Python去除PDF水印的实现示例
今天介绍下用 Python 去除 PDF （图片）的水印。思路很简单，代码也很简洁。
首先来考虑 Python 如何去除图片的水印，然后再将思路复用到 PDF 上面。
这张图片是前几天整理《数据结构和算法》PDF里的一个截图，带着公众号的水印。
从上图可以明显看到，为了不影响阅读正文，水印颜色一般比较浅。因此，我们可以利用颜色差这个特征来去掉水印。即：用 Python 读取图片的颜色，并将浅颜色部分变白。
Python 标准库 PIL 可以获取图片的颜色，Python2 是系统自带的，Python3 需要自己安装，我用的 Python 3.8，需要执行以下
命令安装
pip install pillow
安装完成，读取图片，并获取图片的尺寸（宽度和高度）
from PIL import Image
img = Image.open('watermark_pic.png')
width, height = img.size
进行下一步之前，先简单介绍下计算机里关于颜色的知识。光学三原色是红绿蓝（RGB），也就是说它们是不可分解的三种基本颜色，其他颜色都可以通过这三种颜色混合而成，三种颜色等比例混合就是白色，没有光就是黑色。
在计算机中，可以用三个字节表示 RGB 颜色，1个字节能表示的最大数值是 255， 所以，(255, 0, 0)代表红色，(0, 255, 0)代表绿色，(0, 0, 255)代表蓝色。相应地，(255, 255, 255)代表白色，(0, 0, 0)代表黑色。从(0, 0, 0) ~ (255, 255, 255) 之间的任意组合都可以代表一个不同的颜色。
接下来我们可以通过下面代码读取图片的 RGB
for i in range(width):
for j in range(height):
pos = (i, j)
print(img.getpixel(pos)[:3])
图片每个位置颜色由四元组表示，前三位分别是 RGB，第四位是 Alpha 通道，我们不需要关心。
有了 RGB ，我们就可以对其修改。
从图中可以发现，水印的 RGB 是 #d9d9d9，这里是用十六进制表示的，其实就是(217, 217, 217)。
这三个颜色值都越靠近 255，颜色就越淡，当它们都变成 255，也就成了白色。所以只要 RGB 都大于 217 的位置，我们都可以给它填成白色。即：RGB 三位数之和大于等于 651。
if sum(img.getpixel(pos)[:3]) >= 651:
img.putpixel(pos, (255, 255, 255))
完整代码如下：
from PIL import Image
img = Image.open('watermark_pic.png')
width, height = img.size
for i in range(width):
for j in range(height):
pos = (i, j)
if sum(img.getpixel(pos)[:3]) >= 651:
img.putpixel(pos, (255, 255, 255))
img.save('watermark_removed_pic.png')
有了上面的基础，去除 PDF 的水印就简单了，思路是将每页 PDF 转成图片，然后修改水印的 RGB，最后输出图片即可。
安装 pymupdf 库，用来来操作 PDF
pip install pymupdf
读取 PDF，并转图片
import fitz
doc = fitz.open("数据结构和算法手册@公众号渡码.pdf")
for page in doc:
pix = page.get_pixmap()
该 PDF 共 480 页，所以需要遍历每一页，并获取每一页对应的图片pix。pix对象类似于我们上面看到的img对象，可以读取、修改它的 RGB。
page.get_pixmap() 这个操作是不可逆的，即能够实现从 PDF 到图片的转换，但修改图片 RGB 后无法应用到 PDF 上，只能输出为图片。
修改水印 RGB 跟刚才一样，区别是这里的 RGB 是一个三元组，没有 Alpha 通道，代码如下：
from itertools import product
for pos in product(range(pix.width), range(pix.height)):
if sum(pix.pixel(pos[0], pos[1])) >= 651:
pix.set_pixel(pos[0], pos[1], (255, 255, 255))
完整代码如下：
from itertools import product
import fitz
doc = fitz.open("数据结构和算法手册@公众号渡码.pdf")
page_no = 0
for page in doc:
pix = page.get_pixmap()
for pos in product(range(pix.width), range(pix.height)):
if sum(pix.pixel(pos[0], pos[1])) >= 651:
pix.set_pixel(pos[0], pos[1], (255, 255, 255))
pix.pil_save(f"pdf_pics/page_{page_no}.png", dpi=(30000, 30000))
print(f'第 {page_no} 页去除完成')
page_no += 1
这种方案是有缺点的，第一，输出并非 PDF 格式；第二，输出的图片比较模糊，后续还有待优化，最好是能直接修改 PDF。
到此这篇关于Python去除PDF水印的实现示例的文章就介绍到这了,更多相关Python去除PDF水印内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
这篇文章主要为大家介绍了Python之可迭代对象,迭代器和生成器，具有一定的参考价值，感兴趣的小伙伴们可以参考一下，希望能够给你带来帮助2021-12-12
这篇文章主要介绍了windows下wxPython开发环境安装与配置方法,需要的朋友可以参考下2014-06-06
这篇文章主要介绍了利用python绘制笛卡尔直角坐标系，python绘图主要用到matplotlib绘图模块，利用matplotlib模块画出上面的正弦函,需要的朋友可以参考一下2022-03-03
Python使用multiprocessing实现多进程的详细步骤记录
multiprocessing包是Python中的多进程管理包,与threading.Thread类似,它可以利用multiprocessing.Process对象来创建一个进程,下面这篇文章主要给大家介绍了关于Python使用multiprocessing实现多进程的详细步骤,需要的朋友可以参考下2024-08-08
Apscheduler是一个基于Quartz的python定时任务框架,本文主要介绍了Python轻量级定时任务调度APScheduler的使用,具有一定的参考价值,感兴趣的可以了解一下2024-02-02
这篇文章主要为大家详细介绍了PyQt5每天必学之日历控件QCalendarWidget，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2018-04-04
这篇文章主要介绍了Python变量的数据类型和存储,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下2021-02-02
前段时间因为需要处理一大堆验收单，都是一些简单的复制粘贴替换工作，于是就想到用python进行处理。本文分享了用python将excel文件单元格内容插入到word模版中并保存为新文件的办法，希望对大家有所帮助2023-03-03
上两篇文章虽然已经对类有了一点点模糊概念，但是，阅读前面一讲的内容的确感到累呀，都是文字，连代码都没有。本讲就要简单多了，尝试走一个类的流程。2014-10-10
在处理大模型的训练数据时，经常需要遍历大型文件夹，其中，可能包括数千万或数亿个文件，所以本文为大家整理了Python遍历包含大量文件的文件夹的方法，希望对大家有所帮助2023-04-04
最新评论