Python实现为PDF大文件批量去除水印

导入

在阅读过程中如果遇到一些带有水印的资料是比较烦心的，如下图所示，水印以及类似的内容会影响我们的阅读体验，而市面上去水印的功能有多要收费且很不方便，那么，如何通过Python来对这类图片水印进行去除呢？

适用场景：本教程适合批量去除文件量较大的PDF文档内的图片水印。

使用软件：Python；

需安装第三方库：PIL，fitz，pymupdf

pip install PIL
pip install fitz
pip install pymupdf

不说废话，先把代码贴在前面。

from PIL import Image
import fitz
import os
def replace_color(img_path):
   new_color = (255, 255, 255, 255)
   for filename in os.listdir(img_path):
       image = Image.open(os.path.join(img_path, filename))
       new_pixels = [new_color if pixel == (220,220,220) else pixel for pixel in image.getdata()]
       new_image = Image.new(image.mode, image.size)
       new_image.putdata(new_pixels)
       new_image.save(os.path.join(img_path, filename))
def convert_pdf_to_images(img_path,doc):
   for i, page in enumerate(doc):
       pix = page.getPixmap(matrix=fitz.Matrix(2, 2))
       img_output_path = os.path.join(img_path, f"{i+1:04d}.jpg")
       pix.writePNG(img_output_path)
def creat_file(img_path):
   if not os.path.exists(img_path):
       os.makedirs(img_path)
   else:
       for root, dirs, files in os.walk(img_path, topdown=False):
           for name in files:
               os.remove(os.path.join(root, name))
           for name in dirs:
               os.rmdir(os.path.join(root, name))
def convert_images_to_pdf(img_path, output_path):
   image_list = []
   for filename in os.listdir(img_path):
       image_list.append(Image.open(os.path.join(img_path, filename)))
   image_list[0].save(output_path, save_all=True, append_images=image_list[1:])
def delete_watermark(file_path):
   folder_path = os.path.dirname(file_path)
   file_name = os.path.basename(file_path)
   output_path = os.path.join(folder_path, 'new_'+file_name)
   img_path = os.path.join(folder_path, f"img_{os.path.splitext(file_name)[0]}")
   creat_file(img_path)
   convert_pdf_to_images(img_path, doc=fitz.open(file_path))
   replace_color(img_path)
   convert_images_to_pdf(img_path, output_path)
if __name__ == "__main__":
   delete_watermark('E:\...\example.pdf')

正文

为了不影响阅读体验，一般水印都是由灰色或红色等与正文内容明显不同的颜色构成的。因此，要去除此类水印只需要判断出它是哪种颜色，然后将此颜色替换为背景色即可。

以上面图片中的水印为例，我们通过对水印部分进行取色可以看到，水印的 RGB 值为 (128, 130, 133)，背景色为白色（ RGB为 (255, 255, 255) ），那么我们只需要将 RGB 值为 (128, 130, 133) 的像素值替换为 (255, 255, 255) 即可实现图像水印的去除。

博主使用的取色工具为 Snipaste，也可以用 PS 等其它工具对水印取色。

首先需要将 PDF 中的一页信息提取出来，我们使用的是 fitz 库。

# 将 PDF 文件分解为图片
def convert_pdf_to_images(img_path,doc)
   for i, page in enumerate(doc):
       pix = page.getPixmap(matrix=fitz.Matrix(2, 2))
       img_output_path = os.path.join(img_path, f"{i+1}.jpg")
       pix.writePNG(img_output_path)

然后再对图片中的特定颜色进行替换

def replace_color(pixel, old_color, new_color):
   if pixel in old_color:
       return new_color
   else:
       return pixel
old_color = (128, 130, 133)
new_color = (255, 255, 255)
# 遍历输入文件夹中的所有.jpg文件并进行颜色替换
for filename in os.listdir(input_folder):
   if filename.endswith('.jpg') or filename.endswith('.png'):
       # 打开图片并获取像素数据
       image = Image.open(os.path.join(input_folder, filename))
       pixels = list(image.getdata())
       # 遍历像素数据并进行颜色替换
       new_pixels = [replace_color(pixel, old_color, new_color) for pixel in pixels]
       # 将修改后的像素数据保存到新文件夹中
       new_image = Image.new(image.mode, image.size)
       new_image.putdata(new_pixels)
       new_image.save(os.path.join(output_folder, filename))

最后再将图片拼接起来则得到去水印后的 PDF

def convert_images_to_pdf(img_path, output_path):
   image_list = []
   for filename in sorted(os.listdir(img_path), key=lambda x: int(x.split('.')[0])):
       image_list.append(Image.open(os.path.join(img_path, filename)))
   image_list[0].save(output_path, save_all=True, append_images=image_list[1:])

将以上三个步骤合并，即可得到我们的最终代码

from PIL import Image
import fitz
import os
def replace_color(img_path):
   new_color = (255, 255, 255, 255)
   for filename in os.listdir(img_path):
       image = Image.open(os.path.join(img_path, filename))
       new_pixels = [new_color if pixel == (220,220,220) else pixel for pixel in image.getdata()]
       new_image = Image.new(image.mode, image.size)
       new_image.putdata(new_pixels)
       new_image.save(os.path.join(img_path, filename))
def convert_pdf_to_images(img_path,doc):
   for i, page in enumerate(doc):
       pix = page.getPixmap(matrix=fitz.Matrix(2, 2))
       img_output_path = os.path.join(img_path, f"{i+1:04d}.jpg")
       pix.writePNG(img_output_path)
def creat_file(img_path):
   if not os.path.exists(img_path):
       os.makedirs(img_path)
   else:
       for root, dirs, files in os.walk(img_path, topdown=False):
           for name in files:
               os.remove(os.path.join(root, name))
           for name in dirs:
               os.rmdir(os.path.join(root, name))
def convert_images_to_pdf(img_path, output_path):
   image_list = []
   for filename in os.listdir(img_path):
       image_list.append(Image.open(os.path.join(img_path, filename)))
   image_list[0].save(output_path, save_all=True, append_images=image_list[1:])
def delete_watermark(file_path):
   folder_path = os.path.dirname(file_path)
   file_name = os.path.basename(file_path)
   output_path = os.path.join(folder_path, 'new_'+file_name)
   img_path = os.path.join(folder_path, f"img_{os.path.splitext(file_name)[0]}")
   creat_file(img_path)
   convert_pdf_to_images(img_path, doc=fitz.open(file_path))
   replace_color(img_path)
   convert_images_to_pdf(img_path, output_path)
if __name__ == "__main__":
   delete_watermark('E:\...\example.pdf')

只需要对水印和背景进行取色，然后更改相应代码即可实现全自动 Python 去水印功能。

由于水印颜色并不总是某一个RGB值，而是一个范围，所以也可以使用 218<pixel[0]<244 and 218<pixel[1]<244 and 218<pixel[2]<244: 替换 pixel == (220,220,220)。

上述程序在运行过程中会根据文件名，产生一个"img_[文件名]"文件夹用于存放图片，以及产生一个去除水印后的"new_[文件名].pdf"文件。

若不需要查看单张图片的效果，也可以直接运行如下代码，在等待一段时间后会直接生成去除水印后的 PDF。

import fitz
with fitz.open('example.pdf') as doc:
   for page in doc:
       pix = page.getPixmap(matrix=fitz.Matrix(2, 2))
       pix = pix.applyFunction(lambda r,g,b: (255, 255, 255) if (r,g,b) == (220, 220, 220) else (r,g,b))
       new_page = fitz.new_page(width=pix.width, height=pix.height)
       new_page.insert_image(fitz.Rect(0, 0, pix.width, pix.height), pixmap=pix)
new_doc.save("new_example.pdf")

不过该方法生成的 PDF 文件会远大于原始文件，若是介意这点可继续用前一种方法。关于为什么该方法生成的文件变大这点，笔者目前也不清楚，如果有知道原因的朋友可以留下评论。

对于特别大的文件，可能导致 MemoryError，这时可以尝试先将图片分组，每组图片生成 pdf 文件后，再将多个 pdf 文件合并。

from PyPDF2 import PdfFileMerger
def convert_images_to_pdf2(img_path, pdf_path, output_path, num_group=10):
   image_list = []
   creat_file(pdf_path)
   pdf_file = []
   for i, filename in enumerate(os.listdir(img_path)):
       img = Image.open(os.path.join(img_path, filename))
       image_list.append(img)
       if (i + 1) ％ num_group == 0:
           split_pdf_path = os.path.join(pdf_path, f"{len(pdf_file)+1:04d}.pdf")
           image_list[0].save(split_pdf_path, save_all=True, append_images=image_list[1:])
           pdf_file.append(split_pdf_path)
           image_list = []
   pdfs = [os.path.join(pdf_path, f) for f in os.listdir(pdf_path)]
   merger = PdfFileMerger()
   for pdf in pdfs:
       merger.append(pdf)
   merger.write(os.path.join(pdf_path, output_path))
   merger.close()

来源：https://blog.csdn.net/woaiwulima/article/details/130737111