+        await fs.access(tmpFile).then(() => fs.unlink(tmpFile)).catch(() => {});
+      }
     }
   }