Как удалить пустые страницы из PDF после сканирования

Пустая страница скана редко белая: на ней серый фон, точки пыли и полоса от ролика. Детектор рендерит каждую страницу, убирает одиночные точки, меряет долю тёмных пикселей и считает символы текстового слоя. Страница уходит, только если обе проверки сочли её пустой. Уровень чувствительности выбирает, насколько «грязный» лист ещё считается чистым, а страницы с одной подписью или печатью стоит защитить распознаванием текста или проверить вручную.

Пачка односторонних справок прошла через автоподатчик в двустороннем режиме, и в PDF каждая вторая страница пустая. Или сканировали договор, где половина листов заполнена с одной стороны, и теперь в файле на сорок страниц двадцать чистых. Отправлять такое неловко, печатать расточительно, а удалять по одной странице вручную долго и легко ошибиться.

Удалить пустые страницы находит такие листы автоматически и убирает их за один проход. Но «пустая страница» для сканера и для человека не одно и то же, и от того, как именно детектор принимает решение, зависит, не выбросит ли он заодно страницу с подписью. Разберём, как он работает, что регулируют его настройки и где его стоит перепроверять.

Откуда в PDF берутся пустые страницы

Чаще всего виноват двусторонний режим сканера. Автоподатчик снимает обе стороны каждого листа, а если оборот чистый, в файле появляется пустая страница. Для стопки односторонних документов это ровно половина файла.

Вторая причина — разделители. Чистые листы кладут между документами, чтобы потом разрезать общий скан на части, и забывают вынуть. Третья — экспорт из текстовых редакторов: разрыв раздела или лишний перевод страницы в конце документа даёт белый лист, которого в самом тексте не было.

Есть и четвёртая, и про неё важно помнить до запуска: пустые страницы, которые поставили намеренно. В книгах и методичках новая глава начинается с правой, нечётной страницы, и перед ней стоит пустой оборот. В документе, подготовленном под двустороннюю печать, такие листы держат раскладку. Убрать их значит сдвинуть все главы на чётные страницы. Для файлов «под печать» лучше удалять страницы по номерам, а не детектором.

Почему пустая страница скана не белая

Если открыть «пустой» лист скана и увеличить его, он окажется не белым. У бумаги серый оттенок, по полю разбросаны точки пыли со стекла, вдоль края тянется тонкая полоса от ролика автоподатчика, а если оборот был заполнен, сквозь тонкую бумагу просвечивает зеркальный текст. Для программы, которая ищет чисто белые пиксели, такая страница полна содержимого.

Поэтому детектор не ищет белый цвет, а меряет, сколько на странице того, что темнее бумаги. Каждая страница рисуется в картинку и переводится в оттенки серого. Затем по ней проходит медианный фильтр: каждый пиксель заменяется на медиану своих соседей, и одиночные точки пыли и шум сканера исчезают, а сплошные пятна, буквы и линии остаются. После этого считается доля пикселей темнее порога бумаги. У по-настоящему пустого скана эта доля близка к нулю, у страницы с одним абзацем текста заметно больше.

Фильтр решает главную проблему сканов: без него лист с россыпью мелкого мусора выглядел бы для детектора заполненным, и такие страницы оставались бы в файле.

Вторая проверка: текстовый слой

Картинка не единственный источник. Если в PDF есть текстовый слой, у страницы отдельно считается число символов без учёта пробелов. Это важно для двух случаев.

Первый — документы из редакторов. Страница с одной строкой «Приложение 2» почти не содержит чернил, но в ней есть текст, и она остаётся. Второй — обратный: страница с текстовым слоем, где написано «Эта страница намеренно оставлена пустой», тоже остаётся, потому что символов на ней больше, чем допускает любой уровень чувствительности. Это ровно то поведение, которое нужно: такую страницу поставили специально.

Чтобы страница была удалена, обе проверки должны сойтись: чернил меньше порога и символов меньше порога. Достаточно одной «заполненной» проверки, и страница остаётся. У скана без распознанного текста символов нет вообще, и решение принимается только по картинке.

Что регулируют три уровня чувствительности

Уровень чувствительности задаёт оба порога сразу: сколько площади может быть занято чем-то тёмным и сколько символов текста допустимо, чтобы страница всё ещё считалась пустой. Чем выше уровень, тем более «грязный» лист детектор готов признать чистым.

Числа для ориентира: на среднем уровне пустой считается страница, где темнее бумаги меньше процента площади, и в текстовом слое не больше нескольких символов. Низкий уровень вдвое строже, высокий вдвое мягче. Для сравнения, строка мелкого текста на листе А4 занимает заметно меньше процента площади, то есть на высоком уровне скан с одной короткой строкой может уйти.

Отсюда практическое правило. Начинайте со среднего. Если в результате остались серые пустые листы, поднимайте уровень. Если пропало что-то нужное, опускайте. Каждый запуск обрабатывает исходный файл заново, так что перебор уровней ничего не портит.

Порог в процентах для ручной настройки

Под уровнями есть поле с порогом в процентах, в интерфейсе оно подписано как «минимальное соотношение бланков». Это та же самая доля площади, только заданная числом: порог 95 означает, что страница считается пустой, если не меньше 95 процентов её площади чистые, то есть тёмного на ней не больше пяти процентов. Чем выше число, тем строже проверка и тем меньше страниц удалится.

Пока поле не тронуто, оно не участвует в работе, и порог берётся из уровня чувствительности. Как только в него вписано значение, оно заменяет порог площади, выбранный уровнем, а порог по числу символов по-прежнему берётся из уровня. Поэтому пользоваться им стоит только когда три уровня не подошли: например, очень тёмный скан с фоном в несколько процентов площади, который даже высокий уровень не считает пустым. Тогда порог опускают ниже уровня по умолчанию, и такие листы уходят.

Обратная ситуация тоже бывает: если инструмент отказывается работать, потому что считает пустыми вообще все страницы, а порог уже стоит на максимуме, сообщение об ошибке подскажет уменьшить чувствительность. Сам порог в этом случае уже не поможет.

«Оставить первую страницу»

Отдельный переключатель защищает первую страницу от удаления, даже если детектор посчитал её пустой. Он нужен для обложек и титульных листов: у сканированных папок первой часто идёт почти чистая страница с одной надписью или штампом, которую легко потерять на высоком уровне. С защитой она остаётся на месте, а остальные листы проверяются как обычно.

На другие страницы переключатель не распространяется. Если нужно сохранить чистый лист в середине документа, например, разделитель перед приложением, после обработки его придётся вернуть, или удалять пустые страницы вручную по номерам.

Порядок действий

1. Откройте Удалить пустые страницы и загрузите один PDF. Инструмент обрабатывает по одному файлу за запуск: пачку сканов сначала соберите в один документ. 2. Оставьте средний уровень чувствительности для первого прохода. Если первая страница титульная, включите «оставить первую страницу». 3. Запустите обработку. Страницы проверяются по очереди, поэтому на длинном скане индикатор идёт равномерно, а не стоит и потом прыгает к концу. 4. Скачайте результат и проверьте его, как описано ниже, прежде чем удалять исходник.

Если файл защищён паролем на открытие, инструмент его не примет: сначала снимите пароль через Разблокировать PDF, затем удаляйте страницы. Защита, которая только запрещает печать или копирование, не мешает. Повреждённый файл, который не открывается, стоит прогнать через Восстановить PDF.

Как проверить результат

Списка удалённых страниц инструмент не показывает, но проверить работу можно за минуту.

Сначала посмотрите на число страниц. У двустороннего скана односторонних документов оно должно уменьшиться ровно вдвое: было сорок, стало двадцать. Если стало девятнадцать, одна заполненная страница ушла вместе с пустыми, и её нужно найти. Если осталось двадцать три, три пустых листа детектор не признал, и уровень стоит поднять.

Затем пролистайте файл там, где пустые страницы точно были: обороты справок, границы между документами, конец файла. Соседние страницы должны идти подряд без разрывов. Особенно внимательно смотрите на листы с малым количеством содержимого: подпись, печать, одна строка с номером приложения, рукописная пометка. Именно они ближе всего к порогу.

Оригинал при этом сохраняйте, пока не убедитесь в результате. Инструмент его не меняет: удаление происходит в новом файле.

Страницы, которые детектор может удалить зря

У любого автоматического детектора есть зона риска, и у этого она хорошо очерчена: страницы скана, на которых мало чернил и нет текстового слоя.

• Лист с одной подписью или росчерком. Подпись занимает доли процента площади, текстового слоя у скана нет.
• Страница с печатью или штампом без текста вокруг.
• Последняя страница договора, где только строка «Приложения: на 3 листах» мелким шрифтом.
• Бланк, на котором заполнена одна графа.
• Светлые карандашные пометки на почти пустом листе.

Такие страницы на низком уровне почти всегда остаются, на среднем обычно тоже, на высоком могут уйти. Если в документе есть подобные листы, запускайте на низком уровне или заранее дайте детектору вторую опору.

Второй опорой служит текстовый слой. Если прогнать скан через OCR PDF до удаления пустых страниц, распознанный текст появится у каждой страницы, где есть хоть что-то читаемое: номер приложения, печать с названием организации, строка мелким шрифтом. Для детектора такая страница перестанет быть пустой независимо от того, сколько чернил на картинке. Чисто пустые листы при этом текста не получат и по-прежнему будут удалены. Подпись без единой буквы распознавание не спасёт, такие страницы проверяйте глазами.

Что ещё меняется в файле

Удаление страниц не ограничивается тем, что их не видно в просмотрщике. Инструмент собирает новый документ из оставшихся страниц, переназначает внутренние ссылки и закладки на новые номера и выбрасывает из файла объекты, на которые больше никто не ссылается. Содержимое удалённых страниц в файле не остаётся. Это имеет значение, если «пустая» страница на деле была просвечивающим оборотом с чужими данными: после обработки его в файле нет.

Напечатанная на листах нумерация, если она была, не пересчитывается: это просто текст на картинке. Если после очистки нужна сквозная нумерация, проставьте её заново отдельным инструментом.

В каком порядке обрабатывать пачку сканов

Удаление пустых страниц редко бывает единственной операцией над сканом. Обычно файл ещё нужно собрать из частей, повернуть, распознать и сжать, и порядок этих шагов влияет на результат.

Собирайте файл до очистки, а не после. Если склеить документы сначала, пустые листы уйдут из всех частей одним запуском, и не придётся повторять настройку для каждого файла. Поворот перевёрнутых страниц можно делать в любой момент: детектор смотрит на долю чернил, а не на ориентацию.

Распознавание текста ставьте перед очисткой, если в документе есть страницы с малым количеством содержимого, и после неё, если таких страниц нет. В первом случае текстовый слой защитит подписные листы и штампы, во втором распознавание пройдёт быстрее, потому что пустые страницы уже не будут тратить время.

Сжатие оставляйте последним. Оно пересчитывает картинки страниц, и каждая лишняя страница в этот момент стоит времени и места. Кроме того, после сильного сжатия у серого фона меняется оттенок, и порог, который подходил исходному скану, может повести себя иначе. Детектор должен видеть файл таким, каким его выдал сканер.

Итоговая последовательность для обычной стопки односторонних документов выглядит так: собрать части в один файл, убрать пустые страницы, при необходимости повернуть, распознать текст, сжать перед отправкой. Для папки с подписными листами и бланками распознавание переезжает на второе место, перед очисткой.

Когда вместо детектора лучше удалять по номерам

Автоматика хороша для сканов, где пустые страницы одинаково пустые и их много. В трёх случаях ручной способ надёжнее.

Первый — файл под двустороннюю печать, где пустые обороты стоят специально. Второй — документ с несколькими почти пустыми, но нужными страницами: подписные листы, бланки с одной графой. Третий — когда пустых страниц две или три и известно, где они. Тогда откройте Удалить страницы и укажите номера, или переставьте и уберите лишнее глазами в Организовать PDF, где каждую страницу видно до того, как она исчезнет.

А если сканировать ещё только предстоит, проблему проще не создавать: для односторонних документов выключите двусторонний режим в настройках сканера, и пустые обороты не попадут в файл. Когда скан делается телефоном, Сканировать в PDF собирает только те снимки, которые вы сделали, и пустых страниц в нём не бывает по построению.