[Python知识库]用Python去除扫描型PDF中的水印

内容概述

含水印扫描型PDF文件，其中某页如下图所示，用Python去除其页顶及页底的水印。

处理思路：PDF中的每一页的水印的相对位置基本相同，将PDF每一页输出成图片，然后进行图片编辑，用白色填充方形覆盖水印，最后这些处理后的图片重新合成PDF文件。

该方法缺点：

1. 处理后的得到PDF文件大小比原文件大了不少。
2. 那种还可以提取文字的PDF，用该法处理后PDF文件就再不能提取文字了。
3. 很难处理夹杂在文本中水印。

副作用：

1. 禁止打印PDF变成可打印了。

先前步骤：

1. 安装poppler软件，并将其执行文件所在文件夹路径新添至环境变量Path（针对Windows系统）。
2. pip install pdf2image
3. pip install fpdf

放码过来

将PDF输出成图片文件集

from pdf2image import convert_from_path
from PIL import ImageDraw

# 100dpi对应文档的长宽及水印左上右下坐标
filePath = "a.pdf"
dpi = 100 #
watermark1 = (290, 47, 536, 66)
watermark2 = (283, 1072, 542, 1165)
gWidth = 827
gHeight = 1170
###########

dpi2 = 150 # 按需调整这个参数<===============
pages = convert_from_path(filePath, dpi2)
width, height = pages[0].size

# 方便多次调整，不用次次用系统自带绘图软件获得坐标位置
# 长宽貌似不与dpi成比例关系
watermark1 = (watermark1[0] * width / gWidth, watermark1[1] * height / gHeight, \
watermark1[2] * width / gWidth, watermark1[3] * height / gHeight)

watermark2 = (watermark2[0] * width / gWidth, watermark2[1] * height / gHeight, \
watermark2[2] * width / gWidth, watermark2[3] * height / gHeight)

print(watermark1)
print(watermark2)

num = 0
for page in pages:

    draw = ImageDraw.Draw(page)
    
    # 水印涂白，可用系统自带绘图软件获得坐标位置
    draw.rectangle(watermark1, fill = 'white')
    draw.rectangle(watermark2, fill = 'white')
    outPath = 'out/%d.jpg' % num
    
    print(outPath)
    page.save(outPath, 'JPEG')
    num = num + 1

将处理后的图片合成PDF文件

from fpdf import FPDF
from PIL import Image
import os,re

def makePdf(pdfFileName, listPages):

	cover = Image.open(listPages[0])
	width, height = cover.size

	pdf = FPDF(unit = "pt", format = [width, height])

	listPages.sort(key = lambda i : int(re.compile(r'(\d+)').search(i).group(1)))

	for page in listPages:
		print(page)
		pdf.add_page()
		pdf.image(page, 0, 0)

	pdf.output(pdfFileName, "F")

makePdf("result.pdf", ["out/"+imgFileName for imgFileName in os.listdir('out') \
					   if imgFileName.endswith("jpg")])

参考资料

1. 用Python将多张图片合并成一PDF文件
2. GitHub - Belval/pdf2image: A python module that wraps the pdftoppm utility to convert PDF to PIL Image object