PDF 文件为什么这么大,以及针对各种原因真正有效的办法

PDF 变大不外乎三个原因:图像、字体,或者文件里已经用不到的数据,每种原因的解决办法都不一样。结构性压缩只能去掉冗余,要缩小扫描件就必须降低其中图像的分辨率。

ConvertBox发布

PDF 由什么组成,各部分有多重

PDF 是一组带编号的对象:每一页有一个内容流,里面是绘图指令,另外还有这些指令引用的字体和图像。指令本身非常小。文件记录的是字符编码和位置,而不是文字的图片,所以一整页文字压缩后只有几 KB。

体积来自另外三个地方:图像、嵌入的字体,以及文件里带着却用不到的数据。弄清楚哪一项占了大头,才能选对办法,因为对一种原因有效的方法,对另一种原因毫无作用。

扫描页面:决定体积的像素算术

扫描仪生成的不是文字,而是每页一张照片。A4 纸是 8.27 × 11.69 英寸,以 300 DPI 扫描就是 2480 × 3508 像素,约 870 万像素。按 24 位彩色存储,每页压缩前的原始数据是 26 MB。JPEG 压缩能把它降低很多,但一页彩色扫描通常仍在几百 KB 到 1 MB 以上。

分辨率减半,像素数变成四分之一;去掉颜色,原始数据减到三分之一。每个像素只占 1 位的纯黑白扫描更小,还能配合专为文字页面设计的压缩方式,所以像传真那样扫描的文字文档每页可以只有几十 KB。在屏幕上阅读,150 DPI 已经够用;只有需要再次打印或做 OCR 时,300 DPI 才有意义。

扫描设置每页 A4 的像素数压缩前的原始数据
300 DPI,彩色2480 × 350826.1 MB
300 DPI,灰度2480 × 35088.7 MB
150 DPI,彩色1240 × 17546.5 MB
300 DPI,黑白(1 位)2480 × 35081.1 MB

嵌入字体、重复存储的资源和残留的旧数据

为了在任何设备上显示一致,PDF 通常会把用到的字体嵌入文件。好的导出程序只嵌入子集,也就是文档中实际出现的字形,每种字体只占几十 KB。代价高的是嵌入整套字体:拉丁字体一般几百 KB,而中文、日文、韩文字体有数万个字形,可能达到数 MB 甚至更多。一份没有图片的两页文档却有好几 MB,几乎都是因为完整嵌入了一套中文字体。

第二个来源是重复。制作规范的 PDF 只把徽标存一次,让每一页都指向它;粗糙的生成程序则在每一页都嵌入一份新的副本,一个 150 KB 的信头出现在 100 页上,就多出 15 MB。第三个来源是历史。PDF 允许增量保存,即编辑软件把改动过的对象追加到文件末尾,旧版本原样保留。经过多轮批注和重新保存之后,文件里可能留着好几代谁也看不到的旧页面。

如何判断你的文件属于哪种原因

  • 用文件大小除以页数。文字页面平均只有几十 KB;每页接近或超过 500 KB,就说明问题在图像。
  • 试着选中一个词。如果没有高亮文字,而是在整页上画出一个框,这一页就是扫描图像。
  • 打开文档属性查看字体列表。标为嵌入子集的条目很轻;如果列出一长串完整嵌入的字体,那就不轻了。
  • 回顾文件的经历。多次批注、签名、重新保存过的文件,或者从老旧系统导出的文件,可能带着残留对象。
  • 与源文件对比。如果文字处理或幻灯片源文件只有 1 MB,而 PDF 有 30 MB,说明导出设置把每张图片都保留在原始分辨率。

哪种办法对应哪种原因

只要源文档还在,重新导出就是最有力的办法,因为导出程序可以把所有决定重做一遍:图像分辨率、JPEG 质量、字体子集化。名称带有印刷或印前字样的预设会把图像保持在 300 DPI 或者完全不动;名称带有屏幕、网页或最小文件字样的预设会把图像降采样到大约 100 到 150 DPI。

原因有效的办法在哪里做
图片以原始分辨率导出用较小文件或屏幕用途的预设从源文件重新导出制作文档的应用程序的导出对话框
以高 DPI 或彩色扫描以 150 DPI 或灰度重新扫描,或对 PDF 内的图像降采样扫描仪设置;Ghostscript、Acrobat 等桌面软件
完整嵌入字体开启字体子集化后重新导出制作文档的应用程序或桌面 PDF 优化软件
反复保存留下的残留对象重建文件结构结构性压缩工具,包括基于浏览器的工具
收件人不需要的页面删除这些页面,或拆分文档页面级工具;不损失质量

结构性压缩能做什么,不能做什么

被称为 PDF 压缩的其实是两种不同的操作。结构性压缩把文件重写成没有冗余的形式,肉眼可见的内容完全不变。有损压缩则对图像降采样并重新编码,用清晰度换体积。ConvertBox 的 PDF 压缩工具只做前一种:把每一页复制到一个新文档里,丢弃不再被引用的数据,并用紧凑的对象流保存。它不会对图像降采样或重新压缩,也没有质量档位可选。

结果是可以预料的。多次编辑并重新保存的文件,或由旧软件导出的文件,会变小。扫描件几乎不变,因为它的字节几乎全是图像数据,而这些数据被原样复制;当重建后的文件没有变小时,工具会显示 0%,这时保留原文件即可。这种重建还会丢掉书签、可填写表单的定义和附件,并使数字签名失效,所以在替换表单或长篇手册的原文件之前,要先检查输出。如果既要保留可选中的文字,又要缩小 PDF 里的图像,应使用能对图像降采样的桌面软件,例如 Ghostscript 或 Acrobat。

无法重新导出时:删页、拆分和走图像这条路

去掉收件人不需要的部分是无损的,而且往往已经足够。在页面整理工具里删除附录页,或者把文档拆成几个各自低于上限的部分,剩下的页面都与原来完全一样。文字文档有一点需要注意:所有页面共用的字体在原文件里只存一次,拆分后却要复制到每个部分,所以各部分加起来可能比原文件还大。

对于没有更好来源的扫描件,剩下的路是经由图像:把页面导出为 JPEG,压缩,再用结果生成新的 PDF。ConvertBox 的 PDF 转 JPG 工具以 144 DPI 渲染页面,大约是 300 DPI 扫描线性分辨率的一半。代价是原本可选中的文字会变成像素,所以这种做法适合扫描件,不适合文字文档。最后,给邮件大小限制留出余量:附件在传输时要经过编码,体积会增加约三分之一,所以 20 MB 的文件可能被 25 MB 的限制拒收。

本指南涉及的工具

相关指南

全部指南