文档压缩技巧（尤其是 PDF 和 EPUB）[关闭]

Posted 2023-02-24

【中文标题】文档压缩技巧（尤其是 PDF 和 EPUB）[关闭]

【英文标题】：Tips on document compression (PDF and EPUB in particular) [closed]

【发布时间】：2022-01-22 08:32:03

【问题描述】：

正如标题所说，我正在寻找一些关于如何压缩 PDF 和 EPUB 文档的技巧。我有大量的文档（pdf 和 epub）和静态图形（png、jpeg、webp）数据集，我正在尝试压缩（最好是无损）。至于图像，我有一个脚本可以无损地平均减少大约 15% 的大小，并且正在考虑使用相同的工具来减小文档的大小，因为它们的大部分大小是由图像引起的。我的 epub 方法有点简单，因为它们基本上是 zip 文件：我提取内容，重新编码图像，然后以最高压缩设置压缩其余部分。麻烦来自pdf，因为我从未使用过它们，而且它们不像epub那么简单。 所以我的问题是：有什么方法可以简单地从 pdf 中提取图像并在处理它们后将它们放回去而不会弄乱一些内部结构？或者也许我的方法太麻烦了，有更好的工具来完成 pdf（甚至 epub）的压缩工作。非常感谢任何提示， 谢谢！

【参考方案1】：

重新压缩压缩的 PDF 绝不是一个好主意，因为如果它们的位图被正确地 zip 压缩，你只能通过将分辨率减半来降低到 25% 或更小，比如 Acrobat 可能会将它们从 150 ppi 降低到 72 或 75 ppi。

每个来源的做法都不同，因此有些来源可能会通过更好的通货紧缩自然而进一步压缩。最严重的违规者通常会被严重压缩为 j2K，在这种情况下，重新压缩通常会更好地增加文件大小。

您看到的图像可能只是带有蒙版的源图像的一部分，因此提取、裁剪和重新压缩可以最大限度地减少存储而不会降级。

这是 zip 中像素数和分辨率完全相同的两张相似图像，但由于 png 已经是 zip 编码，因此无法无损压缩。

我承认我有点作弊，因为我使 png 颜色范围小于 jpeg，并且通常使用 alpha，否则您可能会看到其他情况，但对于 PDF，当色域减少时，png 会更好，那么在 PDF 中呢？

当然，PDF 会比 zip 大，因为 PDF 附带的所有开销，zip 为 422 KB，PDF 为 531 KB，因此更大。

您可以尝试在不同的设置下进行 IlovePDF 压缩，看看您可以接受多少降级，但请记住，过度压缩的惩罚是 jpeg 8x8 像素块，如果扫描会出现“光晕文本”等伪影，并且页面上的解压缩时间会严重增加到页面或首次打开时间（如果是彩色照片）。

因此，使用中等（良好）在线压缩会对无损 png 产生什么影响，文件大小会急剧下降，但质量也不再是无损的。

基于图像的文本页面的最佳选择是将大多数页面上的色域降低到 4 位灰度 PNG，具体取决于内容，但如果某些内容涉及颜色，这在通用文件的基础上并不容易页面。

对于有关结构的查询，由于 PDF 是十进制索引对象的随机集合，自然它们需要与源完全不同的方式重建，因为原地替换通常是有问题的，除非通过专用的 PDF 库命令完成.

正如你所说的 ePub 非常简单，解压缩 > 通过脚本转换图像并重新压缩，所有这些都可以在 windows 命令行中使用 tar、vbs 和 mspaint 完成。

【讨论】：

感谢您的建议！真的希望有一种方法可以解压和重新打包 pdf 文件。告诉我，你听说过ghostscript吗？我已经看到它推荐用于 pdf 优化。

【参考方案2】：

您可以尝试使用带有optimize command 的 HexaPDF 命令行工具，例如hexapdf optimize input.pdf output.pdf（还有一个批处理模式可以一次优化多个文件，例如hexapdf batch "optimize output_" *.pdf）。这将无损压缩 PDF，并且可以根据 PDF 的创建方式稍微减小文件大小。也可以试试--compress-pages，但这需要很长时间。

JPEG 图像可以或多或少地直接嵌入到 PDF 和 PNG 中（即 PDF 和 PNG 使用相同类型的无损压缩）。因此，可以编写一个脚本，例如，从 PDF 中提取 JPEG 图像，对其进行一些无损转换（即不改变大小、颜色空间等），然后嵌入优化的 JPEG。可以对类似 PNG 的图像执行类似的操作。

【讨论】：

刚试了一下，结果似乎还算合理。谢谢！