起因
昨天测试 使用“https://github.com/VikParuchuri/marker” 将 pdf 转 Markdown的过程中，发现转换后的文件中会保护一些背景图片，是转换过程中，程序把背景图识别为了内容。于是想着怎么把背景图片去掉。
背景水印图片的特征
我这里拿到的PDF图片都是文字类型的，背景水印应该都是后期加进去的。
总结出两个特征：
- 每页都存在相同的背景图片
- 作为背景覆盖了页面大部分区域
基于上面的特征，写代码将背景移除
- 代码：
import fitzdef scan_background_images(pdf_path):doc = fitz.open(pdf_path)num_pages = len(doc)image_usage = {} # 字典来记录每个图片的使用情况和页面面积覆盖# 遍历文档中的每一页for page in doc:page_area = abs(page.rect) # 计算页面面积images = page.get_images(full=True)for img in images:xref = img[0]img_rect = page.get_image_rects(xref)img_area = sum([abs(rect) for rect in img_rect]) # 计算该图片在当前页面的总覆盖面积if img_area / page_area >= 0.5: # 判断是否覆盖了超过50%的页面面积if xref in image_usage:image_usage[xref]['count'] += 1image_usage[xref]['pages'].add(page.number)else:image_usage[xref] = {'count': 1, 'pages': set([page.number])}# 确定在至少80%的页面上重复出现的图片background_images = []threshold = 0.8 * num_pages # 计算至少需要出现在多少页面上for xref, data in image_usage.items():if data['count'] >= threshold:background_images.append(xref)# 移除背景图片for page in doc:for xref in background_images:page.clean_contents() # 清理页面内容，准备删除操作page.delete_image(xref)# 保存修改后的PDFnew_pdf_path = pdf_path.replace('.pdf', '_no_bg.pdf')doc.save(new_pdf_path)doc.close()return new_pdf_path# 使用函数
pdf_path = "example.pdf"
new_pdf_path = scan_background_images(pdf_path)
print("Modified PDF saved to:", new_pdf_path)
- 依赖
pip install PyMuPDF
效果
- 去背景前
- 去背景后
