如何移除PDF文件中的隐藏斜向文本区域？

问题背景 #

测试Python文本拆分逻辑时，发现一份单页PDF存在异常：

• 文档包含不可见的额外文本，搜索“55074”能定位到5个匹配的隐藏区域（显示为黄色高亮）。
• 这些隐藏区域可通过鼠标斜向拖动选中（蓝色区域为选中范围）。

可行的解决方法 #

1. Python脚本自动清理（推荐） #

用PyMuPDF（fitz）库遍历PDF页面，过滤重复或位置异常的文本块，重新生成干净的PDF：

import fitz

def remove_hidden_text(input_path, output_path):
    doc = fitz.open(input_path)
    for page in doc:
        # 获取所有带坐标信息的文本块
        text_blocks = page.get_text("blocks")
        cleaned_blocks = []
        existing_text = set()
        
        for block in text_blocks:
            x0, y0, x1, y1, content, _, _ = block
            # 过滤重复文本，也可根据坐标范围筛选正常显示的文本
            stripped_content = content.strip()
            if stripped_content and stripped_content not in existing_text:
                existing_text.add(stripped_content)
                cleaned_blocks.append(block)
        
        # 清空原页面内容，重新添加清理后的文本
        page.delete_text()
        for block in cleaned_blocks:
            x0, y0, _, _, content, _, _ = block
            # 字体大小可根据原文档调整，确保显示一致
            page.insert_text((x0, y0), content, fontsize=10)
    
    doc.save(output_path)
    doc.close()

# 调用示例
remove_hidden_text("原文件.pdf", "清理后文件.pdf")

2. 专业PDF工具手动处理 #

• Adobe Acrobat Pro：打开PDF进入「编辑PDF」模式，全选所有文本删除，仅保留可见的正常文本重新输入；也可使用「预检」工具，选择“删除隐藏文本”的预设完成一键清理。
• Foxit PhantomPDF：在「编辑」菜单中找到「删除隐藏文本」功能直接处理。

3. 图像转换法（适合文本量少的场景） #

把PDF页面导出为高清PNG/JPG图像，再将图像转回PDF。这种方法会彻底移除所有文本层，仅保留图像，缺点是生成的PDF无法再编辑文本。

内容的提问来源于stack exchange，提问作者SoajanII