从 PDF 文档中删除冗余内容的页面

Question 1

你调查过吗pdfbox? 您可以调用其各种功能从命令行。您可以将每个页面提取为文本，使用 diff 查看每个连续页面是否大部分都是对前一个页面的添加，跟踪有趣的页面，然后再次使用 pdfbox 仅提取这些页面。

根据您的评分，我推测您不需要详细的说明来完成所有这些操作:)

Answer

你调查过吗pdfbox? 您可以调用其各种功能从命令行。您可以将每个页面提取为文本，使用 diff 查看每个连续页面是否大部分都是对前一个页面的添加，跟踪有趣的页面，然后再次使用 pdfbox 仅提取这些页面。

根据您的评分，我推测您不需要详细的说明来完成所有这些操作:)

Question 2

我正好遇到了同样的需要。所以我创建了一个 Python 脚本，可以自动检查和删除 PDF 中冗余内容的页面。试试看这里。

这对于重复的文本内容很有效，但如果同一张幻灯片上的动画替换了之前的图像，它可能无法保留图像 - 因为我不需要那样。如果有人找到方法，请通过打开 PR 让我知道 - 我很乐意改进它。

附言：感谢您的详细提问！它帮助我为这个脚本写了一个不错的自述文件。:)

Answer

我正好遇到了同样的需要。所以我创建了一个 Python 脚本，可以自动检查和删除 PDF 中冗余内容的页面。试试看这里。

这对于重复的文本内容很有效，但如果同一张幻灯片上的动画替换了之前的图像，它可能无法保留图像 - 因为我不需要那样。如果有人找到方法，请通过打开 PR 让我知道 - 我很乐意改进它。

附言：感谢您的详细提问！它帮助我为这个脚本写了一个不错的自述文件。:)

Question 3

我编写了一个 CLI 实用程序，可以从 pdf 中删除“动画”（逐步显示）幻灯片。

它需要从演示文稿导出的 pdf 文件。
它检测两页连续页面之间的图像差异（假设背景为白色）。
如果后续页面仅能增强该页面的效果，则它会省略该页面。

因为它确实存在图像差异，所以提取文本时出现问题或者两张连续幻灯片之间的唯一差异是图像都不应该有关系。

它的名字是：https://github.com/mit/mit/blob/master/mit/licensed-repo/。pdfdeanimate-image.py可以在这个 MIT 许可的仓库中找到：https://github.com/schokotets/pdf-slides-utils- 我愿意接受拉取请求，因为到目前为止实现还不是很清晰。

我已将当前的 python 源代码复制到此处。它需要poppler-utils渲染 pdf 并pdftk连接 pdf。它创建一个目录来存储.pgm文件，这些文件是灰度幻灯片渲染。

通过以下方式运行：./pdfdeanimate-image.py slides.pdf。
结果是一个文件stripped-slides.pdf。

#!/usr/bin/env nix-shell
#!nix-shell -i python3 -p poppler_utils pdftk python38 python38Packages.numpy python38Packages.pillow

import subprocess
import sys
import os
import glob
import numpy
from PIL import Image, ImageOps

pdffile = sys.argv[1]
pdffile_name = pdffile.rsplit(".",1)[0]

pgmdir_name = pdffile_name+"-pgm"
pgmfile_name = pgmdir_name+"/"+pdffile_name

try:
    os.mkdir(pgmdir_name)
    subprocess.run(["pdftoppm", "-gray", pdffile, pgmfile_name])
    print("converted pdf to pgm files")
except FileExistsError:
    print("assuming pdf is already converted to pgm")


lastpix = None
haslastpix = False

containpages = []
currenthold = -1

filelist = glob.glob(os.path.join(pgmdir_name, '*.pgm'))
for filename in sorted(filelist, key=lambda s: s.lower()):
    pagenr = filename.rsplit("/",1)[-1].rsplit(".",1)[0].rsplit("-",1)[-1]

    img = Image.open(filename)
    pix = numpy.array(img)
    img.close()

    if haslastpix:
        isconsecutive = numpy.all(lastpix >= pix)
        if not isconsecutive:
            containpages.append(currenthold)

    lastpix = pix
    haslastpix = True
    currenthold = pagenr

containpages.append(currenthold)

print(f"reduced {len(filelist)}-pages pdf to {len(containpages)}-pages pdf")

subprocess.run(["pdftk", pdffile, "cat"] + containpages + ["output", "stripped-"+pdffile])

Answer