PDF去除水印

最新推荐文章于 2024-04-23 12:57:52 发布

Wilbur_waa

最新推荐文章于 2024-04-23 12:57:52 发布

阅读量491

点赞数 1

文章标签： opencv 深度学习计算机视觉 Powered by 金山文档

本文链接：https://blog.csdn.net/Wilbur_waa/article/details/129714413

版权

考研的同学应该被很多电子版书籍的水印搞得痛苦不已，我也是！所以就各种想办法把它去除。在这里我只提供方法，因为这不能用于通用水印去除，具体什么水印还得灵活操作。需要懂python的知识。

我的思路是：

将pdf转成图片

def pdf2pic(pdf_file):
    # for pdf_file in pdfPathList:
    image_dir = osp.join(osp.dirname(pdf_file), osp.basename(pdf_file).rsplit(".", 1)[0])
    if not osp.exists(image_dir):
        os.mkdir(image_dir)
    print(f"Create save dir {image_dir}")

    pdf = fitz.open(pdf_file)
    for idx, page in enumerate(pdf):
        zoom_x, zomm_y = 2.0, 2.0  # horizontal zoom, vertical zoom
        mat = fitz.Matrix(zoom_x, zomm_y)  # zoom factor 2 in each dimension
        pixmap = page.get_pixmap(matrix=mat)
        pixmap.pil_save(osp.join(image_dir, f'{idx}.png'), dpi=(40000, 40000))
    print(f"{image_dir} is done")

需要安装pymupdf这个库

如果觉得图片很糊的话，需要用超分辨率重构一下，这里我直接给出GitHub的项目链接，根据作者的步骤安装好环境，再去下个×2倍的权重文件

https://github.com/xinntao/Real-ESRGAN

如果PDF文件不糊的话可以跳过步骤2。这一步需要安装飞浆的框架

https://www.paddlepaddle.org.cn/ ，再安装它的ocr包，我是直接装ocr这个库调用的

https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_en/quickstart_en.md

下面是ocr识别水印字体的代码（注：其中如果是灰色的字体的水印我是直接判断像素点RGB的值过滤的）

wmList = [":118105451", "微信公众号：", "关注微信公众号：考研满分君获取更多考研资源", "获取更多考研资源","关注微信公众号：考研满分君，获取更多考研资源",
          "考研人的精神家园", "群：118105451", "微信公众号（神灯考研）", "关注微信公众号：考研满分君‧获取更多考研资源"]
def re_wm(imPathList):
    ocr = PaddleOCR(use_angle_cls=True, lang="ch")
    for imPath in imPathList:
        print(imPath)
        result = ocr.ocr(imPath, cls=True)
        im = cv2.imread(imPath)
        #去除灰色字体的水印 
        im[np.where((im > [180, 180, 180]).all(axis=2))] = [255, 255, 255]
        for line in result[0]:
            print(line[1][0])
            
            #这里是两种写法，看ocr识别的效果怎么样
            # if str(line[1][0]) in wmList:
            if "关注" in str(line[1][0]) or "考研" in str(line[1][0]) or "微信" in str(line[1][0]) or "群" in str(line[1][0]) or "神灯" in str(line[1][0]):
                bbox = line[0]

                bbox = np.array(bbox, dtype=np.int32)
                # 将识别到水印的区域赋成白色
                cv2.fillPoly(im, [bbox], (255,255,255))
        cv2.imwrite(imPath, im)

最后只要将处理好的图片拼成pdf就行了

def pic2pdf(img_dir):
    print('Save to', osp.join(osp.dirname(img_dir), osp.basename(img_dir)+'.pdf'))
    doc = fitz.open()
    # print(sorted(glob(osp.join(img_dir, '*.png'))))
    for i in range(len(glob(osp.join(img_dir, '*.png')))):  # 读取图片，确保按文件名排序
        # resize to A4 Shape
        im = cv2.imread(osp.join(img_dir, str(i)+'.png'))
        # 这里是将图片resize成A4纸的两倍大，防止最后的文件过大
        im = cv2.resize(im, (2480,3508))
        cv2.imwrite(osp.join(img_dir, str(i)+'.png'), im)

        imgdoc = fitz.open(osp.join(img_dir, str(i)+'.png'))  # 打开图片
        pdfbytes = imgdoc.convertToPDF()  # 使用图片创建单页的 PDF
        imgpdf = fitz.open("pdf", pdfbytes)
        doc.insertPDF(imgpdf)  # 将当前页插入文档

    doc.save(osp.join(osp.dirname(img_dir), osp.basename(img_dir)+'_re.pdf'))  # 保存pdf文件
    doc.close()
    print(osp.join(osp.dirname(img_dir), osp.basename(img_dir)+'.pdf'), "is Done!")

流程就是这样的，需要自己去捣鼓一下