Python去除PDF文件水印(PyMuPDF包)

本文介绍了一种使用PyMuPDF库去除PDF文件中水印的方法,并提供了完整的代码实现。包括将PDF转换为PNG图片文件、去除水印及将图片重新合并为PDF文件的功能。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言

  • 今天因为工作需求需要清除一份PDF文件上的水印
  • 经过查询发现这篇博客但是在使用过程中发现有些方法报错,查阅PyMuPDF包官方文档后发现,因版本更新有很多方法写法发生了变化,导致报错
  • 这里我在上述博客基础上对函数进行改进,添加了文件夹新建模块、进度条模块。

去除水印

  • 如果没有安装PyMuPDF包请先安装
!pip install PyMuPDF
  • 导入必要库
from PIL import Image
from tqdm.notebook import tqdm
from itertools import product
import fitz
import os
  • 将PDF转换为PNG图片文件
def remove_pdf(pdf_file, out_file):
    if not os.path.exists(out_file):
        os.mkdir(out_file)
    page_num = 0
    pdf = fitz.open(pdf_file);
    for page in tqdm(pdf):
        pixmap = page.get_pixmap()
        for pos in product(range(pixmap.width), range(pixmap.height)):
            rgb = pixmap.pixel(pos[0], pos[1])
            if(sum(rgb) > 620):
                pixmap.set_pixel(pos[0], pos[1], (255, 255, 255))
        pixmap.pil_save(os.path.join(out_file, '%d.png'%page_num))
        page_num = page_num + 1
  • 将图片文件重新合并为PDF文件
def pic2pdf(pic_dir):
    pdf = fitz.open()
    img_files = sorted(os.listdir(pic_dir),key=lambda x:int(str(x).split('.')[0]))
    for img in tqdm(img_files):
        imgdoc = fitz.open(pic_dir + '/' + img)  
        pdfbytes = imgdoc.convert_to_pdf()
        imgpdf = fitz.open("pdf", pdfbytes)
        pdf.insert_pdf(imgpdf)
    pdf.save("demo.pdf")
    pdf.close()
  • 调用函数
pdf_file = '../input/pdfcheck/CET4.pdf'
out_file = './temp'
remove_pdf(pdf_file, out_file)
pic2pdf(out_file)
  • 效果展示
    在这里插入图片描述

后记

  • 有个小问题就是再对彩色PDF进行转换时,对图像质量可能会有影响,这个我也不清楚怎么调节一下,建议先用PDF软件把PDF转换为图片后再进行水印去除,对应的图片去水印函数如下:
def remove_img(in_file, out_file):
    if not os.path.exists(out_file):
        os.mkdir(out_file)
    count = 0
    img_files = sorted(os.listdir(in_file),key=lambda x:int((str(x).split('_')[1]).split('.')[0]))
    for image_file in tqdm(img_files):
        img = Image.open(os.path.join(in_file, image_file))
        width, height = img.size
        for pos in product(range(width), range(height)):
            rgb = img.getpixel(pos)[:3]
            if(sum(rgb) >= 620):
                img.putpixel(pos, (255, 255, 255))
        img.save(os.path.join(out_file, '%d.png'%count))
        count = count + 1
  • 截止2022年11月20日 13:00代码有效。
<think>好的,我现在需要帮用户解决如何用Python移除PDF文件水印的问题。首先,我得仔细分析用户的查询内容。用户提到参考了两个引用,其中引用1是关于用python-docx操作Word文档的XML来设置水印字体,引用2则是关于用正则表达式读取PDF内容并遇到问题,用户现在想去除PDF中的水印,并询问是否有Python库可以实现。 首先,我需要明确PDF水印的类型。PDF中的水印可能有多种形式,比如作为背景图像、文字层或矢量图形。不同的类型可能需要不同的处理方法。例如,文字水印可能嵌入在文本层中,而图像水印可能作为页面的一部分存在。 接下来,用户提到想用Python库。常见的处理PDF的库有PyPDF2、PyMuPDF(fitz)、pdfplumber等。我需要考虑这些库是否支持识别和移除水印。比如,PyMuPDF功能强大,可以直接操作页面元素,可能适合检测和删除水印层。而pdfplumber擅长提取文本和表格,可能对于基于文本的水印有用,但如果是图像水印可能不太行。 然后,我需要查阅相关库的文档。比如,PyMuPDF的页面对象有方法可以访问页面元素,比如文本、图像、形状等。如果能识别出水印所在的元素,就可以将其删除。例如,遍历每个页面的元素,检查其属性是否符合水印特征(如位置、颜色、字体大小等),然后过滤掉这些元素。 用户提到的引用2中使用了正则表达式来过滤内容,但遇到了逗号问题。这可能是因为PDF文本提取时格式问题,导致正则匹配不准确。但水印如果是图像或特殊格式的文字,可能无法通过正则表达式处理,这时候需要更底层的操作。 另外,是否存在专门用于移除PDF水印的库?目前没有明确的知名库,但可以通过组合现有库的功能来实现。例如,使用PyMuPDF删除特定元素,或者用PyPDF2合并去除水印后的页面。 需要注意的是,水印可能作为页面的XObject存在,这时候可能需要识别并删除对应的XObject引用。另外,水印可能有透明度或特定颜色,这可以作为筛选条件。 可能的步骤括:加载PDF文件,遍历每一页,分析页面元素,识别水印元素,移除它们,然后保存新的PDF。如果水印是图像,可能需要图像识别技术,但这样复杂度较高,可能超出普通库的能力范围,这时候可能需要用户提供水印的具体特征。 此外,用户可能遇到的情况是水印作为背景,每个页面的固定位置都有,这时候可以尝试裁剪页面或覆盖白色矩形,但这种方法可能不够精确,且会影响原有内容。 最后,应该提醒用户,完全自动化的水印移除可能困难,特别是对于复杂或加密的PDF。可能需要手动调整参数,或结合多种方法。</think>### Python移除PDF水印的方法及步骤 #### 一、PDF水印类型分析 1. **文字水印**:通过透明文本层覆盖(例如"机密"字样),通常使用特定字体/颜色/位置。 2. **图像水印**:嵌入的PNG/JPG图片或矢量图形,可能存在于每页固定位置。 3. **混合水印**:同时含文本和图形的复合水印结构[^1]。 #### 二、常用工具库对比 | 库名称 | 功能特性 | 适用场景 | |--------------|-----------------------------|--------------------------| | PyMuPDF | 底层元素级操作、高性能 | 精准删除特定图形/文本元素 | | pdfplumber | 文本/表格提取 | 基于文本特征过滤水印 | | PyPDF2 | 页面合并分割 | 简单水印覆盖/页面重组 | #### 三、PyMuPDF实战步骤(以文字水印为例) ```python import fitz # PyMuPDF def remove_watermark(input_path, output_path): doc = fitz.open(input_path) for page_num in range(len(doc)): page = doc.load_page(page_num) # 获取所有绘图指令 drawing = page.get_drawings() # 筛选非水印元素(示例条件) filtered = [ item for item in drawing if not (item["rect"].width > 200 # 根据水印特征设置过滤条件 and item["fill_opacity"] < 0.5 and item["color"] == (0.8, 0.8, 0.8)) ] # 清空页面后重绘有效内容 page.clean_contents() page.set_drawings(filtered) doc.save(output_path) ``` #### 四、pdfplumber文本过滤示例 ```python import pdfplumber def filter_text_watermark(input_path, output_path): with pdfplumber.open(input_path) as pdf: for page in pdf.pages: # 提取所有文本块并过滤 filtered = [ char for char in page.chars if not ("Confidential" in char["text"] and char["size"] == 12 and char["non_stroking_color"] == (0.5, 0.5, 0.5)) ] # 重建页面内容(需配合PyPDF2实现输出) ``` #### 五、注意事项 1. **加密文件处理**:需先使用`qpdf --decrypt`解除加密保护 2. **矢量水印识别**:通过`page.get_xobjects()`分析嵌入式对象 3. **效果验证**:建议使用Adobe Acrobat的"内容编辑"工具手动确认水印层类型
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

羽星_s

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值