文档去水印 dragonsummer1/dsh-watermark-remover

文档去水印 · dsh-watermark-remover

给 DSH 用的 PDF / Word 去水印工具。结构级、无损：不栅格化、不重绘、不 OCR —— 文字还是文字，图片还是图片，被拿掉的只有水印那一层。

它怎么做的

水印在文件里通常不是「一层滤镜」，而是具体结构。本插件按结构识别、按结构移除：

PDF
- 跨页共享的 XObject（Form / Image）水印层 —— 典型特征：同一对象绘制在每一页、盖在全部文字之后、带极低不透明度的 SMask
- 内容流里直接绘制的文字水印（BT..ET 块）
- 移除方式：从内容流剥掉 /Name Do、删除 Resources 引用，再回收失去引用的间接对象 —— 水印图像像素真的不在输出文件里，不是被隐藏

Word（.docx）
- 页眉里的 VML 艺术字水印（v:textpath）
- wp:anchor behindDoc="1" 衬于文字下方的图形、w:background 背景
- 移除方式：整 run 摘除（优先摘整个 <w:r>，摘不干净才退到元素本身）

两步走：先看，再删

| 步骤 | 工具 | 作用 |
| 分析 | analyze | 列出候选 id 与置信度（xobj:21、text:内部资料 …），不改文件 |
| 移除 | remove | 按 id 执行；不传 targets 时只动高/中置信度候选；输出新文件，原件不动 |

对 agent 直接说话就行：「看看这个 PDF 的水印，能去就去掉」。

置信度与防误删

跨页重复是主要证据，但重复不等于水印——正文在每一页也会重复。所以文字候选只有命中水印词表（水印 / 内部 / 机密 / DRAFT / CONFIDENTIAL / SAMPLE …）才会升到中/高置信度，其余一律 low 且不参与自动移除。

实测例子：一份 2 页中文 PDF，正文用 CID 子集字体编码，解码出来是「盩」「盯」「%^」这类乱码、且跨页重复 —— 修复前会被判成 132 个 medium 候选（自动模式会把正文全删），修复后是 {medium: 1, low: 132}，自动模式只动那一个真水印。

能做到 / 做不到（不吹牛）

| 情况 | 结果 |
| PDF 整页水印层（XObject） | ✅ 无损移除 |
| Word 页眉艺术字水印 | ✅ 无损移除 |
| 扫描件、图片内部的水印像素 | ❌ 无法无损去除（属于内容像素） |
| CID/子集字体编码的文字水印 | ⚠️ 字节不可读、无法按文本匹配；这类水印多以 XObject 承载，通常会被 XObject 候选覆盖 |
| 加密 PDF | ❌ 拒绝（请先解密） |

安装

dsh plugin --profile web add dsh-watermark-remover

依赖

pdf-lib（PDF 解析/重写）、adm-zip（docx 解包重打包）。无原生模块，不需要编译工具链。

许可

BSD-3-Clause