图片转 PDF 与 PDF 转图片:页面尺寸、DPI 与 OCR

PDF 页面用点来度量,图像用像素来度量,DPI 就是两者之间的汇率。这一层关系解释了奇怪的页面尺寸、发虚的打印效果和文件体积;而文字能否搜索是另一回事,只有 OCR 能解决。

ConvertBox发布

点与像素:度量页面的两种方式

PDF 用点来度量页面,1 点等于 1/72 英寸。无论上面画了什么,A4 页面都是 595 × 842 点,US Letter 是 612 × 792 点。页面上的文字和矢量图形根本没有像素,它们是一些指令,由查看器按屏幕或打印机的分辨率临时绘制。

图像正好相反:它是一个像素网格,没有固有的物理尺寸。一张 2480 × 3508 像素的扫描图,只有在约定按每英寸 300 像素打印时才是 A4;按 150 打印,它会铺满一张宽和高都是两倍的纸。DPI 是这两个世界之间的汇率,图像与 PDF 之间的每一次转换都要选定一个值,或明说,或默认。

图片转成 PDF:会得到多大的页面

转换工具有两种做法。有的把每张图放在固定的纸张尺寸上,并留出页边距;有的让页面与图像一样大。ConvertBox 的 JPG 转 PDF 工具属于后一种,把 1 像素对应为 1 点,没有纸张尺寸、方向或页边距选项。因此一张 4000 × 3000 像素的手机照片会变成约 56 × 42 英寸(141 × 106 厘米)的页面。在屏幕上看不出异常,因为查看器会把页面缩放到适合窗口,但设为实际大小的打印对话框会试图把它分铺到许多张纸上,这时应选择适合页面。

画质不会因此受影响。PDF 原生支持 JPEG 压缩,所以 JPEG 数据原样放入文件,不会有第二轮损失;PNG 像素以无损方式存储,并保留透明度。最终 PDF 的大小与放进去的图片大小相当。想让页面整齐划一,就事先裁剪或调整尺寸:A4 的比例是 1 比 1.414,1240 × 1754 像素就是 150 DPI 下的 A4。

转换之前先整理照片和扫描图

  • 格式。该工具只能嵌入 JPEG 和 PNG;列表里如果有 iPhone 的 HEIC 照片、WebP、GIF、BMP 或 TIFF,转换会报错停止,所以要先把它们转换好。
  • 方向。手机相机把旋转信息记在 EXIF 元数据里,而 PDF 页面不会解读它。如果某一页是横倒的,请旋转图像本身后重新添加。
  • 体积。相机照片每张有好几 MB,并且按原大小进入 PDF。把它们缩到约 1240 × 1754 像素,一份几十 MB 的 20 页文档就会变成几 MB。
  • 顺序。每张图片按列表顺序成为一页,所以转换前先把列表排好。

打印用的 DPI 与屏幕用的 DPI

想知道一张图能清晰地打印多大,用像素数除以目标 DPI 即可。商业印刷通常要求 300 DPI 左右,而屏幕、幻灯片和聊天软件需要的低得多。ConvertBox 的 PDF 转 JPG 工具以固定的 2 倍比例渲染,也就是 144 DPI,所以一页 A4 输出为 1190 × 1684 像素。按 300 DPI 计算是 1190 / 300,约 4 英寸宽,大约是纸张宽度的一半:导出的图片在屏幕上很清晰,按原尺寸打印则会发虚。这个比例在该工具里不能更改,需要打印级分辨率时应使用桌面渲染软件。

渲染分辨率A4 页面的像素数适合的用途
72 DPI(1 倍)595 × 842快速预览;小字会模糊
144 DPI(2 倍)1190 × 1684屏幕、幻灯片、聊天、网页
216 DPI(3 倍)1786 × 2526小号文字和放大查看
300 DPI2480 × 3508按原尺寸打印

页面图片用 JPG 还是 PNG

怎么选取决于页面上有什么,而不是习惯。PNG 是无损的,对大片纯色区域非常高效,所以白底黑字的页面既小又锐利。JPEG 是为照片设计的:它丢弃连续色调中眼睛察觉不到的细节,但在文字这样的锐利边缘周围,低质量时会出现光晕和色块。

判断规则是:文字、线稿、图表和截图用 PNG;扫描的杂志页和以照片为主的版面用 JPEG,质量设在 80% 到 90% 时,在屏幕上通常看不出差别,体积却小得多。在 ConvertBox 的 PDF 转 JPG 工具中,PNG 是默认格式,JPEG 滑块的范围是 10% 到 100%。每一页都保存为单独的文件,没有页面选择,也不打包成 ZIP,所以如果只要四十页中的两页,先把它们拆分出来。无论选哪种格式,结果都是图片:文字不能再选中,链接也会失效,所以要把 PDF 留作母本。

用一张长图代替许多页

长图是把所有页面从上到下叠成一张图片,适合那些只预览图片、不预览文档的聊天软件,也适合在手机上滚动阅读的通知。它的宽度等于最宽那一页的宽度,高度等于所有页面高度之和。

限制来自浏览器的画布。Chrome 和 Firefox 每条边最多 32,767 像素,移动版 Safari 对总面积的限制更严。144 DPI 下一页 A4 高 1684 像素,32,767 / 1684 可以容纳 19 页;72 DPI 下上限约为 38 页,216 DPI 下约为 12 页。第二个限制是内存:以 144 DPI 渲染的一页 A4 占 1190 × 1684 × 4 字节,未压缩约 8 MB,拼接用的画布还需要同样多的一份。ConvertBox 的 PDF 转长图工具提供这三档渲染质量;文档较长时,可以降低质量,或者把 PDF 拆分后生成几张图。许多平台还会对特别长的图片重新压缩,如果文字变得模糊,就把文件作为文档发送。

什么时候需要 OCR,它能给你什么

由照片或扫描图生成的 PDF,里面是文字的图片。在光学字符识别读取像素并生成文本之前,你无法搜索它,无法选中一句话,也无法复制一个数字。如果 PDF 里的文字本来就能选中,OCR 就没有必要,只会引入错误。

要清楚自己得到的是哪一种输出。ConvertBox 的 PDF OCR 工具以 144 DPI 渲染每一页,用 Tesseract 引擎按所选的一种语言(英语、韩语、日语、简体中文或西班牙语)识别,然后返回纯文本,每页之前有一行分隔标记,可以复制,也可以下载为 .txt 文件。它可选的 PDF 输出是由页面图像生成的,没有嵌入文本层,所以并不是可搜索的 PDF。要生成在扫描图背后放置隐形文字的可搜索 PDF,需要 Acrobat 或 OCRmyPDF 这类桌面 OCR 软件。准确率取决于扫描质量:300 DPI 扫描的正文识别效果好,而倾斜的页面、灰色文字和多栏版式会丢字或打乱阅读顺序,0 和 O、1 和 l 这类形近字符一定要校对。

本指南涉及的工具

相关指南

全部指南