PyMuPDF删除PDF空行失败，求完整解决方案（附尝试代码）

问题分析 #

你的代码存在两个核心问题：

1. Redact用法错误：使用cross_out=True仅会给空行添加删除线，并非真正删除内容；同时apply_redactions的text=0参数会保留原文本，导致标记后无实际删除效果。
2. 空行判断逻辑不完善：仅检查单个span是否为空，但一行可能包含多个span，需判断整行文本是否为空。

方案一：修正Redact删除逻辑 #

通过调整Redact注释的使用方式，精准标记并删除多余空行：

import fitz  # PyMuPDF

def remove_extra_lines_spaces(doc):
    for page in doc:
        blocks = page.get_text("dict", sort=True)["blocks"]
        empty_line_count = 0
        to_redact = []
        
        for block in blocks:
            if block["type"] != 0:  # 仅处理文本块（type=0为文本）
                continue
            for line in block["lines"]:
                # 拼接该行所有span文本，判断是否为空行
                line_text = "".join([span["text"] for span in line["spans"]]).strip()
                if not line_text:
                    empty_line_count += 1
                    # 仅删除第2个及以后的连续空行
                    if empty_line_count >= 2:
                        to_redact.append(line["bbox"])
                else:
                    empty_line_count = 0
        
        # 批量添加删除注释（无需cross_out，默认删除）
        for bbox in to_redact:
            page.add_redact_annot(bbox)
        
        # 应用删除：text=1删除文本，REDACT_FLAGS_CLEAN清理空白区域
        page.apply_redactions(
            images=2, 
            graphics=2, 
            text=1, 
            flags=page.REDACT_FLAGS_CLEAN
        )
    return doc

# 使用示例
doc = fitz.open("your_file.pdf")
doc = remove_extra_lines_spaces(doc)
doc.save("cleaned_file.pdf")
doc.close()

方案二：重新生成页面内容（更可靠） #

若PDF中空行是段落间距而非文本行，Redact方法可能无效，可通过提取有效文本重新排版：

import fitz

def remove_extra_lines_spaces(doc):
    for page in doc:
        lines = []
        blocks = page.get_text("dict", sort=True)["blocks"]
        last_empty = False
        
        for block in blocks:
            if block["type"] != 0:
                continue
            for line in block["lines"]:
                line_text = "".join([span["text"] for span in line["spans"]]).strip()
                if line_text:
                    # 记录文本、位置、排版参数
                    lines.append({
                        "text": line_text,
                        "x0": line["bbox"][0],
                        "fontsize": line["spans"][0]["size"],
                        "font": line["spans"][0]["font"],
                        "wmode": line["wmode"],
                        "dir": line["dir"]
                    })
                    last_empty = False
                else:
                    # 仅保留一个连续空行
                    if not last_empty:
                        lines.append({"text": ""})
                        last_empty = True
        
        # 清空页面原有内容
        page.clean_contents()
        
        # 重新写入文本，保持原排版风格
        if not lines:
            continue
        # 获取初始行高和位置
        first_line = next(item for item in lines if item["text"])
        y_pos = page.rect.y1 - 50  # 顶部偏移，可根据实际调整
        line_height = first_line["fontsize"] * 1.2  # 行高设为字体大小的1.2倍
        
        for line in lines:
            if line["text"]:
                page.insert_text(
                    (line["x0"], y_pos),
                    line["text"],
                    fontsize=line["fontsize"],
                    fontname=line["font"],
                    wmode=line["wmode"],
                    dir=line["dir"]
                )
            y_pos -= line_height
    
    return doc

# 使用示例
doc = fitz.open("your_file.pdf")
doc = remove_extra_lines_spaces(doc)
doc.save("cleaned_file.pdf")
doc.close()

注意事项 #

• 处理前请备份原PDF，避免不可逆修改。
• 方案二需根据PDF实际排版调整行高、顶部偏移等参数，确保还原原格式。
• 部分PDF的空行可能由布局属性（如段落间距）导致，此时方案二的效果更稳定。

内容的提问来源于stack exchange，提问作者MURTUZA BORIWALA