本帖最后由 制冷设备 于 2020-10-17 12:35 编辑
1.说明：
下载到的pdf总会有一些水印，pdf文件水印添加方式除了acrobat adobe自带的以外，还有很多，所以去除水印方法也很多，这里介绍的也只是一种适用python批量删除图片水印Xobject的方法，对于不想装pitstop、abbyy的情况可供君参考，程序需要完善的地方很多，目前只是实现单一的批量删除pdf图片水印。
2.分析：
分析原pdf水印，排除是页眉页脚，Acrobat添加水印等，在内容窗口分析，可看出此pdf水印为图片水印。
2.1 思路：
使用python的fitz库，pdf逐页提取扫描图片，图片再次合并为新pdf，完成“删除”水印。
网上有现成使用fitz库中._getXrefString()方法提取所有图片的代码，测试发现图片提取没有问题，但因为图片提取时无识别，导致提取页面顺序是乱的，水印页面也同样提取，需要通过另外的代码去判别剔除（使用PIL对大小判定可实现），顺序问题在在未深刻理解源代码的前提下未解决，故使用前述逐页提取目标页的方法，调试可行。
2.2 调试：
单页分析，使用fitz的page类下.getImageList()方法，单页得到所有图片信息数组，进一步分析其中的图片大小，可识别出第一个元素即为目标页，再第一个元素即为Xref，所以过程简化为逐页提取所有信息数组第一个元素即可。
输出图片后，使用fitz对图片逐页转成pdf并插入新pdf，最终输出页面图片（也可以选择不保存）以及新pdf。
3.代码实现：
import fitz #pip install pymupdf
import io,os
from PIL import Image
path = r'更大的信息 test.pdf' #目标pdf
pdfname = path.split(".")[0]
f_path = r'img\\' #图片输出文件夹
pdf = fitz.open(path)
doc = fitz.open()
#逐页读取页面
for page_index in range(len(pdf)):
page = pdf[page_index]
target_xref= page.getImageList()[0][0]#取得当前页面目标页xref信息
base_image = pdf.extractImage(target_xref)
image_bytes = base_image["image"] #提取image信息
image_ext = base_image["ext"] #提取图片后缀
image = Image.open(io.BytesIO(image_bytes)) #输出保存图片
output_path = f"{f_path}{pdfname}_{(page_index+1):03}.{image_ext}"
image.save(output_path)
imgdoc = fitz.open(output_path) #对输出图片转pdf
pdfbytes = imgdoc.convertToPDF()
imgpdf = fitz.open("pdf", pdfbytes)
doc.insertPDF(imgpdf) #逐页插入图片
# os.remove(output_path) # 逐页删除图片(可选)
doc.save(f"{f_path}{pdfname}_neo.pdf") #保存新pdf完成图片水印删除
| 
发表于 2020-10-17 12:06
|
发表于 2020-10-17 15:18
