Aduna si adauga toate fisierele html din folder intr-un singur pdf (Claude.ai SIMPLU)

Aduna si adauga toate fisierele html din folder intr-un singur pdf (Claude.ai SIMPLU).py

import os
import sys
from PyPDF2 import PdfMerger
from bs4 import BeautifulSoup
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import A4
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfbase import pdfmetrics

def convert_html_to_pdf(html_folder_path):
    """
    Convertește toate fișierele HTML dintr-un folder în PDF-uri și le combină

    Args:
        html_folder_path: Calea către folderul cu fișiere HTML
    """
    print(f"Începe conversia HTML în PDF în: {html_folder_path}")

    # Verifică dacă folderul există
    if not os.path.isdir(html_folder_path):
        print(f"Eroare: Directorul '{html_folder_path}' nu există.")
        return False

    # Găsește toate fișierele HTML
    html_files = []
    all_files = os.listdir(html_folder_path)

    # Filtrează fișierele HTML
    for file in all_files:
        file_lower = file.lower()
        if (file_lower.endswith('.html') or
            file_lower.endswith('.htm') or
            'vizualizare' in file_lower or
            'html-articol=' in file_lower):
            html_files.append(os.path.join(html_folder_path, file))

    print(f"Găsite {len(html_files)} fișiere HTML pentru conversie")

    if not html_files:
        print(f"Eroare: Nu s-au găsit fișiere HTML în '{html_folder_path}'.")
        return False

    # Crează un folder pentru PDF-uri
    pdf_folder = os.path.join(html_folder_path, "pdf_files")
    os.makedirs(pdf_folder, exist_ok=True)

    # Încercarea de a găsi și înregistra fontul DejaVuSans
    font_paths = [
        "DejaVuSans.ttf",  # Caută în directorul curent
        os.path.join(os.path.dirname(__file__), "DejaVuSans.ttf"),  # Caută în directorul scriptului
        "C:/Windows/Fonts/DejaVuSans.ttf",  # Windows
        "/usr/share/fonts/truetype/dejavu/DejaVuSans.ttf",  # Linux
        "/usr/share/fonts/TTF/DejaVuSans.ttf",  # Linux alternativ
        "/Library/Fonts/DejaVuSans.ttf"  # macOS
    ]

    font_registered = False
    for font_path in font_paths:
        if os.path.exists(font_path):
            try:
                pdfmetrics.registerFont(TTFont('DejaVuSans', font_path))
                print(f"Font înregistrat: DejaVuSans din {font_path}")
                font_registered = True
                break
            except:
                continue

    if not font_registered:
        print("AVERTISMENT: Nu s-a găsit fontul DejaVuSans. Se va utiliza Helvetica, iar diacriticele ar putea să nu fie afișate corect.")
        print("Descărcați fontul DejaVuSans.ttf și plasați-l în același director cu acest script.")

    # Convertește fiecare fișier HTML în PDF
    pdf_files = []
    for i, html_file in enumerate(html_files):
        base_name = os.path.basename(html_file)
        pdf_file = os.path.join(pdf_folder, f"{i+1:04d}_{base_name}.pdf")

        print(f"Convertesc {base_name} în PDF... ({i+1}/{len(html_files)})")

        try:
            # Încearcă să citească fișierul HTML cu diferite codificări
            html_content = None
            for encoding in ['utf-8', 'latin-1', 'latin2', 'cp1250', 'cp1252', 'iso-8859-2']:
                try:
                    with open(html_file, 'r', encoding=encoding) as f:
                        html_content = f.read()
                    break
                except UnicodeDecodeError:
                    continue

            if html_content is None:
                print(f"  Se omite {base_name} din cauza problemelor de codificare")
                continue

            # Analizează HTML
            soup = BeautifulSoup(html_content, 'html.parser')

            # Extrage textul
            text = soup.get_text()

            # Crează PDF cu reportlab
            c = canvas.Canvas(pdf_file, pagesize=A4)
            width, height = A4

            # Împarte textul în linii
            lines = text.split('\n')
            y = height - 50  # Pornește de sus

            # Adaugă titlul
            font_name = 'DejaVuSans' if font_registered else 'Helvetica'
            c.setFont(font_name, 14)
            title = base_name[:40] + "..." if len(base_name) > 40 else base_name
            c.drawString(50, y, title)
            y -= 30

            # Adaugă conținutul text
            c.setFont(font_name, 10)
            for line in lines:
                if line.strip():
                    # Gestionează liniile lungi prin înfășurare
                    words = line.split()
                    current_line = ""
                    for word in words:
                        try:
                            # Sanitizează cuvântul
                            word = ''.join(char for char in word if ord(char) >= 32)
                            if c.stringWidth(current_line + " " + word, font_name, 10) < width - 100:
                                current_line += " " + word if current_line else word
                            else:
                                c.drawString(50, y, current_line)
                                y -= 15
                                if y < 50:  # Adaugă pagină nouă dacă e nevoie
                                    c.showPage()
                                    c.setFont(font_name, 10)
                                    y = height - 50
                                current_line = word
                        except:
                            # Dacă există o problemă cu acest cuvânt, sari peste el
                            continue

                    if current_line:
                        try:
                            c.drawString(50, y, current_line)
                        except:
                            # Dacă există vreo problemă la afișarea liniei, o omitem
                            pass

                        y -= 15
                        if y < 50:  # Adaugă pagină nouă dacă e nevoie
                            c.showPage()
                            c.setFont(font_name, 10)
                            y = height - 50

            c.save()
            pdf_files.append(pdf_file)
            print(f"  Conversie reușită pentru {base_name}")
        except Exception as e:
            print(f"  Eroare la conversia {base_name}: {e}")

    if not pdf_files:
        print("Eroare: Nu s-a reușit conversia niciunui fișier HTML în PDF.")
        return False

    # Combină toate PDF-urile într-un singur fișier
    print(f"Combinarea a {len(pdf_files)} PDF-uri într-un singur fișier...")

    # Crează PDF-ul final
    final_pdf_path = os.path.join(html_folder_path, "final.pdf")
    merger = PdfMerger()

    successful_merges = 0
    for pdf_file in pdf_files:
        if os.path.exists(pdf_file) and os.path.getsize(pdf_file) > 0:
            try:
                merger.append(pdf_file)
                successful_merges += 1
            except Exception as e:
                print(f"Eroare la adăugarea {os.path.basename(pdf_file)}: {e}")

    if successful_merges == 0:
        print("Eroare: Nu s-a putut combina niciun PDF.")
        return False

    merger.write(final_pdf_path)
    merger.close()

    print(f"Combinare reușită a {successful_merges} PDF-uri")
    print(f"PDF final creat: {final_pdf_path}")
    print(f"PDF-uri individuale disponibile în: {pdf_folder}")

    return True

if __name__ == "__main__":
    if len(sys.argv) > 1:
        folder_path = sys.argv[1]
    else:
        folder_path = input("Introduceți calea către folderul cu fișiere HTML: ")

    convert_html_to_pdf(folder_path)