
扫描、合并或导出 PDF 时,文档中可能出现多余的空白页。例如,双面扫描会把没有内容的纸张背面一并保存,文档排版也可能产生不需要的空页。逐页查找和删除比较费时,使用 Python 可以自动检测页面并完成清理。
不过,“看起来空白”并不一定意味着页面没有内容。有些页面可能包含一张纯白图片,或者存在不可见的文字。本文结合 Spire.PDF for Python 与 Pillow,先检测 PDF 页面是否为空白,再通过渲染图像补充判断,最后删除符合条件的页面。
本示例使用两个库:
在终端执行:
pip install Spire.PDF Pillow准备一个名为 Sample.pdf 的文件,放在 Python 脚本的工作目录中。可以在测试文件中加入正常内容页、空白页和只包含纯白图片的页面,以便观察处理结果。
本示例采用两层判断:
IsBlank() 方法。如果返回 True,直接删除该页。SaveAsImage() 渲染为图像,再用 Pillow 判断图像是否全部由纯白像素组成。符合条件时,同样删除该页。这种组合方式也用于 Spire.PDF 官方的空白页删除示例,可以补充识别部分含有页面对象、但渲染后呈纯白色的页面。
这里需要明确:图像检测采用严格的纯白标准,而不是“接近空白”的判断。 只要渲染结果中存在一个非纯白像素,图像检测就不会将该页判为空白。因此,带灰色底纹、扫描噪点或页码的页面通常会被保留。
下面的代码保留两层检测逻辑,并集中设置输入、输出路径,方便替换文件。
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)
# 首先使用 PDF 页面的空白检测方法
if page.IsBlank():
pdf.Pages.RemoveAt(i)
removed_page_numbers.append(i + 1)
continue
# 对其余页面,渲染为图像后检查像素
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。")如果所有页面均被删除,代码会跳过保存,避免尝试生成没有页面的 PDF。输入和输出使用不同文件名,可以保留原始文档用于对照。
is_blank_image() 先将图像转换为 RGB 模式,再逐个检查像素是否等于 (255, 255, 255)。
all() 只有在所有像素均满足条件时才返回 True;遇到非白色像素时,就会停止继续判断。因此,纯白页面需要检查全部像素,而包含内容的页面可能较早结束检测。
PDF 页面索引从 0 开始。删除一页后,后续页面的索引会向前移动。如果从第一页开始一边遍历一边删除,就可能跳过紧接着的页面。
代码从最后一页向前处理:
for i in range(original_page_count - 1, -1, -1):这样,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。
本示例中的图片仅用于检测,不会被重新写入 PDF。程序直接从原文档的页面集合中删除空白页,再保存剩余页面,并未将整份文档重建为图片 PDF。
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,这些都会导致像素检测返回 False。如果需要处理这类扫描件,可以进一步引入接近白色的颜色阈值和非白像素占比,但需要用真实样本调试,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。
渲染会增加处理时间。 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。
建议运行后核对输出文件的页数及删除记录,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。
使用 Spire.PDF for Python 与 Pillow,可以通过“页面空白检测 + 渲染图像纯白检测”删除 PDF 中的空白页。倒序遍历能够避免删除时的索引变化问题,而严格的纯白判断则明确限定了检测范围。对于带噪点的扫描空页,需要在此基础上增加容差规则,并验证误删情况。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。