PDF 合并、拆分与页面重排:如何做到不损失质量

页面级的 PDF 操作是复制页面对象,而不是重新绘制页面,所以文字、矢量图形和图像都原样保留。丢失的是书签、表单定义、签名这类文档级数据,因此操作顺序很重要。

ConvertBox发布

PDF 如何存储页面:页面树

在 PDF 内部,页面并不是像一卷纸那样首尾相接。文档有一个目录对象指向页面树,树上的每一片叶子就是一个页面对象。页面对象是一条简短的记录:页面尺寸(MediaBox,单位是 1/72 英寸的点)、可选的 Rotate 值、对存放绘图指令的内容流的引用,以及这些指令用到的资源列表,比如字体和图像。页面顺序就是叶子的顺序。

由此得出两点。字体和图像是独立的对象,可以被多个页面共用;只要修改页面树,就能移动、复制或去掉一页,而不必改动这一页所绘制的内容。

为什么页面级操作是无损的

合并、拆分和重排是把页面对象连同它引用的资源复制到一个新文档里。整个过程没有渲染:文字仍是文字,可以选中;矢量图形放大多少倍都清晰;嵌入的图像保留原来的压缩数据。这就是为什么合并后的文件大小约等于各输入文件之和,也是为什么把这些操作重复十次也不会有任何损失。

与之相对的是重新绘制页面的做法。把一批文档打印成新的 PDF 会重新生成内容,可能丢掉链接,或者改变字体和图像压缩;把页面转成图片再拼回去,文字就彻底没有了。任何工具的输出都可以快速检验:如果文字仍能选中,文件大小也符合相加的规律,那它就是在页面级完成的。

保留不下来的东西:文档级数据

逐页复制会把存放在页面之外的东西留在原地。画在页面上的链接(例如网址)会随页面一起走。下面这些则不会,在 ConvertBox 的合并、拆分和页面整理工具中如此,在许多以同样方式实现的工具中也是如此。

  • 书签。大纲面板是一个指向页面的独立结构,不会带到输出文件里。
  • 可填写表单。表单定义位于文档级,所以字段可能不再能够填写。请在任何页面操作之前先把表单填好。
  • 标题、作者等文档属性。
  • 数字签名。签名针对的是签署时文件的确切字节,所以任何重建后的文件都无法通过验证。这是签名在起作用,而不是工具的缺陷。

合并:列表顺序、混合页面尺寸与交错排列

合并是按列表顺序把整个文件依次追加,所以列表顺序就是页面顺序。页面保持各自的尺寸:一份 A4 报告、一张 US Letter 发票和一张横向的表格合在一起,是一份尺寸混合的合法文档,但可能让设定为单一纸张的打印机出现意外结果。给扫描文件加上带前导零的编号(scan-01、scan-02),添加时更容易保持顺序。

交错排列是普通合并办不到的情况。如果一叠双面文件的正面和反面分别扫描成了两个文件,合并的结果是所有正面之后跟着所有反面。应当先把两个文件都拆成单页,再按交替的顺序合并;如果扫描时是把整叠纸翻过来,反面的顺序是倒着的。ConvertBox 的合并工具需要至少两个文件,每个不超过 100 MB,而且所有源文件会和不断增大的输出一起留在内存里,所以在手机上处理大任务时,分批合并更稳妥。

拆分:范围的写法,以及各部分之和为什么会超过原文件

范围指的是从 1 开始计数的物理位置,而不是页面上印的页码。一份带封面和两页目录的报告,印刷页码的第 1 页是物理上的第 4 页,所以印刷页码 10 到 15 页要输入 13-18。在 ConvertBox 的拆分工具中,用逗号分隔的每一项都会生成一个单独的文件,如下表所示。

拆分后的体积并不总是符合直觉。在同一个 PDF 里,50 页共用的字体或徽标只存一次。拆成 50 个文件后,每个文件都需要自己的副本,而且嵌入字体是整套复制,不会裁剪到只剩这一页用到的字符,所以一份 2 MB 的文字文档可能变成每页几百 KB 的一堆单页文件。扫描件则不同,每一页基本上就是自己的那张图像,各部分之和与原文件差不多。每个部分单独下载,不打包成 ZIP,所以拆成几个范围比拆成 120 个单页更实用。

输入结果
2-4一个文件,包含第 2、3、4 页;范围包含两端
10-12, 1-3两个文件,按输入顺序生成;各项可以重叠,也可以不按顺序
7一个单页文件
7-5,或超过最后一页的页码整个输入被拒绝,而不只是这一项

重排、删除与旋转:Rotate 值

重排和删除都是对页面树的修改。在 ConvertBox 的 PDF 页面整理工具中,页面以缩略图显示,可以拖动,也可以用箭头按钮移动,在触摸屏上箭头按钮更可靠;标记为删除的页面在保存之前都可以恢复,保存出的副本只是不包含它。如果只想去掉几页并保持为一个文件,这比先拆分再合并更直接。该工具接受一个不超过 50 MB 的 PDF,并且要为网格渲染每一页,所以 300 页的扫描件会耗费不少时间和内存。

旋转同样不是重新绘制。每个页面带有一个 Rotate 值,它必须是 90 度的倍数,查看器在显示或打印时把页面转过来。旋转是加在已有的值上:扫描仪以旋转 90 保存的页面,再转一次,就保存为 180。因为改变的只是一个数字,旋转不损失质量,也可以随时改回去。同一条规则也决定了它的限度:倾斜 3 度的扫描页无法靠页面旋转纠正,必须作为图像做纠偏处理。

先处理加密文件,最后再签名:稳妥的操作顺序

受密码保护的 PDF 以加密形式存储内容,页面工具读不了它;在合并时,只要有一个加密文件,整个任务就会失败。用你知道的密码解除保护是解密,而不是转换:ConvertBox 的 PDF 解锁工具保留文字、链接、书签和表单字段,并保存一份不加密的副本。它不会猜测或绕过未知的密码。之后按下面的顺序操作,可以避免返工。

  • 解锁所有受保护的输入文件,并保留原件。
  • 趁表单字段还能填写时把它们填好。
  • 拆分、删除、重排、旋转,直到每一部分都正确,然后再合并。
  • 检查结果:页数、方向,以及你是否需要那些书签。
  • 最后再加密码或数字签名,因为两者都必须针对最终的文件。

本指南涉及的工具

相关指南

全部指南