首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >PDF 空白页如何批量清理?用 Python 自动检测与删除

PDF 空白页如何批量清理?用 Python 自动检测与删除

原创
作者头像
用户12495000
发布于 2026-11-16 10:41:43
发布于 2026-11-16 10:41:43
160
举报

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。

一、安装依赖与准备文件

本示例使用两个库:

  • Spire.PDF for Python:加载 PDF、检测空白页、渲染页面以及删除和保存页面。
  • Pillow:读取页面渲染结果,并检查图像像素。

在终端执行:

代码语言:javascript
复制
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。

二、空白页检测思路

本示例采用两层判断:

  1. 调用页面的 IsBlank() 方法。如果返回 True,直接删除该页。
  2. 对未被判定为空白的页面,使用 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。

三、完整代码:检测并删除空白页

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。

代码语言:javascript
复制
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。

四、关键代码说明

1. 使用 RGB 像素判断图像是否纯白

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。

2. 为什么要倒序删除页面?

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:

代码语言:javascript
复制
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。

3. 渲染为图片是否会改变保留页面?

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。

五、适用范围与注意事项

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。

六、总结

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。

目录
  • 一、安装依赖与准备文件
  • 二、空白页检测思路
  • 三、完整代码:检测并删除空白页
  • 四、关键代码说明
    • 1. 使用 RGB 像素判断图像是否纯白
    • 2. 为什么要倒序删除页面?
    • 3. 渲染为图片是否会改变保留页面?
  • 五、适用范围与注意事项
  • 六、总结
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档