如何使用python查找并删除pdf中的水印？

Question

我目前正在使用python去除PDF文件中的水印。例如，我有一个这样的文件：

页面中央的绿色形状是水印。我认为它不是以文本形式存储在PDF中，因为我无法通过简单地使用Edge浏览器（可以读取PDF文件）搜索来找到该文本。 另外，我无法按图像找到水印。我使用 PyMuPDF 从 PDF 中提取了所有图像，并且没有找到水印（应该出现在每个页面上）。

我用来提取的代码是这样的：

        document = fitz.open(self.input)
        for each_page in document:
            image_list = each_page.getImageList()
            for image_info in image_list:
                pix = fitz.Pixmap(document, image_info[0])
                png = pix.tobytes()  # return picture in png format
                if png == watermark_image:
                    document._deleteObject(image_info[0])
        document.save(out_filename)

那么如何使用Python的库找到并删除水印呢？水印如何存储在 PDF 中？

除了 PyMuPDF 之外，还有其他“神奇”库可以完成此任务吗？

Answer 1

对于任何对详细信息感兴趣的人，请参阅此处提供的解决方案。 删除此文件中使用的水印类型可与 PyMuPDF 的低级代码接口一起使用。没有直接的、专门的高级 API 来执行此操作。

Answer 2

我尝试了以下代码，该代码是根据 pymupdf github 讨论查找并删除 PDF 文件中的水印中的代码进行了一些修改。它在当前的 pymupdf 版本上工作正常。

pip install PyMuPDF

import pymupdf

def process_page(page : pymupdf.Page):
    """Process one page."""
    # doc = page.parent  # the page's owning document
    # page.clean_contents()  # clean page painting syntax
    xref = page.get_contents()[0]  # get xref of resulting /Contents
    changed = 0  # this will be returned
    # read sanitized contents, splitted by line breaks
    cont_lines = page.read_contents().splitlines()
    print(len(cont_lines))
    # print(cont_lines)
    for i in range(len(cont_lines)):  # iterate over the lines
        line = cont_lines[i]
        # print(line)
        if not (line.startswith(b"/Artifact") and b"/Watermark" in line):
            continue  # this was not for us
        # line number i starts the definition, j ends it:
        print(line)
        j = cont_lines.index(b"EMC", i)
        for k in range(i, j):
            # look for image / xobject invocations in this line range
            do_line = cont_lines[k]
            if do_line.endswith(b"Do"):  # this invokes an image / xobject
                cont_lines[k] = b""  # remove / empty this line
                changed += 1
    if changed > 0:  # if we did anything, write back modified /Contents
        doc.update_stream(xref, b"\n".join(cont_lines))
    return changed

fpath = 'your_pdf_file_path/file_name.pdf'
doc = pymupdf.open(fpath)
changed = 0  # indicates successful removals
for page in doc:
    changed += process_page(page)  # increase number of changes
if changed > 0:
    x = "s" if doc.page_count > 1 else ""
    print(f"{changed} watermarks have been removed on {doc.page_count} page{x}.")
    doc.ez_save(doc.name.replace(".pdf", "-nowm.pdf"))
else:
    print("Nothing to change")