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:- 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:- import io
- from spire.pdf import PdfDocument
- from PIL import Image
- # 判断图像是否全部由纯白像素组成
- def is_blank_image(image):
- with image.convert('RGB') as rgb_image:
- white_pixel = (255, 255, 255)
- return all(
- pixel == white_pixel
- for pixel in rgb_image.getdata()
- )
- # 1. 设置输入和输出文件
- input_path = 'Sample.pdf'
- output_path = 'RemoveBlankPages.pdf'
- # 2. 加载PDF文档
- pdf = PdfDocument()
- pdf.LoadFromFile(input_path)
- original_page_count = pdf.Pages.Count
- removed_page_numbers = []
- # 3. 从最后一页开始,逐页检测并删除空白页
- for i in range(original_page_count - 1, -1, -1):
- page = pdf.Pages.get_Item(i)
- if page.IsBlank():
- pdf.Pages.RemoveAt(i)
- removed_page_numbers.append(i + 1)
- continue
- with pdf.SaveAsImage(i) as image_data:
- image_bytes = image_data.ToArray()
- with io.BytesIO(image_bytes) as image_stream:
- with Image.open(image_stream) as image:
- if is_blank_image(image):
- pdf.Pages.RemoveAt(i)
- removed_page_numbers.append(i + 1)
- # 4. 保存处理结果并关闭文档
- remaining_page_count = pdf.Pages.Count
- if remaining_page_count > 0:
- pdf.SaveToFile(output_path)
- pdf.Close()
- # 5. 输出处理信息
- removed_page_numbers.sort()
- print(f'原始页数:{original_page_count}')
- print(f'删除页数:{len(removed_page_numbers)}')
- print(f'删除的原始页码:{removed_page_numbers}')
- if remaining_page_count > 0:
- print(f'结果已保存至:{output_path}')
- else:
- 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。 |