用PyMuPDF精准删除PDF指定文字：原理详解与Python实现

你有没有遇过这种场景：一份PDF发出去之前，发现某一页上还留着一行不该出现的字，可能是内部批注、合同模板里的提示语，或者一个反复修改后依然漏掉的旧信息。用编辑器打开想删掉，结果要么提示要付费，要么删完后整页排版跟着乱。我的做法是直接用Python来处理，调几行代码就能把“PDF某一页中的文字”精准移除。这篇文章就是把整个方案、原理、代码和坑一次讲清楚，既适合刚接触Python的新手，也能给需要做文档脱敏、批量清理PDF文字的人一个直接能用的参考。

1. 先搞清楚一件事：你说的“删文字”是哪种删？

很多人一搜“删除PDF文字”，第一反应是找个工具，用白色矩形把文字盖住。这严格来说不叫删除，叫遮挡。PDF里的文字对象还完整保留在内容流里，你用鼠标能选中，Ctrl+C能复制，甚至拿解压工具把页面打开，字符串原文还在里面。如果这个文件是要对外发布或者做脱敏处理，这种“删除”等于没删。

文件最终用途决定你要用哪种方案，建议按这个思路来选：

所以动手前先问自己一个问题：这份文件发出去之后，别人会不会拿到源文件去分析？如果答案是“会”或者“有可能”，就不建议用覆盖方案。后面讲的所有内容，也默认是基于“真正从内容流里删掉文字”这个目标来展开的。

1.1 视觉覆盖和真正删除的本质区别

我用一个最简单的方式解释。PDF页面上的文字，本质上是一堆“绘制指令”，类似告诉打印机“在某个坐标，用某个字体，画出一串字符”。你把白色矩形盖在文字上面，等于在这堆绘制指令后面又追加了一条“画一个白色矩形”的指令。页面显示时，矩形遮住了文字，但之前的文字指令并没有消失。这是两层的问题。

内容流级删除则完全不同。它是把那段“绘制文字”的指令从内容流里直接抹掉，或者把该字符的显示范围标记为“删除区域”，再让PDF渲染引擎跳过这一区域的文本，同时清理掉字体引用和文本块信息。文字不再存在于页面描述里，自然也就无从选中和复制。

这个区别在纯数字环境下很容易被忽略，但在文件安全要求高的场景里是生死线。比如你给客户发一份报价单，里面有一行只给内部看的折扣底价，用白色方块盖住，对方把矩形删掉就能看到；用Redaction删除，对方无论如何无法恢复。

1.2 布局固定性：为什么删完不会自动重排

还有一个必须提前建立的心理预期：PDF和Word不一样，它没有“文档流”的概念，页面是绝对定位的。你在Word里删掉一行字，后面的内容会自动上移；在PDF里删掉一行字，那块区域就空着，后面的内容位置纹丝不动。

大部分时候我们手动删文字，目的就是想让某个位置不再显示内容，所以空着反而是正常的。但如果你期望的是“删掉第5页的某句话后，整个页面的排版自动重新整理”，那需要的是文档编辑工具而不是PDF处理方案，可能要回到源文件去改。

2. 工具选型：为什么我最后选了PyMuPDF

Python处理PDF的库不少，PyPDF2（现在叫pypdf）、pdfrw、pikepdf、reportlab、PyMuPDF各有各的擅长领域。但具体到“删除某一页中的指定文字”这个需求，绝大多数库做不了，或者做起来非常别扭。

2.1 主流Python PDF库在“删文字”上的能力边界

我整理了一张表，把它们的边界列出来：

在试过一圈之后，我的结论是：如果想快速、稳定地实现“搜索某个关键词，然后把包含它的文字块从页面上删干净”，PyMuPDF是当前社区里最优解。它把“定位文字”和“删除文字”拆成两个非常清晰的API，省去了大量内容流解析工作。

需要说明的是，PyMuPDF并不是万能的。它的强项是处理有文本层的PDF（也就是文字可以被选中、搜索的PDF），对于纯图片型扫描件，它同样无能为力。这一点后面有一整节来展开。

2.2 Redaction机制：脱敏工具当删除工具用

PyMuPDF处理这个需求的核心机制叫Redaction，直译是“删改、涂黑”。这个功能最早是给文档脱敏用的——比如政府公开文件前，需要把身份证号、电话号这些敏感信息彻底抹掉。它做的事情是：

1. 在页面上定位一个矩形区域；
2. 标记这个区域为“待删改”；
3. 调用应用方法后，PyMuPDF会解析页面内容流，把落入这个区域内的文字指令、图像、链接、注释一并清除；
4. 同时把该区域填充为指定颜色（通常是白色或黑色）。

听起来是不是正合适？所谓“删除PDF某一页中的文字”，本质上就是“对一个区域做Redaction”。文字是目标区域，删改把它变成白底空白，但又不仅仅是画个白色方块——它是真的从内容流清理掉了。

PyMuPDF还提供了search_for方法，能根据文字内容找到它所在的位置，返回一个或多个矩形坐标。把这两个功能串起来，就是最直接的删除流程：先搜文字，拿到矩形，标记删改，应用删改。

3. 动手前的原理课：PDF页面里的文字到底怎么存的

既然是做技术方案，我建议还是花五分钟搞清楚底层存储方式。理解了这一点，遇到各种奇奇怪怪的“删不掉”情况时，你就能自己推断问题出在哪。

3.1 内容流里的文字运算符

PDF页面内容不是一个“文字图层”加一个“图片图层”，而是写在一段内容流（Content Stream）里的一串操作符。用文本形式看，类似这样：

code复制BT
/F1 12 Tf
72 720 Td
(Hello, World) Tj
ET

其中BT和ET标记一段文本对象的开始和结束，Tf设置字体和字号，Td设置起始坐标，Tj是显示一个字符串。还有更复杂的TJ运算符，用来显示带字符间距调整的字符串数组。

关键点：PDF里的文字不是像HTML里那样的“元素”，而是一串绘制指令。所以“删除文字”在底层只有两条路：要么把这些指令从内容流中去掉，要么用覆盖指令遮住它，再没有第三种魔法。

3.2 为什么“搜不到文字”时不能硬删

search_for的工作原理，是解析页面里每个文字块的Unicode编码，通过字体里的ToUnicode映射表转成真实字符，然后和你要搜索的关键词做匹配。这个过程依赖字体信息是否完整。

现实中很多PDF是从某个软件导出的，字体嵌入不规范，或者只保留了字形而没有Unicode映射关系，结果就是——肉眼能看到“张三”，但用search_for就是搜不到。这时如果你把整个文件列为“无法处理”，就太可惜了。

正确思路是准备两套方案：能搜索定位就用搜索定位，精确删除；搜索不到，就用坐标区域删除。比如你知道要删的文字在第2页右半边的中上位置，直接画一个矩形覆盖过去，同样能解决问题。后面实操部分两套代码都会给。

3.3 Redaction应用后会留下什么

apply_redactions执行完之后，目标区域内的文字绘制指令被移除，同时页面内容流会做一次清理和重写。如果这个区域内有图像，默认情况下也会被一并删除（可以调整参数保留或只删除图像）。区域本身会被填充成你指定的颜色。

这里有个容易被忽视的细节：Redaction不会把该区域“挖空”，渲染后它就是一块纯色。所以如果你删的是正文中的一句话，页面会留下一块白底，而其他文字位置不变。还有一点，Redaction处理的是页面内容流，不会影响其他页面的内容，这一点也符合“删除某一页中的文字”的需求定位。

4. 核心实操：给“删除某页文字”写一个能直接用的脚本

环境准备很简单，只需要一个库。我建议在虚拟环境里操作，避免污染系统Python环境。

4.1 安装与基本环境检查

打开终端，执行：

bash复制pip install pymupdf

安装完成后，用下面的代码确认一下版本，并顺手检查当前PDF能不能正常打开：

python复制import fitz  # PyMuPDF 的导入模块名是 fitz

print(fitz.__doc__)

这里有个历史遗留问题要说明：PyMuPDF安装包的名字是pymupdf，但导入模块名一直是fitz。网上很多老教程写import fitz，新接触的人容易困惑，其实两者是同一个东西。新版PyMuPDF（1.24.0+）也支持import pymupdf的写法，但为了兼容老代码，社区普遍还是用import fitz。

4.2 按文字内容删除：先定位再删

假设你有一份PDF，需要删除第5页中出现的所有“仅内部参考”这几个字。完整脚本如下：

python复制import fitz

def delete_text_on_page(pdf_path, output_path, page_index, keywords):
    """
    删除指定页面中的指定关键词文字
    :param pdf_path: 输入PDF路径
    :param output_path: 输出PDF路径
    :param page_index: 页码，从0开始
    :param keywords: 关键词列表，如 ["仅内部参考", "机密"]
    """
    doc = fitz.open(pdf_path)
    if page_index < 0 or page_index >= len(doc):
        print(f"页码 {page_index} 超出范围，文档共有 {len(doc)} 页")
        doc.close()
        return

    page = doc[page_index]
    for keyword in keywords:
        # 第一步：查找关键词位置
        rects = page.search_for(keyword)
        if not rects:
            print(f"在第 {page_index + 1} 页没有找到: {keyword}")
            continue

        # 第二步：为每个匹配位置添加删改标注
        for rect in rects:
            # 关键：fill=(1,1,1) 表示用白色填充，避免出现黑块
            page.add_redact_annot(rect, fill=(1, 1, 1))
            print(f"标记删除: {keyword} @ {rect}")

    # 第三步：统一应用所有删改操作
    page.apply_redactions()

    # 保存文件
    doc.save(output_path, garbage=4, deflate=True)
    doc.close()
    print(f"处理完成，结果已保存至: {output_path}")

if __name__ == "__main__":
    delete_text_on_page(
        pdf_path="input.pdf",
        output_path="output.pdf",
        page_index=4,          # 第5页
        keywords=["仅内部参考", "机密"]
    )

这个脚本里有几个地方需要特别解释：

page.search_for返回的是一个矩形对象列表。如果同一个关键词在同一页出现多次，它会返回多个矩形，每个矩形对应一处文字。代码里用循环遍历，逐个添加删改标注，最后一次性apply_redactions。

为什么不是每找到一个就立即apply_redactions？因为删改操作会重写内容流，如果你频繁交替执行“查找-应用-再查找-再应用”，有概率因为内容流变化导致位置偏移，而且性能也差。正确做法是全部标记好，最后统一应用。

4.3 按区域删除：不知道文字内容也能删

有些场景下你根本不知道那行字具体是什么，双击文字只能看到一个乱码，或者干脆就是一个文本框嵌入了特殊的编码字形，search_for搜不到。这时按坐标区域删除就是兜底方案。

python复制import fitz

def delete_region_on_page(pdf_path, output_path, page_index, area_rect, fill_color=(1, 1, 1)):
    """
    删除指定页面中某个矩形区域内的所有可见内容
    :param area_rect: 矩形区域，格式为 (x0, y0, x1, y1)
    """
    doc = fitz.open(pdf_path)
    page = doc[page_index]

    rect = fitz.Rect(area_rect)
    page.add_redact_annot(rect, fill=fill_color)
    page.apply_redactions()

    doc.save(output_path, garbage=4, deflate=True)
    doc.close()
    print(f"已删除区域 {area_rect} 内的内容")

if __name__ == "__main__":
    delete_region_on_page(
        pdf_path="input.pdf",
        output_path="output_region.pdf",
        page_index=2,
        area_rect=(100, 200, 300, 250),  # 坐标以PDF点为单位，1点=1/72英寸
    )

坐标怎么看？一个实用小技巧：先用page.get_text("words")把页面文字块全部打印出来，格式是(x0, y0, x1, y1, word, block_no, line_no, word_no)，这样就能拿到每段文字的具体坐标。没有文本层的话，就只能肉眼量了，一般PDF查看器里显示的实际尺寸，和PDF坐标基本是1:1的对应关系。

4.4 批处理：多页关键词一次删干净

标题是“某一页”，但实际项目中，我经常遇到的是“某几页里都有这个词，都要删”。扩展逻辑很简单，把页码参数改成页码范围：

python复制import fitz

def delete_text_on_pages(pdf_path, output_path, page_list, keywords):
    doc = fitz.open(pdf_path)
    for page_index in page_list:
        if page_index < 0 or page_index >= len(doc):
            print(f"跳过越界页码: {page_index}")
            continue
        page = doc[page_index]
        for keyword in keywords:
            for rect in page.search_for(keyword):
                page.add_redact_annot(rect, fill=(1, 1, 1))
        page.apply_redactions()
        print(f"第 {page_index + 1} 页处理完成")
    doc.save(output_path, garbage=4, deflate=True)
    doc.close()

凡是涉及逐页操作，我强烈建议在循环里打日志，把每页处理结果标注出来。原因无他：PDF页面多的时候，你以为处理了第5页，其实脚本里的索引是从0开始的，第5页对应page_index=4，这个错我犯过不止一次。所以写个直观的页码打印，能在调试时省下大量时间。

5. 实际运行中踩过的坑和应对方法

代码看起来简单，但从“能跑”到“稳定跑对”，中间隔着一些我踩过的坑。逐个列出来，供后面的人参考。

5.1 搜索到的文字“删不干净”的几种情况

第一种情况是文字被跨行拆分。search_for默认是精确匹配字符串，如果一句话在PDF里因为排版原因被分成了两行，搜索完整句子就找不到。解决办法是拆成短关键词，分别搜索并标记。比如“请于2024年12月31日前提交申请表”，分成“2024年12月31日”和“提交申请表”两段分别删。

第二种情况是同一个词有全角半角、空格差异。你搜的是“内部参考”，PDF里可能是“内部 参考”或者“内部参考 ”（带个尾随空格）。稳妥做法是对关键词做归一化处理：把英文标点转中文标点、去掉首尾空格后再逐个试。不过在搜索之前并不知道PDF原文怎么存，最实际的办法就是多个关键词变体都试一遍：

python复制keywords_variants = ["内部参考", "内部 参考", "内部\t参考", "internal use only", "INTERNAL USE ONLY"]

第三种情况是文字被做过透明或叠放处理。有些PDF在文字上方叠加了一层图形或蒙版，Redaction虽然删了文字，但图形还在，视觉上依然能看到一个色块。这种时候就需要用区域删除方案，把该区域整体清空，包括图形、图像。

还有一点非常容易踩：执行完apply_redactions之后再去搜索关键词，发现还是在。原因多半是你搜到了另一个页面上的相同文字，或者这个页面里文字被拆分成了多个span，而你只删了其中一部分。我的验证方式很直接：保存后重新打开PDF，用page.get_text()提取整页文本，再看目标词是否还在。

5.2 保存文件的两个重要细节

PyMuPDF的save方法参数很多，但有两个参数我几乎是必开的：garbage=4和deflate=True。

garbage是垃圾回收级别，级别越高，清理越彻底。对于Redaction操作，内容流已经被重写过，建议用garbage=4，它可以清除未引用的对象、冗余数据，让输出文件更干净。deflate=True则是对内容流进行压缩，减小文件体积。

另一点，Redaction操作后的文件，不建议用“增量保存”覆盖原文件。PyMuPDF支持incremental=True的增量保存模式，速度快，但增量保存保留了原始版本信息，理论上存在被恢复的可能。既然目的是删除敏感文字，那增量保存就违背了初衷。我的习惯是生成新文件，原文件另存备份。

5.3 扫描件没有文本层的处理思路

这个话题得单独说。扫描件、拍照件这类PDF，本质上就是一张图片装进了PDF外壳，里面根本没有文本层。你对它做任何文字搜索都是白搭，search_for肯定找不到，get_text()提取出来也是空。

遇到这种文件，第一选择是考虑是否真的需要“删除文字”。如果只需要把图片上某个区域的文字盖掉，那可以直接用图像处理库——把PDF页面渲染成高分辨率图片，用Pillow画个白色矩形，再保存为新PDF。

python复制import fitz
from PIL import Image

# 渲染PDF页面为图片
doc = fitz.open("scan.pdf")
page = doc[0]
pix = page.get_pixmap(dpi=200)
pix.save("page.png")

# 用Pillow在指定区域画白色矩形
img = Image.open("page.png")
# 注意：图像坐标与PDF坐标需要换算，dpi=200时像素=点*200/72

这个方法说白了还是视觉覆盖，但对于纯图片文件，它已经是实际意义上最有效的“删除”了，因为图片里根本没有可提取的文字对象。另一种思路是先OCR识别文字位置，再用Redaction区域删除，但因为OCR本身就有误差，我不推荐作为通用方案。

6. 更进一步：从“删文字”到“PDF文字清理”的完整思路

掌握前面的基本操作后，可以往两个方向扩展：一是去掉整个文本层，二是把关键词脱敏做得更智能。

6.1 如何移除PDF里的整个文本层

我做一个扩展，解决“双层PDF”场景。所谓双层PDF，就是底层是一张扫描图像，上层是OCR软件叠加的透明文字层，方便搜索和复制。但有时候你希望把它还原成纯图片版本，防止别人复制文字。用PyMuPDF可以这么做：

python复制import fitz

def strip_text_layer(pdf_path, output_path, dpi=200):
    doc = fitz.open(pdf_path)
    new_doc = fitz.open()
    for page in doc:
        # 将原页面渲染成位图
        pix = page.get_pixmap(dpi=dpi)
        img_data = pix.tobytes("png")
        # 创建新页面，尺寸保持与原页面一致
        new_page = new_doc.new_page(width=page.rect.width, height=page.rect.height)
        new_page.insert_image(page.rect, stream=img_data)
    new_doc.save(output_path, garbage=4, deflate=True)
    new_doc.close()
    doc.close()

注意，这个方法相当于把每个页面变成图片，文件体积会明显增大，而且文字不再可搜索。如果只是想去掉某几页的文字层，只对目标页执行这个操作，其他页面保持不变，可以自行裁剪代码。dpi的选择要权衡：200dpi能满足常规阅读，300dpi更清晰但文件更大。

这个方法还能用来“归档”：把带批注、带链接的PDF清理成纯展示版本，防止他人顺藤摸瓜跳转到外部资源。

6.2 结合正则表达式批量脱敏敏感信息

最后一个进阶用法，也是我自己项目里最常用的：用正则找敏感信息，再用Redaction删掉。比如批量删除PDF里的手机号、身份证号。

思路是用page.get_text("dict")获取页面文字块的详细信息，包括每个span的文本和坐标，然后用正则匹配，找到匹配的span位置并标记。

python复制import fitz
import re

def redact_pattern(pdf_path, output_path, pattern):
    doc = fitz.open(pdf_path)
    regex = re.compile(pattern)
    for page in doc:
        page_rects = []
        data = page.get_text("dict")
        for block in data["blocks"]:
            if "lines" not in block:
                continue
            for line in block["lines"]:
                for span in line["spans"]:
                    text = span["text"]
                    if regex.search(text):
                        # 用span的bbox作为删除区域
                        bbox = fitz.Rect(span["bbox"])
                        page_rects.append(bbox)
        for rect in page_rects:
            page.add_redact_annot(rect, fill=(0, 0, 0))  # 涂黑
        page.apply_redactions()
        if page_rects:
            print(f"第 {page.number + 1} 页处理了 {len(page_rects)} 处")
    doc.save(output_path, garbage=4, deflate=True)
    doc.close()

# 示例：批量涂黑手机号
redact_pattern("input.pdf", "output.pdf", r"1[3-9]\d{9}")

这里用fill=(0,0,0)黑色填充，脱敏文档用黑条是行业惯例。如果你希望是白底，改成(1,1,1)即可。get_text("dict")的优势是能拿到每个span的精确边界，和search_for返回的矩形相比，它对单行中的片段级匹配更灵活。

在我实际跑过的文件里，这个方法能一次性处理几百页PDF，把匹配到的电话、邮箱全部涂黑，不需要人工干预。当然了，正则精度要自己把控，别把正常数字也误删了。

做这类操作，我的个人建议是始终保留原始文件备份，因为Redaction是不可逆的。先复制一份再处理，哪怕处理完发现误删，也能一键还原。另外，处理完务必用阅读器打开检查一遍，重点看有没有残留的选中文本、有没有区域变成黑块的意外情况。PDF处理这件事，代码能跑通只是第一步，结果符合预期才算真正完成。