Análisis de los principios de compresión de PDF: Guía de cambios de tamaño y estrategias de compresión

El tamaño de PDF se compone de cuatro partes: imágenes, fuentes incrustadas, estructura del documento y metadatos. La proporción de cada parte varía mucho entre diferentes tipos de PDF. Para los PDF escaneados, las imágenes suelen representar más del 90% del tamaño total, mientras que las otras tres partes representan menos del 10%.

Para los PDF de texto plano o los PDF que contienen elementos vectoriales, las fuentes incrustadas pueden representar entre el 20% y el 60% del tamaño total. La proporción de la estructura del documento y los metadatos suele estar dentro del 5%, y el contenido vectorial en sí representa una proporción extremadamente baja del tamaño total.

La compresión por nuevo renderizado, también llamada compresión de mapa de bits, funciona convirtiendo uniformemente todo el contenido vectorial y de texto del PDF a mapas de bits, y luego guarda el archivo según los parámetros de DPI y calidad establecidos. Este método tiene un efecto de compresión significativo en los PDF escaneados, pero cambia los atributos originales del contenido.

La compresión de optimización sin pérdida no cambia la nitidez del contenido original, y reduce el tamaño del archivo solo mediante tres pasos: fusión de flujos de objetos, creación de subconjuntos de fuentes y eliminación de metadatos redundantes. La fusión de flujos de objetos integra objetos dispersos para reducir el espacio de almacenamiento redundante.

Para escenarios de lectura en pantalla, cuando el DPI se reduce de 300 a 72, el cambio en la nitidez visual entre 300 DPI y 150 DPI es casi imperceptible, mientras que el tamaño del archivo se puede reducir en aproximadamente un 50%. Cuando el DPI se reduce de 150 a 72, el desenfoque de los bordes del texto se vuelve significativamente más notable.

Cuando la calidad JPEG se reduce de 100 a 50, la tasa de compresión para el rango de calidad de 50 a 80 alcanza entre un 40% y un 60%, y los artefactos visuales son casi invisibles. Cuando la calidad cae por debajo de 50, las bandas de color y el desenfoque de bordes se intensifican rápidamente, y la ganancia marginal de compresión disminuye.

Los PDF de texto plano son documentos basados en vectores. El tamaño original de una sola página de texto suele estar entre 1KB y 5KB, y el tamaño total de un libro completo se controla mayormente dentro de unos pocos megabytes.

Si se aplica compresión de mapa de bits por nuevo renderizado a este tipo de PDF, se genera un mapa de bits correspondiente al tamaño de página para cada página. El tamaño de un mapa de bits de una sola página puede alcanzar de decenas a cientos de kilobytes, y el tamaño total de todo el libro aumentará de unos pocos megabytes a cientos de megabytes.

Identificar el tipo de PDF es el primer paso para seleccionar una estrategia de compresión. Primero se distingue si el documento es un documento escaneado o un documento electrónico editable. Los documentos escaneados se componen completamente de contenido de imagen, mientras que los documentos electrónicos editables contienen texto y elementos vectoriales.

Si el documento es un documento escaneado, puede seleccionar compresión por nuevo renderizado, y establecer el DPI en 150 y la calidad JPEG en 60. Esta configuración equilibra el tamaño del archivo y la nitidez. Si el documento es un documento electrónico editable, priorice la compresión de optimización sin pérdida para preservar la nitidez original.

Si el tamaño del archivo aún no cumple con los requisitos después de la optimización sin pérdida, puede comprimir solo las imágenes incrustadas en el documento de forma separada, y retener las propiedades vectoriales del texto y el contenido vectorial para evitar la conversión de todo el documento a mapa de bits.