remove wartermark image from pdf by using PyMuPDF

01 Nov 2022

How to remove wartermark image from pdf

pdfCropMargins [NO]

最近碰到一个需求，需要把一份 pdf 的水印去掉。记得去年一个同事是使用 Adobe pdf 编辑器裁减侧边的方式去掉的，但是不想用付费软件，于是找到了一个开源工具 pdfCropMargins ，还可以命令行操作

pdf-crop-margins -v -s -u  --absoluteOffset4 10 0 0 0 my-learning-guide-zh_CN.pdf

可以指定边距进行裁减，裁减效果跟 Adobe 工具一样，确实看不到水印了，但是偶尔用 LibreOffice Draw 打开文档后，发现其实水印还在，只是因为在文档显示区域之外，所以在很多 pdf 阅读器里看不到。而且即便剪切的方式真的可以删除文档侧边的水印，如果水印位置改到文档中间就不行了，，

然后试了 LibreOffice Draw 倒是确实可以真的手工删除水印图片，但是怎么批量删除呢??

MuPDF and PyMuPDF [YES]

带着新问题，又是一顿搜索，发现了 MuPDF 和 PyMuPDF，首先尝试了 mutools 功能很好很强大，可以 extract pdf 里所有的图片找到水印，但是并没有现成的接口删除水印:

[my@deskmini-x300 tmp]$ mutool 
usage: mutool <command> [options]
	clean	-- rewrite pdf file
	convert	-- convert document
	create	-- create pdf document
	draw	-- convert document
	trace	-- trace device calls
	extract	-- extract font and image resources
	info	-- show information about pdf resources
	merge	-- merge pages from multiple pdf sources into a new pdf
	pages	-- show information about pdf pages
	poster	-- split large page into many tiles
	sign	-- manipulate PDF digital signatures
	run	-- run javascript
	show	-- show internal pdf objects
	cmapdump	-- dump CMap resource as C source file

然后搜到在 PyMuPDF 的 issue 里面看到有人问到类似的问题:

[wartermark in Text]: issue-344 issue-468 discussion-776
[wartermark in Image or line-art]: discussion-874
[wartermark in Artifacts and line-art]: discussion-1855

还好我的文档水印不是复杂的 line-art 类型的，参考 PyMuPDF 里一个示例脚本 image-replacement/remover.py，修改成一个通用脚本 erase-pdf-wartermark-image.py 后，顺利删除了水印 ^o^

[my@deskmini-x300 tmp]$ /path/to/erase-pdf-wartermark-image.py my-learning-guide-zh_CN.pdf
...

more about PyMuPDF

然后又发现 PyMuPDF 还提供了一个命令行工具 fitzcli.py ， ‘fitzcli.py gettext’ 比 ‘mutool convert’ 的 text 转化功能更强:
可以尽量保持文本的 layout

而且代码已经包含在 fitz 模块里，可以直接 python -m fitz 运行

[Module fitz document]

Problems that PyMuPDF/MuPDF can’t solve yet

当然还有一些水印技术，目前 PyMuPDF 还不能解决。比如: remove drawings

more about pdf standards

By The Way

一点题外话，接触 Python 很早，但是一直无法接受它缩进的语法、字符串的拼接、还有面向对象代码的写法，，不过通过这次实现 erase-pdf-wartermark-image.py 发现除了缩进的问题其他的问题都已经解决了:

字符串拼接有了类似 Shell/Tcl/Perl/Groovy/.. 的 f-strings url1, f-strings url2, f-string:pad-or-fill-a-string
Class/Struct 有了类似 ‘C struct’ 的 namedtuple url1, namedtuple url2
而且现在 python 的生态真的太强大了，，

所以，接下来，也许我应该多用用 python3 来写工具了，， #但是系统测试还是 bash 吧，python 里不停的调用系统命令简直就是托裤子放屁!

tcler's blog --- 其实我是一个程序员 Show me your flowcharts and conceal your tables, and I shall continue to be mystified. Show me your tables, and I won’t usually need your flowcharts; they’ll be obvious.