Por qué un PDF pesa tanto y qué solución funciona en cada caso
Un PDF pesa mucho por sus imágenes, por sus fuentes o por datos que ya no necesita, y cada causa tiene un remedio distinto. La compresión estructural solo elimina el peso muerto; para reducir un escaneo hay que bajar la resolución de sus imágenes.
ConvertBoxPublicado
De qué está hecho un PDF y cuánto pesa cada parte
Un PDF es un conjunto de objetos numerados: un flujo de contenido por página con instrucciones de dibujo, más las fuentes y las imágenes a las que esas instrucciones hacen referencia. Las instrucciones en sí son diminutas. Una página entera de texto ocupa unos pocos kilobytes una vez comprimida, porque el archivo guarda códigos de carácter y posiciones, no una imagen de las letras.
El tamaño viene de otros tres sitios: las imágenes, las fuentes incrustadas y los datos que el archivo arrastra sin necesitarlos. Saber cuál domina en tu archivo decide la solución, porque un método que funciona con una causa no hace nada con otra.
Páginas escaneadas: la aritmética de píxeles detrás del tamaño
Un escáner no produce texto; produce una fotografía por página. Una hoja A4 mide 8,27 x 11,69 pulgadas, así que a 300 PPP se convierte en 2480 x 3508 píxeles, unos 8,7 millones. Guardada en color de 24 bits, son 26 MB de datos en bruto por página antes de comprimir. La compresión JPEG lo reduce mucho, pero una página en color suele quedar entre unos cientos de kilobytes y más de un megabyte.
Reducir la resolución a la mitad deja la cuarta parte de los píxeles, y renunciar al color deja los datos en bruto en un tercio. El escaneo en blanco y negro puro, donde cada píxel es un bit, es aún más pequeño y se combina con sistemas de compresión pensados para páginas de texto; por eso un documento escaneado al estilo de un fax puede ocupar unas decenas de kilobytes por página. Para leer en pantalla, 150 PPP resultan cómodos; los 300 PPP importan cuando las páginas se van a imprimir de nuevo o a pasar por OCR.
| Ajuste de escaneo | Píxeles por página A4 | Datos en bruto antes de comprimir |
|---|---|---|
| 300 PPP, color | 2480 x 3508 | 26,1 MB |
| 300 PPP, escala de grises | 2480 x 3508 | 8,7 MB |
| 150 PPP, color | 1240 x 1754 | 6,5 MB |
| 300 PPP, blanco y negro (1 bit) | 2480 x 3508 | 1,1 MB |
Fuentes incrustadas, recursos repetidos y datos sobrantes
Para verse igual en cualquier equipo, un PDF suele incrustar las fuentes que utiliza. Los buenos exportadores incrustan un subconjunto, solo los glifos que aparecen en el documento, lo que cuesta decenas de kilobytes por fuente. Lo caro es incrustar fuentes completas: una fuente latina suele ocupar unos cientos de kilobytes, mientras que una fuente china, japonesa o coreana, con decenas de miles de glifos, puede llegar a varios megabytes o más. Un documento de dos páginas sin imágenes que pesa varios megabytes casi siempre lleva dentro una fuente completa de ese tipo.
La segunda causa es la repetición. Un PDF bien construido guarda un logotipo una sola vez y hace que todas las páginas apunten a él; un generador descuidado incrusta una copia nueva en cada página, de modo que un membrete de 150 KB en 100 páginas añade 15 MB. La tercera es el historial. PDF permite el guardado incremental: el editor añade los objetos modificados al final del archivo y deja las versiones antiguas donde estaban. Tras muchas rondas de anotar y volver a guardar, un archivo puede contener varias generaciones de páginas que nadie verá.
Cómo saber cuál es la causa en tu archivo
- Divide el tamaño del archivo entre el número de páginas. Las páginas de texto promedian decenas de kilobytes; cualquier cifra cercana o superior a 500 KB por página apunta a las imágenes.
- Intenta seleccionar una palabra. Si el cursor dibuja un recuadro sobre toda la página en lugar de resaltar texto, la página es un escaneo.
- Abre las propiedades del documento y mira la lista de fuentes. Las marcadas como subconjunto incrustado pesan poco; una lista larga de fuentes incrustadas completas, no.
- Revisa el historial. Un archivo anotado, firmado y guardado muchas veces, o que salió de un sistema antiguo, puede arrastrar objetos sobrantes.
- Compara con el original. Si el archivo del procesador de textos o de las diapositivas ocupa 1 MB y su PDF 30 MB, los ajustes de exportación conservaron todas las imágenes a resolución completa.
Qué solución corresponde a cada causa
Volver a exportar desde el documento original es la solución más eficaz siempre que el original exista, porque el exportador puede tomar de nuevo todas las decisiones: resolución de las imágenes, calidad JPEG, subconjuntos de fuentes. Los ajustes predefinidos con nombres de impresión o imprenta mantienen las imágenes a 300 PPP o no las tocan; los que llevan nombres de pantalla, web o tamaño mínimo las reducen a unos 100 o 150 PPP.
| Causa | Solución que funciona | Dónde se hace |
|---|---|---|
| Imágenes exportadas a resolución completa | Volver a exportar desde el archivo original con un ajuste de tamaño reducido o para pantalla | El cuadro de exportación de la aplicación de origen |
| Escaneos a muchos PPP o en color | Volver a escanear a 150 PPP o en escala de grises, o reducir la resolución de las imágenes dentro del PDF | Los ajustes del escáner; programas de escritorio como Ghostscript o Acrobat |
| Fuentes incrustadas completas | Volver a exportar con los subconjuntos de fuentes activados | La aplicación de origen o un optimizador de PDF de escritorio |
| Objetos sobrantes de guardados repetidos | Reconstruir la estructura del archivo | Un compresor estructural, incluidos los que funcionan en el navegador |
| Páginas que el destinatario no necesita | Eliminarlas o dividir el documento | Herramientas a nivel de página; no se pierde calidad |
Qué hace la compresión estructural y qué no puede hacer
Bajo el nombre de compresión de PDF se esconden dos operaciones distintas. La compresión estructural reescribe el archivo sin peso muerto y no cambia nada de lo que ves. La compresión con pérdida reduce la resolución de las imágenes y las vuelve a codificar, cambiando nitidez por tamaño. La herramienta para comprimir PDF de ConvertBox hace solo la primera: copia cada página a un documento nuevo, descarta los datos a los que ya nada hace referencia y guarda con flujos de objetos compactos. No reduce la resolución de las imágenes ni las recomprime, y no tiene niveles de calidad.
La consecuencia es previsible. Un archivo editado y guardado muchas veces, o exportado por un programa antiguo, se hace más pequeño. Un escaneo apenas cambia, porque casi todos sus bytes son datos de imagen que se copian intactos; cuando el archivo reconstruido no es menor, la herramienta indica 0 % y conviene quedarse con el original. Una reconstrucción de este tipo también deja fuera los marcadores, las definiciones de formularios rellenables y los archivos adjuntos, e invalida las firmas digitales, así que revisa el resultado antes de sustituir un formulario o un manual largo. Para reducir las imágenes de un PDF conservando el texto seleccionable, usa un programa de escritorio que reduzca su resolución, como Ghostscript o Acrobat.
Cuando no puedes volver a exportar: páginas, partes y la vía de las imágenes
Quitar lo que el destinatario no necesita no supone ninguna pérdida y muchas veces basta. Eliminar las páginas de anexos en un organizador de páginas, o dividir un documento en partes que quepan cada una bajo el límite, deja las páginas restantes exactamente como estaban. Hay una salvedad con los documentos de texto: una fuente compartida por todas las páginas se guarda una vez en el original, pero se copia en cada parte, de modo que las partes pueden sumar más que el conjunto.
Para un escaneo sin un origen mejor, la vía que queda pasa por las imágenes: exportar las páginas como JPEG, comprimirlas y construir un PDF nuevo con el resultado. La herramienta de PDF a JPG de ConvertBox genera las páginas a 144 PPP, aproximadamente la mitad de la resolución lineal de un escaneo a 300 PPP. El precio es que el texto seleccionable se convierte en píxeles, por lo que esto sirve para escaneos, no para documentos de texto. Por último, deja margen bajo los límites del correo electrónico: los adjuntos se codifican para el envío de una forma que añade cerca de un tercio a su tamaño, así que un archivo de 20 MB puede ser rechazado por un límite de 25 MB.