利用Python去除PDF水印

摘要

本文介绍了如何使用 Python 中的 PyMuPDF 和 OpenCV 库来从 PDF 文件中移除水印，并将每个页面保存为图像文件的方法。我们将深入探讨代码背后的工作原理，并提供一个简单的使用示例。

导言

• 简介：水印在许多 PDF 文件中都很常见，但有时它们可能会干扰文档的可读性或美观性。本文将介绍一种利用 Python 编程语言移除 PDF 水印的方法。
• 目标：本文将介绍一个使用 PyMuPDF 和 OpenCV 库的 Python 脚本，该脚本可以自动化地将 PDF 文件中(原文件)水印移除，并将每个页面保存为单独的图像文件，然后合成为新的PDF。

背景知识

• PyMuPDF：PyMuPDF 是一个 Python 绑定库，用于与 MuPDF（一款用于解析和渲染 PDF 文件的开源软件）进行交互。
• OpenCV：OpenCV 是一个开源计算机视觉库，提供了许多用于图像处理和计算机视觉任务的功能。

技术细节

1. remove_watermark 函数

   • 将图像转换为 OpenCV 格式。
   • 使用颜色阈值技术寻找特定颜色范围内的水印区域。
   • 进行膨胀和侵蚀操作以改善水印去除效果。
   • 将图像转换回 PIL 格式并返回处理后的图像。

2. remove_pdf 函数

   • 打开 PDF 文件并设置缩放因子。
   • 遍历每一页的内容，将其转换为图像格式。
   • 对每个图像应用 remove_watermark 函数，移除水印。
   • 将处理后的图像保存到指定文件夹中。

代码示例

from itertools import product
import fitz  # PyMuPDF
from PIL import Image
import numpy as np
import cv2
import os


def remove_watermark(image, lower_bound, upper_bound):
    # 转换为OpenCV格式
    open_cv_image = np.array(image)
    open_cv_image = cv2.cvtColor(open_cv_image, cv2.COLOR_RGB2BGR)

    # 寻找特定颜色范围内的区域
    mask = cv2.inRange(open_cv_image, lower_bound, upper_bound)

    # 膨胀和侵蚀操作，用于改善水印去除效果
    kernel = np.ones((3, 3), np.uint8)
    mask = cv2.dilate(mask, kernel, iterations=1)
    mask = cv2.erode(mask, kernel, iterations=1)

    open_cv_image[mask != 0] = [255, 255, 255]

    # 转换回PIL格式
    return Image.fromarray(cv2.cvtColor(open_cv_image, cv2.COLOR_BGR2RGB))


def remove_pdf(pdf_file, output_folder, dpi=1800):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    zoom = dpi / 72  # 计算缩放因子
    mat = fitz.Matrix(zoom, zoom)  # 创建缩放矩阵

    pdf = fitz.open(pdf_file)

    for page_num, page in enumerate(pdf):
        pixmap = page.get_pixmap(matrix=mat)  # 使用缩放矩阵提高DPI

        img = Image.frombytes("RGB", [pixmap.width, pixmap.height], pixmap.samples)
        # 定义水印颜色的上下界（需要根据实际情况调整）
        lower_bound = np.array([168, 168, 168])
        upper_bound = np.array([172, 172, 172])

        # 去除水印
        img = remove_watermark(img, lower_bound, upper_bound)

        img_path = os.path.join(output_folder, f"{page_num}.png")
        img.save(img_path, format="PNG")

        print(f"第{page_num}页水印去除完成")

    pdf.close()


# 使用示例

pdf_path = input("请输入 PDF 地址：")
output_path = input("请输入保存处理后的图片的文件夹地址：")
remove_pdf(pdf_path, output_path)

使用示例

• 输入要处理的 PDF 文件路径和输出文件夹路径。
• 脚本将自动将水印从 PDF 中移除，并将处理后的图像保存到指定文件夹中。

 对比前后

去除前

去除后

结论

• 本文介绍了一种使用 Python 编程语言移除 PDF 文件中水印的方法，通过结合 PyMuPDF 和 OpenCV 库，我们可以轻松地实现这一目标。
• 通过调整代码中的参数，可以适应不同类型和样式的水印，从而提高水印移除的准确性和效率。

展望

• 未来可以进一步优化代码，提高水印移除的速度和稳定性。
• 进一步研究和探索 PDF 处理技术，拓展其在文档处理领域的应用。

参考资料

• PyMuPDF 官方文档：链接
• OpenCV 官方文档：链接
• Python 官方文档：链接