使用PyPDF2移除PDF文本后转PNG出现空白问题咨询

我想要从带文本的PDF生成不含文本的PDF，使用了以下Python程序：

def remove_text_from_pdf(pdf_path_in, pdf_path_out):
    '''Removes the text from the PDF file and saves it as a new PDF file'''
    #Open the PDF file with the diagram and the text in read mode
    pdf_file = open(pdf_path_in, 'rb')
    
    #Create a PDF reader and writer object
    pdf_reader = PyPDF2.PdfReader(pdf_file) #OLDER VERSION WAS IN USE
    pdf_writer = PyPDF2.PdfWriter(pdf_file) #OLDER VERSION 'PDFFILEWRITER' IN USE

    #Get the pages from the PDF reader
    page = pdf_reader.pages[0]

    #Add the pages from the pdf reader to the pdf writer
    pdf_writer.add_page(page)

    #Remove the text from all pages added to the writer
    pdf_writer.remove_text()

    #Open the text output file in write mode
    out_file = open(pdf_path_out, 'wb')

    #Save the information to the text file
    pdf_writer.write(out_file)

    return

随后使用以下函数将输出文件转为PNG：

def convert_pdf_to_png(pdf_path, png_path):
    '''Converts a PDF file to a PNG file'''
    #Set the image maximum pixels to be none so that it doesn't give a DOS attack error
    pdffile = pdf_path
    doc = fitz.open(pdffile)
    page = doc.load_page(0)  # number of page
    pix = page.get_pixmap()
    output = png_path
    pix.save(output)
    doc.close()

但得到的PNG文件是纯空白的白色图像，预期生成的PDF应为非空白状态，请问该如何解决？

核心问题分析 #

• PyPDF2初始化错误：创建PdfWriter时传入原PDF的读流pdf_file是错误用法，PdfWriter应初始化为空对象，绑定原文件流会导致生成的PDF结构损坏，最终转PNG显示空白。
• remove_text()方法局限性：PyPDF2的该方法仅能移除标准文本层，若原PDF文本嵌入矢量图形、图像中，或是扫描件格式，方法无法生效甚至破坏页面渲染。
• 文件流未正确关闭：代码未显式关闭文件流，可能导致文件写入不完整。

修复方案 #

方案1：修正PyPDF2代码 #

调整PdfWriter初始化方式，用with语句自动管理文件流避免资源泄漏：

import PyPDF2

def remove_text_from_pdf(pdf_path_in, pdf_path_out):
    '''Removes the text from the PDF file and saves it as a new PDF file'''
    with open(pdf_path_in, 'rb') as pdf_file:
        pdf_reader = PyPDF2.PdfReader(pdf_file)
        # 初始化空的PdfWriter，不再传入原文件流
        pdf_writer = PyPDF2.PdfWriter()

        page = pdf_reader.pages[0]
        pdf_writer.add_page(page)

        pdf_writer.remove_text()

        with open(pdf_path_out, 'wb') as out_file:
            pdf_writer.write(out_file)

方案2：使用PyMuPDF（fitz）直接处理（更可靠） #

PyMuPDF对PDF结构操作更稳定，可直接移除页面文本块后保存PDF，再转PNG：

import fitz

def remove_text_from_pdf(pdf_path_in, pdf_path_out):
    '''使用PyMuPDF移除PDF文本'''
    doc = fitz.open(pdf_path_in)
    page = doc.load_page(0)
    
    # 获取所有文本块并用白色覆盖
    text_blocks = page.get_text("blocks")
    for block in text_blocks:
        rect = fitz.Rect(block[:4])
        page.add_redact_annot(rect, fill=(1,1,1))
    page.apply_redactions()
    
    doc.save(pdf_path_out)
    doc.close()

def convert_pdf_to_png(pdf_path, png_path):
    '''Converts a PDF file to a PNG file'''
    doc = fitz.open(pdf_path)
    page = doc.load_page(0)
    pix = page.get_pixmap(dpi=300)  # 指定DPI提升清晰度
    pix.save(png_path)
    doc.close()

验证步骤 #

1. 运行修复后的remove_text_from_pdf生成新PDF
2. 手动打开新PDF确认内容非空白且文本已移除
3. 运行convert_pdf_to_png转PNG，检查输出图像是否正常

内容的提问来源于stack exchange，提问作者Rutvij Gholap