Procesamiento en lote de PDFs en Linux: automatización completa

Ghostscript es la herramienta estándar en Linux para comprimir PDFs. Con un loop bash simple puedes comprimir automáticamente todos los PDFs de una carpeta. Antes de ejecutar la compresión en lote en tu carpeta de trabajo, te recomendamos hacer una prueba con un solo archivo para verificar que los resultados son satisfactorios y ajustar los parámetros si es necesario. La calidad de compresión puede variar significativamente según el tipo de contenido del PDF.

1. 1Instala Ghostscript si no lo tienes: sudo apt install ghostscript
2. 2Crea una carpeta para los PDFs comprimidos: mkdir pdfs_comprimidos
3. 3Ejecuta el loop de compresión: for f in *.pdf; do gs -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/ebook -sColorConversionStrategy=RGB -sOutputFile=pdfs_comprimidos/${f} $f; done
4. 4Verifica los resultados comparando tamaños: du -sh *.pdf pdfs_comprimidos/*.pdf
5. 5Revisa visualmente la calidad de algún archivo comprimido antes de confirmar
6. 6Si los resultados son correctos, reemplaza los originales o archiva ambas versiones

Para fusionar todos los PDFs de una carpeta en un solo documento, puedes usar pdfunite (parte de poppler-utils) o pdftk. Ambas herramientas son fáciles de usar y muy rápidas. La diferencia principal entre pdfunite y pdftk es que pdfunite es más simple y rápida para fusión básica, mientras que pdftk ofrece más opciones: fusionar páginas específicas de múltiples documentos, rotar páginas, aplicar marcas de agua y más operaciones avanzadas. El orden de fusión es importante. En bash, los archivos se procesan normalmente en orden alfabético, así que si tus PDFs se llaman `informe_01.pdf`, `informe_02.pdf`, etc., el orden será el correcto automáticamente. Si el orden es diferente, necesitas especificar explícitamente el orden en el comando. Para casos donde necesitas fusionar PDFs de diferentes carpetas en un orden específico, lo más claro es crear un archivo de texto con la lista de rutas en el orden deseado y leer ese archivo en el script de fusión. Esto hace que el proceso sea documentado y reproducible.

1. 1Instala poppler-utils: sudo apt install poppler-utils
2. 2Fusiona todos los PDFs de la carpeta actual: pdfunite *.pdf documento_final.pdf
3. 3Para orden específico: pdfunite archivo1.pdf archivo2.pdf archivo3.pdf resultado.pdf
4. 4Verifica el número de páginas del resultado: pdfinfo documento_final.pdf | grep Pages

A veces necesitas extraer las mismas páginas de múltiples PDFs: por ejemplo, la primera página de cada informe mensual para crear un resumen, o las páginas 5-7 de cada capítulo de un libro para crear un extracto. pdftk es la herramienta más versátil para esta tarea. Con un loop bash y pdftk puedes extraer páginas específicas de cada PDF automáticamente. Una variante útil es extraer la página de portada de cada PDF para crear un PDF de resumen de contenidos. Esto es útil para revisión rápida de grandes colecciones de documentos: en lugar de abrir cada documento, tienes un PDF de portadas que te permite ver de un vistazo qué hay en cada archivo. Para extracciones más complejas, como extraer rangos de páginas variables para cada documento (página 1-3 del documento A, página 5-8 del documento B), lo más eficiente es crear un script que lea las reglas de extracción desde un archivo CSV y aplique las instrucciones correspondientes a cada documento.

1. 1Instala pdftk: sudo apt install pdftk
2. 2Extrae solo la primera página de cada PDF: for f in *.pdf; do pdftk $f cat 1 output portadas/${f}; done
3. 3Extrae páginas 2-5 de cada archivo: for f in *.pdf; do pdftk $f cat 2-5 output extractos/${f}; done
4. 4Fusiona todas las portadas extraídas: pdfunite portadas/*.pdf resumen_portadas.pdf

El nivel más avanzado de automatización en Linux es monitorear una carpeta y procesar automáticamente los PDFs nuevos que aparezcan en ella. Esto es útil en entornos de producción donde múltiples usuarios depositan documentos para procesar. La herramienta `inotifywait` (paquete `inotify-tools`) permite monitorear eventos del sistema de archivos en tiempo real. Con ella puedes ejecutar automáticamente un script de procesamiento cada vez que se añade un nuevo PDF a una carpeta de entrada. Este tipo de solución es perfecta para casos como: un escáner de oficina que deposita PDFs escaneados en una carpeta compartida de red y necesitan ser comprimidos automáticamente, o un sistema donde se generan informes PDF diariamente y necesitan fusionarse en un documento semanal. Para flujos de trabajo más sencillos donde el procesamiento en lote se hace de vez en cuando (no en tiempo real), un script simple con un cron job programado es más apropiado y fácil de mantener. Por ejemplo, un cron que comprime automáticamente todos los PDFs nuevos de la semana pasada cada lunes a las 9 AM.