pdf-helper | 拒绝散装pdf
决绝散装pdf
起因
上课时候或者下课后想拿课件来做笔记的时候, 遇到过一些尴尬.
如果说直接看老师发的pdf, 就会发现滚好多页才会看完一个有效一页.这种pdf我喜欢叫做散装pdf, 这种情况在用beamer做课件的老师更为常见.
当然, 好在老师提供了ppt, 我们可以从ppt打印为pdf.
问题的确算是解决了, 直到…
大概由于电脑的某些设置不同, 导致了一些内容尴尬地跑出了页面范围… 而且某些文本因为文本框过窄而自动换行(可能因为我的电脑屏幕比老师的小), etc.
种种问题, 导致了ppt导出的pdf没有老师的原始pdf美观, 甚至还会缺失一些信息内容.
动手
毕竟众口难调嘛, 也不好再麻烦老师来迁就我这种口味刁钻的学生, 于是我想到了一个看起来有点无聊的想法: 给老师发的pdf做减法.
用到的库有
1 | import os |
2 | import numpy as np |
3 | from pdf2image import convert_from_path |
4 | from PyPDF2 import PdfFileWriter, PdfFileReader |
然后稍微聊下主要思路:
将每一页pdf转为图片, 转灰度值后每一页pdf对我们而言就只是一个又一个的二维数组而已了, 其中二维数组里面的每一个元素对应着一个像素点的灰度值.
然后对比一下前后两页的数组, 两个数组做差后为0的元素即两页相同的部分, 不为0的部分对应的就是两页不同的像素点. 对不同像素点做一定的判断, 就可以分析这两页是不是都是同一页有效页, 目前代码有两种判断思路:
- 变化像素点数目占总像素数目的比例是否超出阈值(阈值是超参数)
- 发生变化像素点对应的位置(index), 在前一页中的value是否与背景色想对应. 如果觉得这样判断太严格可以加一个容差范围.
走过一次
for循环之后, 我们就得到了每一个有效页第一页的页码, 对原pdf文件提取出对应页码, 重新保存到新的pdf中, 就成功地提取出文档的全部”精华”了.
尾声
以后我只用跑一下程序就好了, 再也不用打开ppt, 等待我缓慢的电脑加载完office, 然后再去找打印的button, 或者ctrl+P打印, 再选一下保存路径等等一系列麻烦无聊恼人的操作了.🥴
回过头来说一下, 代码还没有十分完善, 目前第二种方法只能处理纯色的背景, 对于特殊背景的pdf, 还要多加几行代码, 也不是很麻烦, 有兴趣的可以帮我加上呗(懒).
Usage
打开网页https://github.com/Benature/pdf-helper, 点击右侧的
clone or download. clone到本地后打开pdf_filter文件夹📂
将filter2.py中的
1 | # ========== Config ================== |
2 | path = "path/to/lec/pdf" |
3 | ignore_files = [ |
4 | "pdf_that_u_don't_want_to_filtrate1.pdf", |
5 | "pdf_that_u_don't_want_to_filtrate2.pdf" |
6 | ] |
7 | # ==================================== |
配置一下: path变量修改为你需要处理的那个文件夹路径, ignore_files为当前文件夹下一些你不想处理的文件名, 然后在filter2.py所在文件夹下打开命令行运行程序即可
1 | python3 filter2.py |
具体代码已经上传GitHub仓库👇
欢迎大噶clone来用用, 如果发现有什么要补充的话也欢迎PR.
https://github.com/Benature/pdf-helper/tree/master/pdf_filter