PDF水印智能删除工具

基于内容流分析的，通用 PDF 水印检测和删除方案。适用于水印在单独流的情况

( 我提需求并控制方向，Claude code 生成代码并自动测试 )

实测效果很好，水印清除彻底，pdf 表格、图片、文字都正常，没有错位。

🎯 特性

• ✅ 自动检测：智能分析PDF结构，自动识别疑似水印的内容流
• ✅ 精确删除：只删除水印流，100%保留正文、图片、表格
• ✅ 通用性强：支持任意PDF文件，不依赖特定水印内容
• ✅ 交互式：展示样本供用户确认，避免误删
• ✅ 快速高效：处理1877页PDF仅需2-3分钟

📊 工作原理

水印通常以固定模式添加到PDF中。本工具通过分析所有页面的内容流（Content Streams），找出大小固定、重复出现的流，这些很可能就是水印。

检测策略：

1. 采样分析PDF页面（默认20页）
2. 统计每个流位置的大小分布
3. 识别固定大小的重复流（一致性>70%）
4. 可选：提取样本文本供用户确认

删除机制：

• 使用pikepdf直接操作PDF对象
• 只删除识别出的水印流
• 保留所有正文内容和图片

🚀 快速开始

安装依赖

pip3 install pikepdf pymupdf

基本用法

# 1. 自动检测并删除（交互式）
python3 remove_watermark.py input.pdf -o output.pdf

# 2. 快速模式（跳过确认）
python3 remove_watermark.py input.pdf -o output.pdf --yes

# 3. 仅分析，不删除
python3 remove_watermark.py input.pdf --analyze-only

# 4. 指定水印关键词验证
python3 remove_watermark.py input.pdf -o output.pdf --keywords "公司名称" "版权信息"

高级用法

# 手动指定要删除的流索引（跳过自动分析）
python3 remove_watermark.py input.pdf -o output.pdf --stream-index 2

# 指定流大小范围（更精确）
python3 remove_watermark.py input.pdf -o output.pdf --stream-index 2 --size-range 3700 3800

# 增加采样页数（更准确的分析）
python3 remove_watermark.py input.pdf -o output.pdf --sample-pages 50

📖 使用示例

示例1：处理本项目的mpp.pdf

# 分析PDF
$ python3 remove_watermark.py mpp.pdf --analyze-only

📊 分析PDF: mpp.pdf
   总页数: 1877

🔍 内容流模式分析:

   流位置 3:
      最常见大小: 3741 bytes
      一致性: 100.0% (20/20 页)
      ⚠️  疑似水印流！

# 删除水印
$ python3 remove_watermark.py mpp.pdf -o mpp_clean.pdf --yes

✅ 完成！
   处理页数: 1877/1877 (100.0%)
   原始大小: 14.00 MB
   新文件大小: 13.01 MB
   减小: 1.00 MB (7.1%)

示例2：带关键词验证

python3 remove_watermark.py document.pdf -o clean.pdf \
    --keywords "内部资料" "仅供参考"

🔧 参数说明

参数	说明	默认值
input	输入PDF文件路径	必需
-o, --output	输出PDF文件路径	{input}_clean.pdf
--analyze-only	仅分析，不删除	False
--stream-index	手动指定要删除的流索引（从0开始）	自动检测
--size-range MIN MAX	流大小范围（仅删除该范围内的流）	无限制
--keywords	水印关键词（用于验证）	无
--sample-pages	分析采样页数	20
-y, --yes	跳过确认，自动执行	False

💡 常见问题

Q1: 如何判断是否有水印？

运行分析模式：

python3 remove_watermark.py your.pdf --analyze-only

如果输出显示"疑似水印流"，说明检测到了。

Q2: 会不会误删正文？

本工具的安全机制：

1. 只删除固定大小的重复流（正文内容通常大小不同）
2. 交互式确认（除非使用--yes）
3. 自动验证图片完整性

Q3: 如果检测不到水印怎么办？

可能的原因：

1. PDF没有水印
2. 水印嵌入方式特殊（不是独立流）
3. 采样页数太少

解决方法：

# 增加采样页数
python3 remove_watermark.py your.pdf --analyze-only --sample-pages 50

# 或者手动指定（如果你知道是哪个流）
python3 remove_watermark.py your.pdf -o output.pdf --stream-index 2

Q4: 水印被删除了，但正文也少了一些？

检查是否设置了--size-range。如果没有设置，工具会删除所有指定索引的流。

建议：

# 先分析，记下疑似水印流的大小（比如3741 bytes）
python3 remove_watermark.py your.pdf --analyze-only

# 然后指定大小范围（±50 bytes）
python3 remove_watermark.py your.pdf -o output.pdf \
    --stream-index 2 --size-range 3690 3790

🔬 技术原理

核心技术：

• pikepdf：底层PDF对象操作
• PyMuPDF：文本提取和验证
• 内容流分析：统计学方法识别固定模式

关键算法：

for 每个流位置:
    if 该位置在多数页面中大小相同（±50 bytes）:
        且一致性 > 70%:
            标记为疑似水印

📊 效果对比

本项目的mpp.pdf案例

方面	之前（文本提取）	现在（流删除）
正文	✅ 保留	✅ 保留
图片	❌ 丢失	✅ 保留
表格	❌ 丢失	✅ 保留
格式	❌ 丢失	✅ 保留
水印	✅ 去除	✅ 去除
文件大小	2.7 MB (纯文本)	13.01 MB (完整PDF)
处理时间	~1分钟	~2分钟

🤝 关于

作者： GengXinyuan 日期： 2025-11-27 版本： 1.0

致谢：

• pikepdf: https://github.com/pikepdf/pikepdf
• PyMuPDF: https://github.com/pymupdf/PyMuPDF

📝 更新日志

v1.0 (2025-11-27)

• ✅ 初始版本
• ✅ 自动检测固定大小的内容流
• ✅ 智能合并相近大小（±50 bytes）
• ✅ 交互式确认
• ✅ 关键词验证
• ✅ 处理1877页大型PDF

🔗 相关链接

• pikepdf文档 - 了解PDF对象操作
• PDF规范 - PDF格式详解