Un PDF con páginas en blanco es una pequeña molestia hasta que se imprime, se envía por correo electrónico a un cliente o se envía a un portal que cuenta páginas. Un escáner dúplex guarda el reverso vacío de cada hoja de una sola cara. Una exportación de Word agrega una página final debido a una marca de párrafo perdida. Una combinación deja hojas separadoras. Las páginas no llevan nada, pero cuestan papel, alargan el pergamino y hacen que un documento parezca inacabado.
Eliminarlos suena trivial y, para una página, puedes verla y nombrarla. Lo difícil es encontrarlas en un archivo largo y decidir qué páginas están realmente en blanco. Esta guía explica cómo las páginas en blanco entran en un PDF, cómo el software puede distinguir una página en blanco de una página con contenido, dónde se agota esa detección y cómo usarlas Eliminar la herramienta Páginas en blanco para limpiar un archivo sin eliminar algo que necesitabas.
TL;Dr: Una página PDF en blanco es una página que no dibuja nada: no tiene flujo de contenido, un flujo de contenido sin operadores de dibujo u operadores de texto que solo muestran espacios. El Eliminar páginas en blanco la herramienta lee cada flujo de contenido de page's, preselecciona las páginas que ciertamente están en blanco y deja páginas que dibujan solo una imagen (que es como se ve una hoja en blanco escaneada) para que la elijas a mano. Confirmas la selección, debe permanecer al menos una página y el archivo limpio se descarga como
name_cleaned_N_removed.pdf. Es del lado del cliente, gratuito, no hay registro y no se carga nada.
¿de dónde vienen las páginas en blanco en un PDF?
Las páginas en blanco casi siempre son un efecto secundario de cómo se creó el archivo, no una elección que nadie hizo a propósito. Las fuentes comunes se dividen en un puñado de patrones, y saber cuál produjo sus páginas en blanco le indica cómo serán detectadas.
El escaneo dúplex es la fuente más importante. Un escáner configurado para capturar ambos lados de cada hoja guarda el reverso de una página de un solo lado como su propia imagen. Una carta de 20 hojas escaneada de esta manera se convierte en un PDF de 40 páginas con 20 imágenes casi blancas.
Las exportaciones de procesadores de textos son las segundas. Un documento cuya última línea va seguida de un párrafo vacío, un salto de página o un salto de sección puede exportar con una página final. Esa página suele contener un operador de texto que muestra un solo espacio, porque el exportador escribió el párrafo vacío tal como lo encontró.
Las fusiones y las plantillas son las terceras. La combinación de varios PDF puede transferir separadores de cubierta u hojas divisorias, y los generadores de informes a menudo rellenan un documento con un recuento de páginas par, por lo que se forman líneas de impresión a doble cara.
Las ediciones a nivel de página son las últimas. Una página agregada como marcador de posición y nunca completada es común en los archivos creados con el tiempo.
Estos patrones importan porque producen diferentes tipos de "en blanco y quot; dentro del archivo. Algunas páginas no contienen nada en absoluto. Algunas contienen instrucciones que no dibujan nada. Algunas contienen una imagen de página completa en papel blanco. El software puede reconocer los dos primeros con certeza y no puede reconocer el tercero sin medir píxeles.
¿Cómo puede el software saber que una página PDF está en blanco?
El software le indica a una página en blanco una página con contenido leyendo la secuencia de contenido de la página 's y verificando si alguna instrucción contiene marcas en la página. No mira la imagen renderizada.
Cada página de PDF describe su apariencia como un flujo de contenido: una secuencia de operadores con operandos, definidos en la especificación PDF ISO 32000-2. La mayoría de los operadores solo establecen el estado. Tf elige una fuente y un tamaño, Td mueve la posición del texto, rg establece un color de relleno, cm cambia el sistema de coordenadas. Ninguno de ellos dibuja nada por sí solo. Sólo un pequeño grupo de operadores marca la página:
- operadores de visualización de texto:
Tj,TJ,'y" - operadores de pintura de rutas:
S,s,f,F,f*,B,B*,byb* Do, que pinta un objeto externo como una imagen o una formash, que pinta un sombreadoBI, que comienza una imagen en línea
Una página cuyo flujo de contenido no contiene ninguno de esos operadores no dibuja nada, por muy largo que sea el flujo. Esa es una respuesta definitiva, no una estimación, y es la base de la eliminador de páginas en blanco en Toolz.
El control debe tener cuidado con lo que cuenta como operador. La carta f es un operador de relleno, pero también aparece dentro de un nombre de fuente como /F1. Un literal de cadena como (BT Do ET) es texto para mostrar, no tres operadores. Entonces, la herramienta elimina literales de cadena, cadenas hexadecimales y comentarios antes de escanear, y solo coincide con operadores en los límites de los tokens. Sin ese paso, cada referencia de fuente parecería tinta y casi ninguna página se reportaría en blanco.
¿cómo es un "en blanco" flujo de contenido?
Ver un flujo de contenido hace que la idea sea concreta. Aquí hay tres flujos decodificados, del tipo que encontrará detrás de tres páginas de un documento exportado.
Una página que dibuja texto:
BT
/F1 12 Tf
72 720 Td
(Hello) Tj
ET
Una página cuyo único texto es un solo espacio, la clásica página final de una exportación de Word:
BT
/F1 12 Tf
72 720 Td
( ) Tj
ET
Una página que configura el estado pero nunca dibuja:
q
0 0 0 rg
1 0 0 1 72 720 cm
Q
La primera transmisión muestra la cadena Hello, entonces la página tiene contenido. El tercero no tiene ningún operador de marcado, por lo que está en blanco. El segundo es el interesante. Contiene Tj, entonces un simple recuento de operadores lo llamaría contenido. Pero la única cadena que muestra es un espacio, que no pone nada visible en el papel.
La herramienta maneja ese caso explícitamente. Cuando cada operador de marcado en una página es un operador de texto, observa las cadenas que se muestran. Si cada cadena literal es espacio en blanco y cada cadena hexadecimal decodifica en espacios, pestañas o saltos de línea, la página se informa como "Solo se dibujan espacios en blanco" y tratado como en blanco. Esa regla detecta una gran parte de las páginas en blanco que la gente intenta eliminar de los documentos exportados.
¿Qué páginas se detectan y cuáles te quedan?
La herramienta le da a cada página uno de tres veredictos, y solo uno de ellos está preseleccionado para su eliminación. Esta tabla resume cómo se dibuja cada tipo de página y qué le sucede.
| Tipo de página | Lo que contiene su flujo de contenido | fallo | Preseleccionado para su eliminación |
|---|---|---|---|
| Página agregada y nunca dibujada | Sin flujo de contenido | En blanco ("Sin flujo de contenido.") | sí |
| Página que establece fuentes, colores o coordenadas únicamente | Operadores, pero ninguno que marque la página | En blanco ("La transmisión de contenido no dibuja nada.") | sí |
| Página final de una exportación de Word | Operadores de texto que muestran sólo espacios o saltos de línea | En blanco ("Solo se dibujan espacios en blanco.") | sí |
| Hoja en blanco escaneada | Un soltero Do pintando una imagen blanca |
Sólo imagen | prohibido |
| Página escaneada con contenido real | Un soltero Do pintando una imagen |
Sólo imagen | prohibido |
| Página con número de pie de página, línea de borde o rectángulo blanco | Operadores de pintura de texto o rutas | contenido | prohibido |
| Página cuyo flujo no se puede decodificar | Desconocido | Contenido, mantenido para estar seguro | prohibido |
| Página normal de texto o gráficos | Operadores de marcado | contenido | prohibido |
Dos filas merecen una mirada más cercana.
Las filas de solo imagen son la misma fila dos veces, desde el punto de vista de la herramienta '. Una hoja en blanco escaneada y un contrato firmado escaneado son ambas imágenes dibujadas Do. Para diferenciarlos es necesario renderizar la página y medir qué tan blancos son los píxeles, lo que requiere un motor de renderizado que la herramienta no lleva. En lugar de adivinar, deja las páginas de solo imágenes sin seleccionar ni marcar, por lo que se parecen a cualquier otra página de la cuadrícula. Eliminar una página no se puede deshacer y una herramienta que adivina mal en un contrato hace más daño que una que lo solicita.
La fila no codificable es una regla de seguridad. Si un flujo de contenido se comprime con un filtro que no se puede leer, la página no se puede juzgar, por lo que se trata como contenido. Eliminar una página debido a una falla en el análisis es el único resultado sin recuperación.
¿cómo se eliminan páginas en blanco de un PDF paso a paso?
El flujo de trabajo tiene cuatro pasos y no se elimina nada hasta el último.
- Abra el archivo. Arrastre un PDF al eliminar la herramienta de páginas en blanco o haga clic para elegir uno. La página muestra el nombre del archivo, el tamaño y el recuento de páginas.
- Lea el análisis. Se comprueba cada página. La línea de resumen dice, por ejemplo, "2 páginas en blanco detectadas" y las páginas en blanco aparecen en rojo en la cuadrícula de páginas, ya seleccionada.
- Ajusta la selección. Haga clic en cualquier número de página para agregarlo o eliminarlo. "Seleccione Blank" restaura el conjunto detectado y "Deseleccione todo" borra todo. Una página en blanco detectada que anula mantiene un pequeño punto amarillo, para que aún pueda ver qué encontró el análisis. Para archivos escaneados, compárelos con el original y haga clic en las páginas de solo imagen que están realmente vacías.
- Descargar. El botón dice "Descargar (2 páginas eliminadas)" o cualquiera que sea su recuento. Las páginas restantes se copian en un nuevo documento que lleva el nombre del original, como por ejemplo
report_cleaned_2_removed.pdf.
El resumen de salida debajo de la cuadrícula muestra las páginas originales, las páginas a eliminar y las páginas resultantes, por lo que puede verificar la aritmética antes de hacer clic. El botón de descarga se desactiva cuando no se selecciona nada y cuando se selecciona cada página, porque al menos una página debe permanecer en la salida.
Un ejemplo trabajado: antes y después
Tome un archivo de cinco páginas llamado report.pdf, ensamblado a partir de varias fuentes:
| Página | Lo que contiene | fallo |
|---|---|---|
| 1 | Título y texto de introducción | contenido |
| 2 | Página de marcador de posición, nunca dibujada | En blanco |
| 3 | Un único espacio dejado por una exportación de Word | En blanco |
| 4 | Una imagen escaneada de un formulario firmado | Sólo imagen |
| 5 | Texto final | contenido |
Cuando se carga el archivo, el resumen dice " se detectaron 2 páginas en blanco" y las páginas 2 y 3 están preseleccionadas en rojo. La página 4 permanece no seleccionada sin marcador. El botón lee "Descargar (2 páginas eliminadas)".
Antes: 1 2 3 4 5
După: 1 4 5, renumerado en el nuevo archivo como 1 2 3
El archivo guardado es report_cleaned_2_removed.pdf, con tres páginas. La página 4 original es ahora la página 2 y la página 5 original es ahora la página 3.
Ahora cambie un detalle. Supongamos que la página 4 fuera un escaneo del reverso vacío de una hoja en lugar de un formulario firmado. El análisis alcanzaría exactamente el mismo veredicto, solo imagen, y el archivo se cargaría exactamente de la misma manera. La diferencia es que haría clic en la página 4 antes de descargar, el botón leería "Descargar (3 páginas eliminadas)" y el resultado sería report_cleaned_3_removed.pdf con páginas 1 5, renumerado 1 2.
¿Por qué no se detectó una página que parece en blanco?
Una página que parece en blanco pero no preseleccionada casi siempre dibuja algo pequeño o invisible. El análisis se trata de operadores, y es fácil pasar por alto varias marcas comunes a simple vista.
Un encabezado o pie de página en ejecución con un número de página es un operador de texto que muestra caracteres reales, por lo que la página tiene contenido. Una línea de borde delgada, una marca de recorte o una regla de línea de cabello es un operador de pintura de caminos. Un rectángulo relleno de blanco es un operador de relleno, aunque el blanco sobre el blanco no muestra nada. Y una página escaneada con una capa OCR lleva texto invisible encima de la imagen, dibujado con operadores de texto, por lo que se lee como contenido.
En todos estos casos la solución es la misma: haga clic en el número de página para seleccionarlo a mano. La herramienta nunca te impide eliminar una página que no detectó, solo se niega a decidir por ti.
Si el archivo no se abre en absoluto y la página muestra " Error al cargar PDF. Pruebe con otro archivo." la causa más probable es la protección con contraseña. Los PDF cifrados se rechazan cuando se analizan. Elimine la contraseña en un visor de PDF en el que confía, guarde una copia y cárguela en su lugar.
¿Qué cambios en el archivo limpio y qué no?
Las páginas que conserva se copian tal como están y los extras a nivel de documento no. Comprender la división le ayuda a decidir si conserva el original.
Las páginas conservadas se copian con pdf-lib's copia de la página, no se representan ni se recodifican. El texto permanece seleccionable, las fuentes permanecen incrustadas, las imágenes mantienen su resolución y cada página mantiene su tamaño y rotación. El contenido de una página mantenida es byte por byte las mismas instrucciones de dibujo que tenía antes.
Lo que no se traslada es la estructura que pertenece al documento y no a las páginas. El nuevo archivo no tiene título de documento ni marcadores, porque el árbol de contorno vive a nivel de documento. Mantenga el original si eso le importa, lo cual es fácil porque la herramienta nunca lo modifica: el PDF limpio es una descarga nueva.
El tamaño de los archivos suele disminuir, pero menos de lo que la gente espera. Una página que no dibuja nada casi no contiene datos, por lo que eliminarla ahorra poco. Los verdaderos ahorros provienen de los archivos escaneados, donde cada página en blanco es una imagen de tamaño completo. Si el objetivo es un archivo adjunto más pequeño en lugar de menos páginas, ejecute el resultado comprimir pdf también; el guía para comprimir un PDF explica qué compresión puede y qué no puede encogerse.
Eliminar páginas en blanco versus eliminar páginas PDF versus organizar PDF
Estas tres herramientas se superponen y elegir la correcta se reduce a si ya sabes qué páginas deben ir.
| colocación | Mejor herramienta | porque |
|---|---|---|
| No sabes dónde están las páginas en blanco | Eliminar páginas en blanco | Encuentra páginas que no dibujan nada y las preselecciona |
| Ya conoces los números de página o un rango a cortar | Eliminar páginas PDF | Elimina las páginas que nombras, en blanco o no |
| Debes eliminar algunas páginas y reordenar el resto | Organizar PDF | Mueva y elimine páginas de una sola pasada |
| Quiere las secciones separadas en blanco como archivos separados | PDF dividido | Corte el documento en varios archivos PDF por rango |
Un patrón útil para los documentos escaneados es combinarlos. Utilice primero el detector de páginas en blanco para captar las páginas que ciertamente están en blanco y ver la cuadrícula de páginas, luego haga clic con la mano en los respaldos vacíos escaneados. Si el orden de las páginas también es incorrecto después del escaneo, el guía para organizar páginas PDF cubre reordenamiento y se aplica el mismo procesamiento del lado del cliente. El conjunto completo de herramientas de página está en el Centro de herramientas PDF.
¿Es seguro eliminar páginas en blanco de documentos confidenciales en línea?
Con una herramienta del lado del cliente, el documento nunca sale de su dispositivo. El archivo se lee, analiza y reescribe en JavaScript dentro de la pestaña del navegador. No se carga, registra ni almacena en un servidor y, una vez cargada la página, sigue funcionando sin conexión de red.
Eso es importante para los documentos que tienden a recopilar páginas en blanco: contratos escaneados, trámites médicos y de seguros, extractos bancarios y archivos de recursos humanos. Esos son exactamente los archivos que no deben enviarse a un servidor desconocido para eliminar algunas hojas vacías. La herramienta es gratuita, no hay registro y no agrega marca de agua.
Alternativas a un eliminador de páginas en blanco en línea
Una herramienta de navegador es una de varias rutas y cada una tiene un lugar.
Los editores de PDF de escritorio, como Adobe Acrobat, pueden eliminar páginas de un panel en miniatura, y algunas ediciones pagas incluyen una opción de detección de páginas en blanco en sus funciones de escaneo u optimización. Esa ruta se adapta a personas que ya tienen licencia del software.
El software del escáner suele ser el mejor lugar para solucionar el problema en la fuente. Muchos controladores del escáner incluyen " omitir páginas en blanco" o "eliminar páginas en blanco" opción que mide la imagen a medida que se captura, antes de escribir el PDF. Debido a que el controlador ve los píxeles, puede captar respaldos en blanco que una verificación a nivel de operador no puede. Al activarlo se evita el problema de futuros escaneos.
Las herramientas de línea de comandos se adaptan al trabajo por lotes. qpdf puede escribir un nuevo archivo desde páginas seleccionadas, por ejemplo qpdf in.pdf --pages . 1,4,5 -- out.pdf, una vez que sepas qué páginas conservar. Detectar páginas escaneadas en blanco en un script generalmente significa representar cada página con una herramienta como Ghostscript o Poppler y medir qué parte de la imagen no es blanca.
La ventaja de la herramienta del lado del cliente es que no necesita instalación, se ejecuta igual en ningún sistema operativo, nunca carga el archivo y le muestra todas las decisiones antes de eliminar algo.
