pdf-sanitizer-diacde 1.3.0

No project description provided

PDF-Sanitizer

PDFSanitizer é uma ferramenta Python poderosa para analisar, detectar e tratar conteúdos suspeitos dentro de arquivos PDF. Ideal para ambientes que lidam com documentos potencialmente inseguros, ela permite identificar elementos como textos ocultos, fontes esquisitas, caracteres de controle e imagens com características suspeitas.

Funcionalidades

• 📄 Análise de conteúdo textual (texto invisível, fontes estranhas, etc.)
• 🖼️ Verificação de imagens (entropia baixa, metadados suspeitos, tamanhos incomuns)
• ✂️ Múltiplas formas de tratamento (remover, substituir, destacar ou apenas exibir)
• 🔁 Suporte a múltiplos PDFs em uma única chamada
• 🧪 Resultados prontos para serem consumidos por outras aplicações

Instalação

pip install pymupdf Pillow

Como funciona

1. Recebe arquivos PDF codificados em base64
2. Analisa cada página do PDF buscando textos e imagens suspeitas
3. Aplica o tratamento configurado (remove, replace, highlight, show)
4. Retorna o PDF sanitizado + as informações dos elementos suspeitos encontrados

Uso

Função principal

from your_module import sanitize_pdf

# Um único PDF base64
result = sanitize_pdf(pdf_base64_data, error_treatment="remove", show_info=True)

# Vários PDFs
results = sanitize_pdf([pdf1_base64, pdf2_base64], error_treatment="highlight", show_info=True)

Tratamentos disponíveis

• "remove" – Remove o conteúdo suspeito
• "replace" – Substitui por um marcador
• "highlight" – Destaca o conteúdo (ex: texto vermelho, bordas)
• "show" – Apenas mostra, sem modificações

Estrutura do Projeto

• PDFSanitizer: Classe principal, herda lógica da classe ProcessPDFMethods
• ProcessPDFMethods: Onde a mágica acontece – análise de texto, imagens e reescrita das páginas
• sanitize_pdf: Interface externa para uso em aplicações ou pipelines
• SanitizationResult: Objeto de retorno que contém:
  • base64_pdf: PDF tratado
  • is_doc_suspect: Booleano indicando se há algo estranho
  • suspect_elements: Lista de textos/imagens considerados suspeitos

Regras de Detecção

Texto

• hidden_text_rule: Detecta texto invisível (ex: branco em fundo branco)
• weird_font_rule: Detecta fontes não usuais
• control_character_rule: Caracteres ASCII de controle
• margin_outlier_rule: Textos posicionados fora das margens usuais

Imagens

• image_rule: Verifica entropia, metadados e resolução da imagem

Exemplo de Resultado

SanitizationResult(
    base64_pdf='JVBERi0xLjcKJ...',
    is_doc_suspect=True,
    suspect_elements={
        "text": [
            SuspectText(page_number=1, reason="potential harmful text", text="invisible spam")
        ],
        "images": [
            SuspectImage(page_number=2, reason="potential harmful image", image_name="img1.jpg", image_bytes=b'...')
        ]
    }
)

Contribuindo

Pull requests são mais do que bem-vindos! Envie melhorias de regras, tratamento, refatorações ou novas ideias.

⚠Aviso

Este projeto é experimental. Nenhuma regra substitui uma análise humana completa. Use com sabedoria!

Licença

MIT License.