承上一篇：java：pdfbox 3.0 去除扫描版PDF中文本水印
导出扫描版PDF文件中每页的图片文件
java -jar pdfbox-app-3.0.3.jar export:images -prefix=test -i your_book.pdf
导出
Writing image: test-1.jpg
Writing image: test-2.jpg
Writing image: test-3.png
......
pip install Pillow
pip install pypdf2
pypdf2-3.0.1-py3-none-any.whl (232 kB)
将多个图片转换为pdf，再合并成一个PDF文件
编写 merge_pdf2.py 如下
python
# -*- coding: utf-8 -*-
""" PyPDF2 将多个图片转换为pdf，再合并成一个PDF文件 """
import os
import re
from PIL import Image
from PyPDF2 import PdfMerger
images_dir = "." # imgs
tmpdir = r"\tmp" # Win 10
def revise(s):
""" 修正图片文件名中的数字，假设0<页数<=999 """
prefix = s[0:5]
d = s.split('-')[1].split('.')[0]
ext = '.pdf'
# 数字前补零
if len(d) ==1:
d = '00'+d
elif len(d) ==2:
d = '0' +d
else:
pass
return prefix + d + ext
def trans_jpg2pdf(jpg_list: list) -> list:
"""jpg图片转换成 pdf
Args:
jpg_list (list): 图片文件列表
Returns:
list: 图片转换后的 pdf文件列表
"""
pdf_list = []
for jpg in jpg_list:
jpg_path = os.path.join(images_dir, jpg)
pdf_file = revise(jpg) # 修正后的pdf文件名
pdf_path = os.path.join(tmpdir, pdf_file)
if os.path.exists(pdf_path):
os.remove(pdf_path)
pdf_list.append(pdf_path)
im = Image.open(jpg_path)
im.save(pdf_path, 'PDF', resolution=100.0)
return pdf_list
def merge_pdf(pdf_list: list, result_pdf: str = "result.pdf"):
""" 合并 pdf文件
Args:
pdf_list (list): pdf文件列表
result_pdf (str): 合并后的 pdf文件名称
"""
sorted_list = sorted(pdf_list)
f_merger = PdfMerger()
for pdf in sorted_list:
print(pdf)
f_merger.append(pdf)
if os.path.exists(result_pdf):
os.remove(result_pdf)
f_merger.write(result_pdf)
if __name__ == '__main__':
jpg_list = [f for f in os.listdir(images_dir) if f.endswith(".jpg") or f.endswith(".png")]
pdf_list = trans_jpg2pdf(jpg_list)
merge_pdf(pdf_list, "result.pdf")运行 python merge_pdf2.py
生成 result.pdf ，打开 result.pdf 看不见"文本水印"了。