查看: 463|回复: 3

Python删PDF空白页:Spire.PDF+Pillow检测

[复制链接]
发表于 5 小时前 | 显示全部楼层 |阅读模式
扫描、合并或导出PDF时,文档里常会混入多余空白页,例如双面扫描把无内容纸张背面一并保存,或排版过程产生空页。逐页人工查找删除效率低,可以用Python自动检测并清理。原文方案使用Spire.PDF for Python与Pillow:先调用页面IsBlank()判断,未命中的页面再渲染成图像,用Pillow检查是否全部为纯白像素,满足条件后删除。

一、依赖与文件准备
示例依赖两个库:Spire.PDF for Python负责加载PDF、调用IsBlank()、渲染页面、删除页面和保存文档;Pillow负责读取渲染结果并检查图像像素。安装命令:
  1. pip install Spire.PDF Pillow
复制代码
准备名为Sample.pdf的文件,放在Python脚本工作目录。测试文件可包含正常内容页、空白页和只包含纯白图片的页面,便于观察结果。

二、双层检测逻辑
第一层调用page.IsBlank(),返回True时直接删除该页。第二层针对未被判定为空白的页面,使用pdf.SaveAsImage(i)渲染为图像,再交给Pillow判断是否全部由纯白像素组成;符合条件同样删除。该组合可补充识别含有页面对象但渲染后呈纯白色的页面。

需要注意,图像检测采用严格纯白标准,不是接近空白判断。只要渲染结果中存在一个非纯白像素,图像检测就不会把该页判为空白。因此,带灰色底纹、扫描噪点或页码的页面通常会被保留。

三、完整实现代码
下面的代码保留两层检测,集中设置输入输出路径,并从最后一页向前处理:
  1. import io
  2. from spire.pdf import PdfDocument
  3. from PIL import Image
  4. # 判断图像是否全部由纯白像素组成
  5. def is_blank_image(image):
  6.     with image.convert('RGB') as rgb_image:
  7.         white_pixel = (255, 255, 255)
  8.         return all(
  9.             pixel == white_pixel
  10.             for pixel in rgb_image.getdata()
  11.         )
  12. # 1. 设置输入和输出文件
  13. input_path = 'Sample.pdf'
  14. output_path = 'RemoveBlankPages.pdf'
  15. # 2. 加载PDF文档
  16. pdf = PdfDocument()
  17. pdf.LoadFromFile(input_path)
  18. original_page_count = pdf.Pages.Count
  19. removed_page_numbers = []
  20. # 3. 从最后一页开始,逐页检测并删除空白页
  21. for i in range(original_page_count - 1, -1, -1):
  22.     page = pdf.Pages.get_Item(i)
  23.     if page.IsBlank():
  24.         pdf.Pages.RemoveAt(i)
  25.         removed_page_numbers.append(i + 1)
  26.         continue
  27.     with pdf.SaveAsImage(i) as image_data:
  28.         image_bytes = image_data.ToArray()
  29.         with io.BytesIO(image_bytes) as image_stream:
  30.             with Image.open(image_stream) as image:
  31.                 if is_blank_image(image):
  32.                     pdf.Pages.RemoveAt(i)
  33.                     removed_page_numbers.append(i + 1)
  34. # 4. 保存处理结果并关闭文档
  35. remaining_page_count = pdf.Pages.Count
  36. if remaining_page_count > 0:
  37.     pdf.SaveToFile(output_path)
  38. pdf.Close()
  39. # 5. 输出处理信息
  40. removed_page_numbers.sort()
  41. print(f'原始页数:{original_page_count}')
  42. print(f'删除页数:{len(removed_page_numbers)}')
  43. print(f'删除的原始页码:{removed_page_numbers}')
  44. if remaining_page_count > 0:
  45.     print(f'结果已保存至:{output_path}')
  46. else:
  47.     print('没有剩余页面,未保存输出文件。')
复制代码

四、关键代码与参数说明
1. is_blank_image(image)的检测方式
参数image是Pillow图像对象。函数先用image.convert('RGB')转成RGB模式,再逐个读取像素,与(255,255,255)比较。all()只有在所有像素都满足条件时才返回True;遇到非纯白像素会停止继续判断。因此,纯白页面需要检查全部像素,含内容页面可能较早结束检测。

2. 倒序删除页面的原因
PDF页面索引从0开始。删除一页后,后续页面索引会向前移动。如果从第一页开始边遍历边删除,就可能跳过紧接的页面。代码使用range(original_page_count - 1, -1, -1)从最后一页向前处理,删除当前页不会改变前面尚未处理页面的索引,也便于记录被删除页面在原始文档中的页码。

3. 渲染图像只用于检测
SaveAsImage()得到的图像只用于判断,不会重新写入PDF。程序直接从原文档页面集合中删除空白页,再保存剩余页面,并未把整份文档重建为图片PDF,因此保留页面不会因渲染检测而变成图片页。

4. 保存与关闭流程
处理完成后读取pdf.Pages.Count。如果还有剩余页面,就调用pdf.SaveToFile(output_path)保存;如果所有页面都被删除,则跳过保存,避免生成没有页面的PDF。最后调用pdf.Close()关闭文档。输入和输出使用不同文件名,可保留原始文档用于对照。

五、适用范围、性能与排查
纯白检测适合干净的空白页。扫描得到的“空白页”往往仍有灰色背景、纸张纹理或黑点,这些都会让像素检测返回False。若要处理这类扫描件,可以进一步引入接近白色的颜色阈值和非白像素占比,但必须用真实样本调试,避免把浅色文字或细线误判为空白。

视觉空白不代表没有可用数据。某些页面可能包含隐藏文字、链接或交互元素,即使渲染结果是白色,页面仍可能有保留价值。采用视觉检测时,应根据文档用途决定是否删除。

性能方面,IsBlank()返回True的页面会直接删除,其余页面才进入图像检测。对于页数较多或页面尺寸较大的PDF,渲染和逐像素检查可能耗时较长。运行后建议核对输出文件页数和删除记录,尤其留意带浅色内容的页面。如果运行环境存在评估限制或评估水印,也应先确认这些因素是否影响页面渲染和检测结果。

整体实现的核心是“页面空白检测+渲染图像纯白检测”两层判断,以及倒序遍历避免索引变化。严格纯白标准明确限定了检测范围;带噪点的扫描空页需要在此基础上增加容差规则,并验证误删情况。
回复

使用道具 举报

发表于 5 小时前 | 显示全部楼层

Re: Python删PDF空白页:Spire.PDF+Pillow检测

这个思路挺清晰的,Spire.PDF 的 IsBlank 配合 Pillow 做纯白像素检测,能覆盖对象空白和渲染后纯白两类页面,倒序删除也避免了索引错位,保存前判断剩余页数这一点很稳。实际使用时我会更留意严格纯白标准的局限:扫描件有灰底、噪点或页码时通常不会被删,这相对安全,但想清理这类页面就得调阈值;另外视觉空白不一定代表没有隐藏文字或链接,删之前保留原文件并抽样核对删除页码比较稳妥。整体作为批量初筛很实用。
回复 支持 反对

使用道具 举报

发表于 5 小时前 | 显示全部楼层

Re: Python删PDF空白页:Spire.PDF+Pillow检测

这个思路挺实用,双层检测比只调用 IsBlank() 更稳妥,尤其是能补上“有页面对象但渲染后纯白”的情况。倒序删除也考虑到了索引移动问题,保存前判断剩余页数避免生成空 PDF,这些细节都挺到位。 实际使用时我会特别留意两点:一是纯白检测对扫描件确实比较严格,灰底、噪点、页码都会保留,后续如果改进可以加颜色阈值和非白像素比例,但一定要拿真实样本调,避免误删浅色内容;二是逐像素检查大页面可能比较慢,如果文档页数多或分辨率高,可以考虑先缩小渲染图再检测,或者用更快的像素统计方式。另外,视觉空白但含隐藏文字、链接的页面最好在删除前留个备份或人工抽查,避免误删有保留价值的信息。整体方案作为干净 PDF 的批量清理挺合适。
回复 支持 反对

使用道具 举报

发表于 5 小时前 | 显示全部楼层

Re: Python删PDF空白页:Spire.PDF+Pillow检测

楼主的双层检测思路挺清晰的,倒序删除这个细节也很关键,正序边遍历边删确实容易漏页。 补充几点实践中的想法: 1. 纯白判断现在是逐像素遍历 getdata,页数多、分辨率高时会比较慢。可以先试 image.getextrema(),RGB 模式下如果每个通道的最大最小值都是 255,就说明整页纯白,比 all() 遍历快不少;实在要逐像素,也可以转成 numpy 做向量化统计。 2. 扫描件按楼主说的加阈值时,建议除了“非白像素占比”,再结合位置信息,比如页边距区域整片灰底但中间有内容的情况,单纯按占比容易误判。最好多准备几类真实样本调参。 3. 隐藏文字那一段很认同。如果 PDF 带 OCR 文本层,渲染是白的但文字其实还在,删之前可以顺手用页面文本提取判断一下有没有非空内容,避免把可搜索的空白页删掉。 4. Spire.PDF 免费版对页数有限制,处理大文档前先确认授权情况,免得跑到一半报错;另外 SaveAsImage 整页渲染比较吃内存,循环里及时释放 image 和 stream 会稳一些。 5. 全部页面被删时跳过保存这个处理很周到,比生成一个空 PDF 好。整体方案拿来直接用问题不大,感谢分享。
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

指导单位

江苏省公安厅

江苏省通信管理局

浙江省台州刑侦支队

DEFCON GROUP 86025

Hacking Group 021A

旗下站点

态势感知中心

应急响应中心

红盟安全

联系我们

官方QQ群:112851260

官方邮箱:security#ihonker.org(#改成@)

官方核心成员

关注微信公众号

Archiver|手机版|小黑屋| ( 沪ICP备2021026908号 )

GMT+8, 2026-11-17 07:46 , Processed in 0.030044 second(s), 18 queries , Gzip On, Redis On.

Powered by ihonker.com

Copyright © 2015-现在.

  • 返回顶部