用于去除离散数学课件中冗余页面，提高可读性

第八章群论的ppt存在一些问题，少了以下页数

本脚本通过 OCR（光学字符识别）提取 PDF 页面右下角的页码信息，删除具有相同页码的重复页面，仅保留每个页码的最后一个出现的页面，并生成一个新的 PDF 文件。

1. Python 3.8 或更高版本。
2. 以下 Python 库：
   • PyPDF2
   • pdf2image
   • pytesseract

1. 安装 Python 库
   使用 pip 安装所需库：

   pip install PyPDF2 pdf2image pytesseract

2. 安装 Tesseract-OCR

   • Windows： 从 Tesseract OCR 下载并安装。
     安装完成后，将路径（例如 C:\Program Files\Tesseract-OCR\tesseract.exe）添加到系统的 PATH 环境变量中。
   • Linux：

     sudo apt-get install tesseract-ocr

   • macOS：

     brew install tesseract

3. 安装 Poppler

   • Windows： 从 Poppler for Windows 下载并安装。
     将 bin 文件夹的路径添加到系统 PATH 环境变量中。
   • Linux：

     sudo apt-get install poppler-utils

   • macOS：

     brew install poppler

1. 将脚本文件（remover.py）放置在项目目录中。
2. 确保输入的 PDF 文件与脚本位于同一目录，或者在脚本中指定 PDF 文件的完整路径。
3. 运行脚本：

   python remover.py

1. 输入 PDF 文件：

   • 修改 input_pdf 变量以指定输入 PDF 文件的名称。
     示例：input_pdf = "example.pdf"

2. 输出 PDF 文件：

   • 脚本会在输入 PDF 文件名的基础上生成一个新的去重 PDF 文件，文件名加上前缀 "output"。

3. OCR 检测区域：

   • ocr_area 变量定义了页码所在的矩形区域。格式为 (left, top, right, bottom)。
   • 需要根据实际 PDF 页面内容调整此区域。

input_pdf = "示例.pdf"
output_pdf = "output_示例.pdf"
ocr_area = (908, 731, 1008, 756)  # 根据实际 PDF 调整

1. 转换 PDF 页面为图片：
   使用 pdf2image 将 PDF 的每一页转换为图片。

2. 提取页码信息：
   对每页图片的指定区域运行 OCR，识别出页码信息（如 1/145）。

3. 去重逻辑：
   对具有相同页码的页面，仅保留其最后一次出现。

4. 生成新 PDF 文件：
   保存处理后的唯一页面到新 PDF 文件中。

输入 PDF 文件为 example.pdf，脚本将生成去重后的文件 output_example.pdf。

本脚本基于 PyPDF2、pdf2image 和 pytesseract 实现。适用于处理带有重复页码信息的 PDF 文档，简化手动操作流程。