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
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。
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
python
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。