PDF批量加水印与去除水印实践

本文主要目标是尝试去除水印，但是为了准备测试数据，我们需要先准备好有水印的pdf测试文件。

注意：本文的去水印只针对文字悬浮图片悬浮两种特殊情况，即使是这两种情况也不代表一定都可以去除水印。

文章目录

批量添加透明图片水印
批量去除悬浮图片水印
批量添加文字水印
批量去除文字水印
总结

批量添加透明图片水印

首先按照之前文章《Office三件套批量转PDF以及PDF书签读写与加水印》提供的方法，生成带水印的PDF，完整代码如下：

import PyPDF2
import math
from PIL import Image, ImageFont, ImageDraw, ImageEnhance, ImageChops


def crop_image(im):
    '''裁剪图片边缘空白'''
    bg = Image.new(mode='RGBA', size=im.size)
    bbox = ImageChops.difference(im, bg).getbbox()
    if bbox:
        return im.crop(bbox)
    return im


def set_opacity(im, opacity):
    '''设置水印透明度'''
    assert 0 <= opacity <= 1
    alpha = im.split()[3]
    alpha = ImageEnhance.Brightness(alpha).enhance(opacity)
    im.putalpha(alpha)
    return im


def get_mark_img(text, color="#8B8B1B", size=30, opacity=0.15):
    width = len(text) * size
    mark = Image.new(mode='RGBA', size=(width, size + 20))
    ImageDraw.Draw(im=mark) \
        .text(xy=(0, 0),
              text=text,
              fill=color,
              font=ImageFont.truetype('msyhbd.ttc', size=size))
    mark = crop_image(mark)
    set_opacity(mark, opacity)
    return mark


def create_watermark_pdf(text, filename="watermark.pdf", page_size=(595, 842), color="#8B8B1B", size=30, opacity=0.3,
                         space=75, angle=30, dpi=100):
    mark = get_mark_img(text, color, size, opacity)
    img_size = tuple(map(lambda s: int(s*dpi//72), page_size))
    im = Image.new(mode='RGBA', size=img_size)
    w, h = img_size
    c = int(math.sqrt(w ** 2 + h ** 2))
    mark2 = Image.new(mode='RGBA', size=(c, c))
    y, idx = 0, 0
    mark_w, mark_h = mark.size
    while y < c:
        x = -int((mark_w + space) * 0.5 * idx)
        idx = (idx + 1) % 2
        while x < c:
            mark2.paste(mark, (x, y))
            x = x + mark_w + space
        y = y + mark_h + space
    mark2 = mark2.rotate(angle)
    im.paste(mark2, (int((w - c) / 2), int((h - c) / 2)),  # 坐标
             mask=mark2.split()[3])
    im.save(filename, "PDF", resolution=dpi, save_all=True)


def pdf_add_watermark(filename, save_filepath, watermark='watermark.pdf'):
    watermark = PyPDF2.PdfReader(watermark).pages[0]
    pdf_reader = PyPDF2.PdfReader(filename)
    pdf_writer = PyPDF2.PdfWriter()
    for page in pdf_reader.pages:
        page.merge_page(watermark)
        page.compress_content_streams()
        pdf_writer.add_page(page)
    with open(save_filepath, "wb") as out:
        pdf_writer.write(out)


if __name__ == '__main__':
    watermark = 'watermark.pdf'
    create_watermark_pdf(
        "小小明的CSDN：https://blog.csdn.net/as604049322", watermark, opacity=0.4)
    pdf_add_watermark('mysql.pdf', 'mysql【带水印】.pdf', watermark=watermark)

然后就可以得到一个全部是水印的PDF文件：

在这里插入图片描述

批量去除悬浮图片水印

对于这类水印，去除起来并不难，只需要批量删除最后一个图像图层即可。

import PyPDF2

writer = PyPDF2.PdfWriter()
reader = PyPDF2.PdfReader('mysql【带水印】.pdf')
for page in reader.pages:
    obj = page.get("/Resources").get("/XObject")
    obj.pop(list(obj)[-1])
    page[PyPDF2.generic.NameObject("/Resources")][
        PyPDF2.generic.NameObject("/XObject")] = obj
    writer.add_page(page)

output_path = "mysql【去水印】.pdf"
with open(output_path, "wb") as output_file:
    writer.write(output_file)

对于上面方法生成的水印，已经迅速一键去除。

当然水印图床可能实际并不在最后一层，这就需要调试测试，找到水印对应的层进行删除。

例如我需要查看第5页每个图片对象，可以使用jupyter执行如下代码：

from PIL import Image
import io

reader = PyPDF2.PdfReader('mysql【带水印】.pdf')
page = reader.pages[5]
print(page.get("/Resources").get("/XObject"))
for i, img in enumerate(page.images):
    img_data = Image.open(io.BytesIO(img.data))
    print(i, img)
    display(img_data)

对于一些特殊的PDF有助于找到水印图层的规律，进而批量删除水印。

一般情况下，水印都是最后添加的，所以上面的代码直接删除最后一个图层没啥问题。有时我们会遇到一些特殊的多图层pdf，PyPDF2并不能良好的支持，即使原封不动复制，也会报错。

我们需要改造一下处理函数：

import PyPDF2


def remove_image_watermark(input_pdf, output_path):
    writer = PyPDF2.PdfWriter()
    reader = PyPDF2.PdfReader(input_pdf)

    for page in reader.pages:
        obj = page.get("/Resources").get("/XObject")
        new_obj = PyPDF2.generic.DictionaryObject()
        obj.pop(list(obj)[-1])
        for k in obj:
            value = obj[PyPDF2.generic.NameObject(k)]
            if value is None:
                continue
            new_obj[PyPDF2.generic.NameObject(k)] = value
        page[PyPDF2.generic.NameObject("/Resources")][
            PyPDF2.generic.NameObject("/XObject")] = new_obj
        writer.add_page(page)

    with open(output_path, "wb") as output_file:
        writer.write(output_file)


input_pdf = "example2.pdf"
output_path = "example2【去水印】.pdf"
remove_image_watermark(input_pdf, output_path)

但这样也会不断出现异常日志，例如：Object 2763 0 not defined.，而且读取速度非常慢，一个100多页的PDF4分钟才处理完成。

这时，我们可以修改PyPDF2库的源码，修改库根目标的_reader.py文件的get_object函数：
在这里插入图片描述

表示在两个条件都不满足时，直接返回None，不再执行后面的读取和正则查找。因为对于本身不存在的对象，执行这样复杂的读取查找只是纯粹浪费时间。

经过上述修改后，再次执行代码，在1秒内处理完毕。

批量添加文字水印

不管是添加文字水印还是图片水印，我们都需要相应的水印PDF与需要添加水印的pdf进行图层合并。

首先我们需要生成文字水印PDF：

from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
import math

pagesize = (595, 842)
watermark = 'watermark.pdf'
space = 120
angle = 30

pdfmetrics.registerFont(TTFont('msyhbd', 'msyhbd.ttc'))
mark = canvas.Canvas(watermark, pagesize=pagesize)
w, h = pagesize
c = int(math.sqrt(w**2+h**2))
mark.rotate(angle)
mark.setFont('msyhbd', 20)
mark.setFillColor("#8B8B1B")
mark.setFillAlpha(0.4)
for i, y in enumerate(range(-int(math.sin(math.radians(angle))*w-40), int(math.cos(math.radians(angle))*h-40), space)):
    mark.drawString(20+y*w/c+(w/2 if i%2==1 else 0), y, '小小明的CSDN：https://blog.csdn.net/as604049322')
mark.save()

注意：若缺少reportlab库，可以通过pip install reportlab安装。

然后整理一下代码，生成带有文字水印的PDF，最终完整代码为：

from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
import PyPDF2
import math


def create_text_watermark_pdf(text, watermark, pagesize=(595, 842), color="#8B8B1B", font_size=20,
                              opacity=0.3, space=150, angle=30, font='msyhbd.ttc'):
    pdfmetrics.registerFont(TTFont('font', font))
    mark = canvas.Canvas(watermark, pagesize=pagesize)
    w, h = pagesize
    c = int(math.sqrt(w**2+h**2))
    mark.rotate(angle)
    mark.setFont('font', font_size)
    mark.setFillColor(color)
    mark.setFillAlpha(opacity)
    for i, y in enumerate(range(-int(math.sin(math.radians(angle))*w-40), int(math.cos(math.radians(angle))*h-40), space)):
        mark.drawString(20+y*w/c+(w/2 if i % 2 == 1 else 0), y, text)
    mark.save()


def pdf_add_watermark(filename, save_filepath, watermark='watermark.pdf'):
    watermark = PyPDF2.PdfReader(watermark).pages[0]
    pdf_reader = PyPDF2.PdfReader(filename)
    pdf_writer = PyPDF2.PdfWriter()
    for page in pdf_reader.pages:
        page.merge_page(watermark)
        page.compress_content_streams()
        pdf_writer.add_page(page)
    with open(save_filepath, "wb") as out:
        pdf_writer.write(out)


if __name__ == '__main__':
    watermark = 'watermark.pdf'
    create_text_watermark_pdf(
        "小小明的CSDN：https://blog.csdn.net/as604049322", watermark, opacity=0.3, angle=30)
    filename = 'mysql.pdf'
    save_filepath = 'mysql【带水印】.pdf'
    pdf_add_watermark(filename, save_filepath, watermark=watermark)

在这里插入图片描述

可以很清楚的看到文字水印相对图片文字的好处在于，文字链接可以直接点击访问。

批量去除文字水印

问题来了，对于这种悬浮的文字水印，能否批量去除呢？

首先我们观察一下添加水印前后，page对象的主要变化：

import PyPDF2

print(PyPDF2.PdfReader("mysql.pdf").pages[0])
print(PyPDF2.PdfReader("mysql【带水印】.pdf").pages[0])

结果示例：

{'/Type': '/Page', '/Parent': IndirectObject(2, 0, 2016175275936), '/Resources': {'/Font': {'/F1': IndirectObject(5, 0, 2016175275936), '/F2': IndirectObject(9, 0, 2016175275936), '/F3': IndirectObject(11, 0, 2016175275936), '/F4': IndirectObject(16, 0, 2016175275936), '/F5': IndirectObject(21, 0, 2016175275936), '/F6': IndirectObject(26, 0, 2016175275936), '/F7': IndirectObject(28, 0, 2016175275936)}, '/ExtGState': {'/GS7': IndirectObject(7, 0, 2016175275936), '/GS8': IndirectObject(8, 0, 2016175275936)}, '/ProcSet': ['/PDF', '/Text', '/ImageB', '/ImageC', '/ImageI']}, '/MediaBox': [0, 0, 595.32, 841.92], '/Contents': IndirectObject(4, 0, 2016175275936), '/Group': {'/Type': '/Group', '/S': '/Transparency', '/CS': '/DeviceRGB'}, '/Tabs': '/S', '/StructParents': 0}
{'/Type': '/Page', '/Resources': {'/ExtGState': {'/GS7': IndirectObject(5, 0, 2016175272768), '/GS8': IndirectObject(6, 0, 2016175272768), '/gRLs0': {'/ca': 0.3}}, '/Font': {'/F1': IndirectObject(7, 0, 2016175272768), '/F2': IndirectObject(11, 0, 2016175272768), '/F3': IndirectObject(14, 0, 2016175272768), '/F4': IndirectObject(22, 0, 2016175272768), '/F5': IndirectObject(30, 0, 2016175272768), '/F6': IndirectObject(38, 0, 2016175272768), '/F7': IndirectObject(41, 0, 2016175272768), '/F12f89c5f3-0000-4658-b1ab-21ec73871408': {'/BaseFont': '/Helvetica', '/Encoding': '/WinAnsiEncoding', '/Name': '/F1', '/Subtype': '/Type1', '/Type': '/Font'}, '/F2+0': IndirectObject(45, 0, 2016175272768)}, '/ProcSet': ['/ImageC', '/Text', '/ImageB', '/PDF', '/ImageI']}, '/MediaBox': [0, 0, 595.32, 841.92], '/Contents': IndirectObject(49, 0, 2016175272768), '/Group': {'/Type': '/Group', '/S': '/Transparency', '/CS': '/DeviceRGB'}, '/Tabs': '/S', '/Annots': [], '/Parent': IndirectObject(1, 0, 2016175272768)}

可以看到主要变化在于水印PDF的page对象增加了'/Parent'节点。

针对这种情况，我们的批量去除水印代码为：

import PyPDF2

pdf_path = "mysql【带水印】.pdf"
writer = PyPDF2.PdfWriter()
reader = PyPDF2.PdfReader(pdf_path)
for page in reader.pages:
    if '/Parent' in page:
        del page['/Parent']
    writer.add_page(page)
output_path = "mysql【去水印】.pdf"
with open(output_path, "wb") as output_file:
    writer.write(output_file)

结果发现并没有去除水印。

可以看到这个PDF，加水印前后，/Contents仅一个IndirectObject对象，正常对于普通的加过文字水印的PDF，/Contents往往都存在多个IndirectObject对象。执行如下代码进行进一步确认：

import PyPDF2

reader = PyPDF2.PdfReader(r"mysql【带水印】.pdf")
page = reader.pages[0]
page_content = page.get_contents()
print(page_content.get_data())

在这里插入图片描述

可以确认水印存在于这个对象中，预计主体内容和水印都被合并在了这一个内容对象里，这样我们就无法简单的通过删除/Contents内的某个对象达到删除水印的效果。

虽然我们自己生成的水印PDF无法轻易被删除，但最近我确实看到不少可以轻松删除文字水印的PDF。

例如这个PDF文件：

import PyPDF2

pdf_path = "工行结算卡流水.pdf"
reader = PyPDF2.PdfReader(pdf_path)
page = reader.pages[0]
page_content = page.get_contents()
print(page_content)

[IndirectObject(5, 0, 1288719316112), IndirectObject(6, 0, 1288719316112), IndirectObject(7, 0, 1288719316112), IndirectObject(8, 0, 1288719316112), IndirectObject(9, 0, 1288719316112)]

可以看到这一个PDF的第一页的内容对象存在5个对象，这样我们就可以挨个测试只要某个对象，得到的PDF是否满足要求，最终达到去除水印的目的。

首先我们将第一页的每个对象拆分成单独的一页：

import PyPDF2

pdf_path = "工行结算卡流水.pdf"
writer = PyPDF2.PdfWriter()
reader = PyPDF2.PdfReader(pdf_path)
page = reader.pages[0]
page_contents = page.get_contents()
for page_content in page_contents:
    new_page_content = PyPDF2.generic.ArrayObject()
    new_page_content.append(page_content)
    page[PyPDF2.generic.NameObject(
        "/Contents")] = new_page_content
    writer.add_page(page)
with open("第一页图层拆分.pdf", "wb") as f:
    writer.write(f)

然后我们人工检查第一页图层拆分.pdf这个文件，看哪几个图层才是我们需要的数据，目前我测试的这个文件只有第3页是我所需要的数据，那么我们可以批量只取第3个对象的内容：

import PyPDF2

pdf_path = "工行结算卡流水.pdf"
output_path = "工行结算卡流水【去水印】.pdf"

writer = PyPDF2.PdfWriter()
reader = PyPDF2.PdfReader(pdf_path)
for page in reader.pages:
    new_page_content = PyPDF2.generic.ArrayObject()
    page_content = page.get_contents()
    new_page_content.append(page_content[2])
    page[PyPDF2.generic.NameObject(
        "/Contents")] = new_page_content
    writer.add_page(page)
with open(output_path, "wb") as f:
    writer.write(f)