删除重复页面 v1.0

删除PDF重复页面，指的是在同一份PDF内部找出被重复收录的页，只保留其中一份。这类重复绝大多数来自扫描仪的双页进纸——同一张纸被走了两遍，两页内容一样，噪点、倾斜和曝光却处处不同，按文件字节比对永远发现不了。DocPivot 的重复页面删除工具在浏览器本地识别，先把准备删掉的页标出来给你看，确认无误才重建文件，原件全程不上传。

DocPivot 重复页面删除工具概述

核心功能

工具只做一件事：在一份PDF里找出内容重复的页，每组保留一份，输出一个新PDF。文件用 pdf.js 在本地打开并渲染成页面网格，每一页同时提取两种特征——去掉多余空白后的文字，以及一张 32×32 的平均亮度指纹。指纹在白底上居中渲染，同一张纸的两次扫描因此能逐格对齐。判定完成后由 pdf-lib 按原有顺序重建文件，保留下来的页不会被打乱，也不会被重新编码。如果你的扫描件是纯图像、一个字都提取不出来，可以先用PDF文字识别工具把文字层补上，判定会更稳。

目标用户与使用场景

最需要它的是每天跟批量扫描打交道的人：财务岗归档报销凭证和发票、行政岗整理合同和营业执照副本、律所扫描卷宗、学校和事业单位做档案数字化、医院整理病历复印件。这些场景的共同点是纸多、批量走ADF自动进纸、没人会逐页翻看结果。夹带静电的纸、订书钉压过的折痕、过薄的热敏纸，都会让进纸轮抓起两张又只走一张，重复页就这么混进了归档文件。清理空白分隔页则是另一件事，交给删除空白页工具更合适。

问题与解决方案

重复页的代价不在体积，而在后续环节：一份多出12页的报销凭证在审核时会被打回，一份重复了3页的投标文件在形式评审阶段就可能失分。以前的做法是打开PDF阅读器逐页翻，300页的扫描件翻一遍要二十分钟，眼睛还容易漏。现在的做法是打开文件、选判定强度、看一眼标红的页、按下删除，300页大约6.5秒就检查完，结果面板会直接写清楚删了几页、删的是哪几页。

删除PDF重复页面的主要优势

• 本地处理：文件不离开浏览器，没有上传、没有排队、没有每日次数限制。扫描件里常有身份证复印件和银行账号，这一点比速度重要。
• 认得出重扫页：判定不依赖字节一致，同一张纸扫两遍产生的两页，哪怕像素处处不同，也会被归到一组。
• 先看后删：要删的页在网格里被标出来，面板里也按页码列明，删除是你按下去的，不是工具替你做的。
• 结果可交代：处理完会写明删掉了几页、还剩几页。就算一页没删，也会明确告诉你没找到重复，而不是静悄悄结束。
• 范围可控：可以只检查第8到第40页，范围之外的页无论长什么样都不会被动。手动挑页删除是另一种需求，用PDF删除页面工具指定页码更直接。
• 顺序不变：保留下来的页按原顺序写回，不需要事后再用PDF页面整理工具重排。
• 体积顺带下来：删掉重复的扫描页，文件通常小一截；还要再压一次的话交给PDF压缩工具。

重复页面删除工具的核心功能

• 双特征判定：每页同时读文字和外观，两个信号都同意才算重复，任何一个反对都保留。
• 文字优先否决：只要文字不一样，哪怕只差一个数字，两页就一定不是重复页。这是整个工具的安全底线。
• 图像指纹兜底：纯扫描页提不出文字时，由 32×32 亮度指纹接手判断，白底居中渲染消除了纸张位移的影响。
• 三档判定强度：从“仅完全相同”到“同一页、扫描质量差”，按纸质和扫描条件调松紧。
• 保留哪一份可选：默认留第一份，也可以改成留最后一份——重扫往往是补拍的清晰版。
• 连续重复合并：分组时拿候选页跟已保留的页比，连着三份相同的页会收成一份，不会只删掉一份。
• 页码范围限定：支持 1-4、8、15- 这类写法，留空则全篇检查。只想处理其中一段又不想动原文件，也可以先用PDF拆分工具切出来单独去重。
• 页面网格预览：整份文件以缩略图铺开，被判为重复的页直接在图上标记。想把每一页单独看清楚，可以先转成图片，用PDF转JPG工具导出后放大比对。
• 不自动下载：新文件生成后停在结果面板，按下下载按钮才落到本地。
• 原页不重排版：倾斜的扫描页保持原样输出，需要摆正的话，交给PDF旋转工具单独处理。

DocPivot 重复页面删除工具的使用方法

1. 打开PDF。拖入或选择文件，页面以缩略图网格加载，文件停留在本机。
2. 选判定强度。默认“同一页、重新扫描过”适合绝大多数ADF批量扫描件，纸张发黄或曝光漂移明显时才换到最松那一档。
3. 限定检查范围（可选）。填写页码范围，只查这一段。封面、目录、骑缝章页想保住时，把它们排除在范围外最保险。
4. 看标记再确认。网格里标出的就是准备删掉的页，面板会写成“找到2处重复，将删除第2、3页，保留1页”这样的结论，核对无误再继续。
5. 重建并下载。确认后生成新PDF，结果面板写明删除数量，手动下载。若这份文件本就是从几份扫描件合并PDF而来，去重后再用提取PDF页面工具拆出需要单独归档的那几页。

什么时候该用重复页面删除工具

它的价值出现在“页数多、人工核对不划算、又不能删错”这三个条件同时成立的时候。单份十几页的文件，肉眼翻一遍反而更快；上百页的批量扫描件，人眼的漏检率就绷不住了。

• ADF批量扫描后：用带自动进纸的扫描仪或复印机一次走几十上百张，双页进纸是常态，扫完先去一遍重复。
• 财务归档前：报销单、发票、银行回单扫成一份PDF交上去之前，重复页会直接影响审核。
• 投标与报审材料：标书、资质材料、备案文件对页数和目录一致性有要求，重复页容易在形式审查时出问题。
• 档案数字化项目：成批扫描历史卷宗，去重是入库前的固定一步，之后才轮到PDF批量处理工具统一改名和加页码。
• 多人合并的文件：几个人各自扫一部分再合起来，交界处常出现同一页被两个人都扫了。
• 打印之前：去掉重复页直接省纸省墨，几百页的材料能差出可观的成本。
• 手机拍文档之后：用微信或手机扫描APP连拍，手抖多拍一张是常事，成PDF后统一清理。

有两种情况它帮不上忙：两份不同文件之间的重复页，需要的是文档比对而不是单文件去重；页面完全相同但你想保留全部（例如每章之间的空白分隔页），这时候应该跳过这个工具，直接用在线PDF编辑器处理。

应用案例

财务报销归档

背景：月末把两百多张报销凭证走ADF扫成一份PDF，提交财务系统前必须核对页数。

操作流程：

• 用默认强度整份检查，看面板列出的重复页码
• 对照纸质凭证抽查其中两三页，确认不是同一格式的不同单据
• 确认后删除并下载，再按系统要求处理体积

效果：核对时间从逐页翻看的二十多分钟压到一分钟以内，提交后的退回率明显下降。凭证扫描件想转成可编辑表格时，再走PDF转Word工具这一步。

投标文件定稿

背景：标书正本由几个部门分头准备，合并后共380页，形式评审对目录与实际页码一致性卡得很严。

操作流程：

• 限定检查范围为正文部分，把封面和骑缝章页排除在外
• 选“同一页、重新扫描过”，让重扫的替换页也能被识别
• 保留策略改成留最后一份，取补扫的清晰版

效果：交界处的4页重复被找出来，目录页码重新对齐。上传平台若限制文件体积，用PDF压缩到100KB工具再收一次。

律所卷宗数字化

背景：案卷材料含当事人身份信息，按个人信息保护法要求不能上传到第三方服务器。

操作流程：

• 断网状态下打开工具页面，验证处理确实在本地完成
• 用最严格的“仅完全相同”起步，逐步放宽
• 导出后按卷归档

效果：敏感材料没有出过本机，合规审查这一关直接免谈。需要遮蔽当事人信息再对外提供时，用PDF涂黑工具处理。

店铺资质材料提交

背景：个体工商户在淘宝、拼多多开店，要提交营业执照、食品经营许可证等扫描件，平台对页数和清晰度都有要求。

操作流程：

• 手机连拍各证件，合成一份PDF
• 整份检查，删掉连拍多出来的那几张
• 核对剩余页数与平台清单一致

效果：一次提交通过，省掉了因材料页数对不上被驳回再补交的一轮。

三档判定强度该怎么选

三档强度对应的是三种纸和三种扫描条件，不是“越松越好”。默认那档适合绝大多数办公场景，改动之前先想清楚你手上的两页到底差在哪。

• 仅完全相同：适合电子生成的PDF，例如系统导出的报表被误合并了两次。要求几乎逐像素一致。
• 同一页、重新扫描过（默认）：适合ADF批量扫描，容忍噪点、轻微倾斜和曝光差异。
• 同一页、扫描质量差：适合发黄的旧档案、薄纸透印、明显偏色的扫描件。最容易误判，用完务必看标记。

一个实用的判断依据：同一张纸的两次扫描是“处处都差一点”，而同一种表格的两份不同填写是“大部分一样，只在几个地方差很多”。前者该合，后者绝不能合。如果拿不准某两页的文字到底一不一样，先用PDF转文字工具把内容导出来对一眼。

为什么“重复”要靠文字和图像双重确认

因为PDF标准里根本没有“重复页”这个定义，判定是一种判断，不是一个事实。网上流传的Python去重脚本大多只比对图像感知哈希，遇到同一套模板的表格就麻烦了——两张考勤表、两张收据的版面几乎重合，哈希值也接近，被当成重复删掉的是一份真实数据。

把文字放在第一位就能挡住这一类错误：只要能提取到文字且文字不同，两页直接判为不同，图像再像也没用。只有在文字完全一致，或者页面是纯扫描件、一个字都提不出来的情况下，图像指纹才有发言权，而且它还得同意。两个信号都点头才删，任何一个反对就保留——这个否决权就是整个工具的安全边界。反过来说，如果一页确实原样重复出现（例如重复的封面），它按任何标准都是重复页，删掉它正是工具在正常工作。遇到结构本身已经损坏、连页面都读不出来的文件，先用PDF修复工具抢救再来去重。

本地处理与合规：文件为什么不该上传

扫描件是个人信息密度最高的一类文件，本地处理不是卖点，是这类场景的基本要求。身份证复印件、银行回单、体检报告、劳动合同，随便一份都落在个人信息保护法和数据安全法的管辖范围内，企业把它传给境外服务器再下载回来，责任说不清楚。

DocPivot 这个工具只用 pdf.js 读、pdf-lib 写，不接任何外部服务，也不需要API密钥，关掉网络照样能跑完整个流程——这是最容易自己验证的一点。文件只在归档前需要加密时，才用PDF加密工具补上口令。

常见问题