PDFClean - PDF 水印移除工具

一个基于 Node.js 的命令行工具,用于移除 PDF 文件中的浅色水印。

功能特点

• ✅ 自动检测并移除浅色水印
• ✅ 多线程并行处理,充分利用 CPU 核心
• ✅ 2倍分辨率处理,确保小字体水印精确识别
• ✅ 友好的命令行界面,带进度条显示
• ✅ 支持多页 PDF 批量处理
• ✅ 容错机制,单页失败不影响整体输出

安装依赖

前置要求

• Node.js >= 18.12.0
• 对于 macOS: 需要 Xcode Command Line Tools
• 对于 Linux: 需要 Cairo 库和相关开发包

安装步骤

# 克隆或进入项目目录
cd pdf_img

# 安装依赖
npm install

# 将 CLI 工具链接到全局
npm link

依赖说明

项目使用以下核心依赖:

• @napi-rs/canvas (^0.1.97): PDF 页面渲染和像素级操作
• jspdf (^3.0.4): PDF 生成和合并
• pdfjs-dist (^4.0.379): PDF 解析和内容提取
• yargs (^17.7.2): 命令行参数解析
• cli-progress (^3.12.0): 进度条显示

使用方法

基础用法

# 最简单的用法,自动生成输出文件名
pdfclean input.pdf

# 指定输出文件
pdfclean input.pdf -o output.pdf

# 指定 Worker 线程数和渲染缩放
pdfclean input.pdf -w 4 -s 3

# 禁用进度条
pdfclean input.pdf --no-progress

命令行参数

Usage: pdfclean <input> [options]

参数:
  input                输入 PDF 文件路径                        [必需]

选项:
  -o, --output         输出 PDF 文件路径         [默认: input_clean.pdf]
  -w, --workers        最大 Worker 线程数        [默认: CPU 核心数]
  -S, --scale          渲染缩放因子 (越高质量越好) [默认: 2]
  --no-progress        禁用进度条                [默认: false]
  -h, --help           显示帮助信息
  -v, --version        显示版本号

示例:
  pdfclean input.pdf                        移除 input.pdf 的水印
  pdfclean input.pdf -o output.pdf          指定输出文件
  pdfclean input.pdf -w 4 -s 3              使用 4 个 Worker,3 倍缩放

程序化使用

const { removePdfWatermark } = require('./src/pdfWatermarkRemover');

// 基本用法
await removePdfWatermark('input.pdf', 'output.pdf');

// 带选项
await removePdfWatermark('input.pdf', 'output.pdf', {
  maxWorkers: 4,        // Worker 线程数
  scale: 2,             // 渲染缩放
  onProgress: (current, total) => {
    console.log(`处理进度: ${current}/${total}`);
  }
});

工作原理

水印检测算法

系统使用双重判定机制检测浅色水印:

1. RGB 范围检测: 像素的 R、G、B 值都在 160-255 范围内
2. 饱和度检测: max(R,G,B) - min(R,G,B) ≤ 10 (接近灰色)

满足以上两个条件的像素会被识别为水印并替换为纯白色 (255, 255, 255)。

处理流程

输入PDF → PDF解析 → 多线程并行处理 → 像素级水印检测 →
生成PNG图片 → PDF重建 → 合并所有页面 → 输出PDF

性能特点

• 并行处理: 使用 Worker 线程池,充分利用多核 CPU
• 2倍分辨率: 提高水印检测准确率
• 内存优化: 流式处理,减少内存占用

项目结构

pdf_img/
├── bin/
│   └── cli.js              # CLI 入口
├── src/
│   ├── index.js            # 主入口
│   ├── pdfWatermarkRemover.js  # 主控制器
│   ├── watermarkProcessor.js   # 水印处理核心
│   ├── worker.js           # Worker 线程脚本
│   └── workerPool.js       # Worker 线程池管理
├── package.json
└── README.md

常见问题

Canvas 安装失败

如果 canvas 依赖安装失败:

macOS:

xcode-select --install
npm install canvas

Ubuntu/Debian:

sudo apt-get install build-essential libcairo2-dev libpango1.0-dev libjpeg-dev libgif-dev librsvg2-dev
npm install canvas

Windows: 建议使用预编译版本或 WSL2

内存不足

处理大型 PDF 时可能遇到内存问题,可以尝试:

1. 减少 Worker 数量: pdfclean input.pdf -w 2
2. 降低渲染缩放: pdfclean input.pdf -s 1.5

部分页面处理失败

工具具有容错机制,即使部分页面失败也会输出可处理的页面。检查控制台输出查看失败原因。

技术栈

• Node.js 18.12.0+
• Canvas - PDF 渲染和像素操作
• jsPDF - PDF 生成
• PDF.js - PDF 解析
• Worker Threads - 多线程处理

License

MIT

作者

开发者: 根据技术方案实现

更新日志

v1.0.0 (2024)

• 初始版本发布
• 实现基础水印移除功能
• 支持多线程并行处理
• 命令行工具完整实现