我有超過 50,000 個 PDF 文件需要分配給客戶帳戶。但是，每個 PDF 都包含我不希望客戶看到的頁面（公司內部內容），因此我希望能夠根據其內容刪除特定頁面（頁面上顯示「僅供辦公室使用」）並儲存 PDF作為一個新文件。
我對腳本方面很滿意，我只需要知道什麼軟體能夠完成這樣的任務。
答案1
有許多用於操作 PDF 文件的庫，包括未維護的庫pypdf和它的叉子PythonPDF2。您可以逐頁處理文件，提取文字並複製文字合適的頁面。
我使用 Python3.6 和 PyPDF2==1.26.0 執行以下命令：
#!/usr/bin/env python3
import re
import sys
from PyPDF2 import PdfFileWriter, PdfFileReader
pdf_in = PdfFileReader(sys.stdin.buffer)
pdf_out = PdfFileWriter()
for p in [pdf_in.getPage(i) for i in range(0, pdf_in.getNumPages())]:
text = p.extractText()
if not re.search(r'for\s+office\s+use\s+only', text, re.I):
pdf_out.addPage(p)
pdf_out.write(sys.stdout.buffer)
請注意，文件中的文字可能不會完全按照您想要的方式顯示。在 PDF 文件中，行、單字甚至字元可能會出現亂序。文件可以由出現在某些座標的片段構成，而不是文字流。
即使文字按順序排列（通常是這種情況），跨多個頁面的文字也會在中間有頁腳和頁首。跨多行的文字在換行符周圍可能有額外的空格。由於文字對齊，即使同一行上的文字也可能在單字之間有多個空格（這就是我\s+在上面的正規表示式中使用而不是純空格的原因）。
從 PDF 中提取文本的工具嘗試將頁面重建為文本，但並非總是能完美完成工作。如果 pyPdf 不能很好地處理您的文檔，您可以嘗試其他庫進行文字提取；看這和這線程一些例子。
答案2
一種選擇是查看命令列 PDF 編輯器，例如 PDFEdit、Pdftk 或 PDFSaM。 pdftotext 作為識別要刪除的頁碼的簡單方法可能很有用。