修改 PDF 及其元数据

修改 PDF 及其元数据

RayAlto OP
  2023-09-01 19:03:44 2023-09-01 19:03:44 创建   2024-03-10 16:56:21 2024-03-10 16:56:21 更新    

老早买了一本码奴相关的实体书，以为支持一波正版能激起我当牛做马的欲望。但后来发现一边低头看书，一边抬头看屏幕实在是太蠢了，我可是有三个显示器的人，腾出一个屏幕看电子书还是轻而易举的。

所以老老实实去网上找了一个 PDF ，是某位网友从某个出版社网站上买的正版 PDF ，但是这个 PDF 先是有一个数字版权声明，然后每一页的页脚都被这个出版社标注了网友的用户名和邮箱，看着实在是难受，所以研究了一下怎么去掉这些东西。

1. 编辑 PDF 内容

Adobe 的软件基本都是 Windows 下的，所以这一节的操作都是在 Windows KVM 下完成的

一开始我就知道 Adobe Acrobat Pro DC 可以编辑 PDF ，但我买不起正版，而且之前一直在用的 AMTEmu 早就不能用了。

花两分钟咕噜咕噜之后，找到了 mokrus 这个毛子网站，里面都是 Adobe 的 patched 包，恰好有 Adobe Acrobat Pro DC ，装好了以后就可以随便编辑 PDF 页面的内容：

这个 PDF 是开源的，只是演示一下，实际上编辑的不是这个 PDF

Acrobat 编辑 PDF 的截图

阻止 Adobe Acrobat 对右键菜单的污染

打开 regedit ，打开 HKEY_CLASSES_ROOT ，把里面 * 和 folder 下的 shellex\ContextMenuHandlers\Adobe.Acrobat.ContextMenu 里面的 default 的值前面加上 -- 就可以了，如果不考虑哪一天后悔想要恢复右键菜单可以直接把 Adobe.Acrobat.ContextMenu 删了。

2. 编辑 PDF 元数据

现在可以回到 Linux 了

直接说结论的话 PDF 有两套元数据机制，一个是 PDF 标准下的元数据、一个是 XMP 。这些数据都可以使用 PyMuPDF 来修改， PyMuPDF 是 MuPDF 的 Python 绑定，在 ArchLinux 下有打好的软件包：

1
pacman -S python-pymupdf

和 MuPDF 的 C 接口使用 fitz.h 头文件类似， PyMuPDF 包名为 fitz ：

1
import fitz

最基本的操作为 open 和 save ，两个函数的参数都是文件名：

1
2
3
doc = fitz.open('doc.pdf')
# 做了一些修改
doc.save('doc.modified.pdf')

2.1. PDF 标准元数据

可以通过 pdfinfo 来查看：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
rayalto@RayAltoNUC ~$ pdfinfo ProGit.pdf
Creator:         LaTeX with hyperref package
Producer:        xdvipdfmx (0.7.8)
CreationDate:    Thu Mar  4 20:51:26 2010 CST
ModDate:         Fri Apr  6 23:05:39 2012 CST
Custom Metadata: no
Metadata Stream: no
Tagged:          no
UserProperties:  no
Suspects:        no
Form:            none
JavaScript:      no
Pages:           236
Encrypted:       no
Page size:       595.28 x 841.89 pts (A4)
Page rot:        0
File size:       4764239 bytes
Optimized:       no
PDF version:     1.4

使用 PyMuPDF 可以轻松地读取这些数据：

1
2
3
4
5
import fitz # PyMuPDF

doc = fitz.open('ProGit.pdf')
for k, v in doc.metadata.items():
  print(f'{k}: {v}')

输出：

1
2
3
4
5
6
7
8
9
10
11
format: PDF 1.4
title:
author:
subject:
keywords:
creator: LaTeX with hyperref package
producer: xdvipdfmx (0.7.8)
creationDate: D:20100304215126+09'00'
modDate: D:20120406230539+08'00'
trapped:
encryption: None

修改时需要复制一份，修改好再覆盖上去：

1
2
3
pdfmeta = doc.metadata
pdfmeta['creator'] = 'PyMuPDF'
doc.set_metadata(pdfmeta)

2.2. XMP

是 Adobe 的一个标准，大概是在媒体文件里塞 XML ，可能在被发明的 2001 年是先进的，但现在看来就是一坨。这个元数据也可以通过 pdfinfo 查看：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
rayalto@RayAltoNUC ~$ pdfinfo -meta Algorithms.4th.pdf
<?xpacket begin="" id="W5M0MpCehiHzreSzNTczkc9d"?>
<x:xmpmeta xmlns:x="adobe:ns:meta/" x:xmptk="Adobe XMP Core 5.1.0-jc003">
  <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
    <rdf:Description rdf:about=""
        xmlns:xmp="http://ns.adobe.com/xap/1.0/"
        xmlns:dc="http://purl.org/dc/elements/1.1/"
        xmlns:xmpMM="http://ns.adobe.com/xap/1.0/mm/"
        xmlns:pdf="http://ns.adobe.com/pdf/1.3/"
      xmp:ModifyDate="2018-11-28T17:51:45+08:00"
      xmp:CreateDate="2018-11-28T17:51:45+08:00"
      xmp:MetadataDate="2018-11-28T17:51:45+08:00"
      dc:format="application/pdf"
      xmpMM:DocumentID="uuid:178f2fd1-da33-420f-8ec2-6d65ab4d1f32"
      xmpMM:InstanceID="uuid:1bf8c27c-a796-41a5-815c-dce5ff62aeb5"
      pdf:Producer="xdvipdfmx (0.7.8)"/>
  </rdf:RDF>
</x:xmpmeta>
<?xpacket end="w"?>

使用 PyMuPDF 也可以轻松地读取这些数据，但只能拿到 XML 字符串：

1
print(doc.get_xml_metadata())

输出：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
<?xpacket begin="" id="W5M0MpCehiHzreSzNTczkc9d"?>
<x:xmpmeta xmlns:x="adobe:ns:meta/" x:xmptk="Adobe XMP Core 5.1.0-jc003">
  <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
    <rdf:Description rdf:about=""
        xmlns:xmp="http://ns.adobe.com/xap/1.0/"
        xmlns:dc="http://purl.org/dc/elements/1.1/"
        xmlns:xmpMM="http://ns.adobe.com/xap/1.0/mm/"
        xmlns:pdf="http://ns.adobe.com/pdf/1.3/"
      xmp:ModifyDate="2018-11-28T17:51:45+08:00"
      xmp:CreateDate="2018-11-28T17:51:45+08:00"
      xmp:MetadataDate="2018-11-28T17:51:45+08:00"
      dc:format="application/pdf"
      xmpMM:DocumentID="uuid:178f2fd1-da33-420f-8ec2-6d65ab4d1f32"
      xmpMM:InstanceID="uuid:1bf8c27c-a796-41a5-815c-dce5ff62aeb5"
      pdf:Producer="xdvipdfmx (0.7.8)"/>
  </rdf:RDF>
</x:xmpmeta>
<?xpacket end="w"?>

修改也是需要复制一份，修改好再覆盖：

1
2
3
xmlmeta = doc.get_xml_metadata()
# 做了一些修改
doc.set_xml_metadata(xmlmeta)

总结

虽然理论上 PDF 内容也可以通过 PyMuPDF 来编程修改，但体验下来还是可视化的 Acrobat Pro DC 操作起来方便一点，但 Acrobat 好像并不能修改 PDF 的元数据（而且还会私自修改 XMP 的格式），所以用 PyMuPDF ，实际用起来比 exiftool, pdftk, gs 之类的工具好一些。

目录
修改 PDF 及其元数据
  1. 1. 编辑 PDF 内容
  2. 2. 编辑 PDF 元数据
    1. 2.1. PDF 标准元数据
    2. 2.2. XMP
  3. 总结