使用pdf2image转换PDF出现隐藏页面信息，如何在PDF中移除？

一、先定位隐藏内容类型 #

这些PDF阅读器不可见但转换图片时出现的内容，通常是以下类型之一：

• 隐藏图层（Layers）
• 透明度为0的图形/文本对象
• 标记为隐藏的注释、表单域

可以用Adobe Acrobat的「编辑PDF」功能查看图层面板，或用PDF结构分析工具确认具体类型。

二、命令行工具清理（高效直接） #

1. Ghostscript过滤不可见元素 #

Ghostscript可以直接丢弃PDF中仅用于打印或标记为不可见的内容，执行命令：

gs -o cleaned_output.pdf -sDEVICE=pdfwrite -dPrinted=false -dPDFSETTINGS=/prepress input.pdf

参数说明：

• -dPrinted=false：仅保留屏幕可见的内容
• -dPDFSETTINGS=/prepress：维持原PDF的高质量输出

2. Poppler pdftocairo重生成PDF #

由于pdf2image依赖Poppler，用pdftocairo重新渲染PDF会自动清除不可见元素：

pdftocairo -pdf input.pdf cleaned_output.pdf

三、Python代码集成预处理 #

方式1：用PyMuPDF（fitz）移除隐藏对象 #

import fitz

def clean_hidden_pdf(input_path, output_path):
    doc = fitz.open(input_path)
    for page in doc:
        # 删除透明度为0的图形对象
        for draw_obj in page.get_drawings():
            if draw_obj["fill_opacity"] == 0 and draw_obj["stroke_opacity"] == 0:
                page.delete_shape(draw_obj)
        # 删除标记为隐藏的注释
        for annot in page.annots() or []:
            if annot.get_flags() & fitz.ANNOT_FLAG_HIDDEN:
                page.delete_annot(annot)
    doc.save(output_path)
    doc.close()

# 调用示例
clean_hidden_pdf("input.pdf", "cleaned_output.pdf")

方式2：Python调用Ghostscript #

先安装ghostscript库，再执行：

import ghostscript

def clean_pdf_gs(input_path, output_path):
    gs_args = [
        "gs", "-q", "-dNOPAUSE", "-dBATCH",
        "-o", output_path,
        "-sDEVICE=pdfwrite",
        "-dPrinted=false",
        "-dPDFSETTINGS=/prepress",
        input_path
    ]
    ghostscript.Ghostscript(*gs_args)

clean_pdf_gs("input.pdf", "cleaned_output.pdf")

四、验证效果 #

用处理后的PDF重新转换图片，确认隐藏内容已清除：

from pdf2image import convert_from_path

images = convert_from_path("cleaned_output.pdf")
for idx, img in enumerate(images):
    img.save(f"page_{idx+1}.png", "PNG")

内容的提问来源于stack exchange，提问作者yes89929