Comprimindo PDFs com R

Como usar o poder do Linux combinado com o R para comprimir PDFs

Como comprimir seus PDFs usando o R

Esta é uma das primeiras postagens do blog então considero que a economia de espaço é a primeira etapa para ter um sistema limpo e eficiente.

Aviso antecipadamente que tudo neste blog é escrito e direcionado para sistemas UNIX Like. Portanto se você ainda sofre com o Windows então é uma boa hora para reavaliar seus conceitos.

Na minha máquina (MadMax) reduzi de 6.5GB para 5.4GB.

Listando os documentos de sua máquina

Criaremos dois espelhos para depois da conversão comparar os arquivos que são mais eficientes. Considere por exemplo que desejamos comprimir somente uma biblioteca virtual dentro da pasta Livros. Então,

• Crie duas cópias idênticas da pasta Livros para Livros1 e Livros2;
• Entre na pasta Livros1;
• Use o comando find.

O procedimento consiste em usar o comando find diretamente no terminal e criar um arquivo com todos os endereços dos PDFs. É necessário usar modo sudo para listar os arquivos.

No terminal execute:

cd Livros1
sudo find -iname '*.pdf' > '~/lista1.txt'

Lista pronta. Hora de ir para o R.

Criaremos o objeto lista que recebe os endereços e após importação montamos um data frame que informa o tamanho de cada arquivo.

# criando o data frame
lista = readLines("lista1.txt")
lista = gsub("./", "/", lista, fixed = T)
lista = paste0("~/Livros1", lista)
lista = cbind.data.frame(lista, file.size(lista))
names(lista) = c("end", "tam_ori")
lista$end = as.character(lista$end)
lista$tam_ori = as.numeric(lista$tam_ori)

# verificando o espaco ocupado dos arquivos sem conversao
tam_ori = sum(lista$tam_ori)

Hora de compactar

O comando ps2pdf converterá os arquivos em um formato otimizado. Pode ser que o arquivo original contenha apenas imagens então, em alguns casos, o arquivo final chega a ser maior. Em geral os arquivos ficam absurdamente menores. Por exemplo, um arquivo de 1.3MB pode ficar com alguns centavos de KB sem perder a qualidade de impressão.

Recomendo a instalação do pacote doSNOW para processamento em paralelo.

# criando o vetor com as linhas de comando que serao chamadas no terminal
comando = paste0("ps2pdf ", "'", lista$end, "' ", "'", lista_saida, "'")

# chamando o pacote
require(doSNOW)

# detectando a quantidade de cores da sua maquina e criandos os clusters de trabalho
cores = parallel::detectCores()
cl = makeSOCKcluster(cores)
registerDoSNOW(cl)

# criando uma barra de progresso
pb = txtProgressBar(min = 1, max = length(comando), style = 3)
progress = function(n) setTxtProgressBar(pb, n)
opts = list(progress = progress)

# loop
foreach(i = 1:length(comando), .options.snow = opts) %dopar% {
  system(comando[i], minimized = T)
}

# fechando o processo da barra de progresso e os clusters
close(pb)
stopCluster(cl)

Comparando os novos arquivos com os originais

Novamente no terminal, execute:

sudo find -iname '*.pdf' > '~/lista2.txt'

Neste momento criamos uma lista no estilo da anterior, mas para a pasta dos arquivos modificados.

O próximo passo é comparar, um por vez, se os novos arquivos são menores que os originais. Caso seja, copie o modificado (Livros2) para o local respectivo local em Livros1

# criando o data frame dos arquivos modificados
lista2 = readLines("lista2.txt")
lista2 =   gsub("./", "/", lista2, fixed = T)
lista2 = paste0("~/Livros2", lista2)
lista2 = cbind.data.frame(lista2, file.size(lista2))
names(lista2) = c("end", "tam_ori")
lista2$end = as.character(lista2$end)
lista2$tam_ori = as.numeric(lista2$tam_ori)

# verificando e substituindo os que forem menores de Livros2 em Livros1
for (i in 1:nrow(lista2)) {
  if(lista$tam_ori[i] > lista2$tam_ori[i]) {
    cmd = paste0("cp ", "'", lista2$end[i], "'", " ", "'", lista$end[i], "'")
    system(cmd)
  }
}

# verificando a taxa de compressao
tam_pro = sum(lista$tam_ori)
1 - tam_pro/tam_ori # 0.1742683

Colocando a casa em ordem

Agora você pode copiar os arquivos de Livros1 para a pasta original de Livros, depois deletar Livros1 e Livros2. Simples assim.