28_PDF压缩优化

摘要：在实际业务中，用户上传的 PDF 文件往往体积庞大，包含未压缩的高清图片、冗余的字体数据以及无用的元数据。这不仅浪费了宝贵的存储空间（对象存储费用），还显著增加了网络传输延迟（CDN 费用和用户等待时间）。

本章将深入探讨 PDF 文件的 “瘦身” 技术。我们将分析 PDF 文件大小的构成，利用 pikepdf (QPDF) 进行无损压缩，使用 ghostscript 进行有损图像重采样，并结合字体子集化技术，构建一套智能的 PDF 压缩服务。

关联的小程序样例：薄荷百宝箱

28.1 PDF 文件大小分析

28.1.1 为什么 PDF 这么大？

PDF 是一个容器格式，其体积主要由以下几部分构成：

28.1.2 使用 pikepdf 分析

pikepdf 是基于 C++ 库 QPDF 的 Python 封装，速度极快且功能强大。

import pikepdf
import os

def analyze_pdf_structure(pdf_path: str):
    """
    简单分析 PDF 内部对象数量
    """
    with pikepdf.Pdf.open(pdf_path) as pdf:
        num_pages = len(pdf.pages)
        # 获取 PDF 版本
        version = pdf.pdf_version

        # 统计图片数量 (简化版，仅统计页面资源)
        image_count = 0
        for page in pdf.pages:
            if "/XObject" in page.Resources:
                xobjects = page.Resources["/XObject"]
                for xobj in xobjects.values():
                    if xobj.get("/Subtype") == "/Image":
                        image_count += 1

        file_size = os.path.getsize(pdf_path) / 1024 / 1024 # MB

        print(f"File: {pdf_path}")
        print(f"Size: {file_size:.2f} MB")
        print(f"Pages: {num_pages}")
        print(f"Images detected: {image_count}")

28.2 图片压缩策略

图片是压缩的核心。我们需要将高分辨率（300+ DPI）图片下采样到适合屏幕阅读的分辨率（如 150 DPI 或 72 DPI），并调整 JPEG 质量。

28.2.1 使用 Ghostscript (推荐)

Ghostscript 是处理 PDF 的瑞士军刀，虽然它是命令行工具，但效果远超纯 Python 库。

安装依赖：

RUN apt-get update && apt-get install -y ghostscript

Python 封装：

import subprocess
import shutil

def compress_pdf_ghostscript(
    input_path: str, 
    output_path: str, 
    quality: str = "ebook"
) -> bool:
    """
    调用 Ghostscript 压缩 PDF
    :param quality: screen (72dpi), ebook (150dpi), printer (300dpi), prepress (300dpi, color preserve)
    """
    if not shutil.which("gs"):
        raise RuntimeError("Ghostscript (gs) command not found.")

    gs_quality_map = {
        "screen": "/screen",
        "ebook": "/ebook",
        "printer": "/printer",
        "prepress": "/prepress",
        "default": "/default"
    }

    gs_setting = gs_quality_map.get(quality, "/default")

    cmd = [
        "gs",
        "-sDEVICE=pdfwrite",
        "-dCompatibilityLevel=1.4",
        f"-dPDFSETTINGS={gs_setting}",
        "-dNOPAUSE",
        "-dQUIET",
        "-dBATCH",
        f"-sOutputFile={output_path}",
        input_path
    ]

    try:
        subprocess.run(cmd, check=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
        return True
    except subprocess.CalledProcessError as e:
        print(f"Ghostscript error: {e.stderr.decode()}")
        return False

28.2.2 纯 Python 方案 (pikepdf)

如果无法安装 Ghostscript，可以使用 pikepdf 遍历图像对象并重新编码。

from PIL import Image
from io import BytesIO

def compress_images_pikepdf(input_path: str, output_path: str, quality: int = 50):
    with pikepdf.Pdf.open(input_path) as pdf:
        for page in pdf.pages:
            # 递归查找图片对象并替换（逻辑较复杂，需处理各种色彩空间）
            # 这里仅展示思路：获取 Image XObject -> PIL -> Resize/Compress -> Replace
            pass

        # pikepdf save 时会自动移除未引用对象
        pdf.save(output_path)

工程建议：生产环境首选 Ghostscript，它的图像重采样算法非常成熟，且不容易破坏 PDF 结构。

28.3 字体子集化

28.3.1 什么是字体子集化 (Subsetting)？

如果一个 PDF 嵌入了 “微软雅黑” 字体文件（15MB），但文档中只用了 “你好世界” 4 个字。子集化技术会生成一个只包含这 4 个字字形的新字体文件（可能只有 10KB），从而大幅减小体积。

28.3.2 实现方式

Ghostscript 在处理 PDF 时（dPDFSETTINGS 模式），会自动尝试进行字体子集化。

如果你使用 pikepdf 或 pypdf，它们通常保留原样，不做字体优化。这是选择 Ghostscript 的另一个重要原因。

28.4 元数据清理

隐私保护与体积优化同样重要。我们需要清除作者、编辑历史、缩略图等。

28.4.1 使用 pikepdf 清理

pikepdf 在保存时默认会重构对象树（Linearization / Fast Web View），这会自动剔除很多垃圾数据。

def optimize_pdf_structure(input_path: str, output_path: str):
    with pikepdf.Pdf.open(input_path) as pdf:
        # 1. 移除元数据
        with pdf.open_metadata() as meta:
            # 清空所有标准元数据项
            for key in list(meta.keys()):
                del meta[key]

        # 2. 保存并优化
        # linearize=True: 开启 "快速 Web 查看" (Fast Web View)
        # object_stream_mode=pikepdf.ObjectStreamMode.generate: 压缩对象流
        pdf.save(
            output_path, 
            linearize=True, 
            object_stream_mode=pikepdf.ObjectStreamMode.generate
        )

Fast Web View (Linearization)： 这是一种特殊的 PDF 结构，允许浏览器在下载完 PDF 的前几 KB 后就开始显示第一页，而不需要等待整个文件下载完成。这对于大文件在 Web 端的体验至关重要。

28.5 压缩率控制

用户对压缩的需求是多样的：有的用户需要极致小的体积（用于邮件附件），有的用户需要保持高清晰度（用于打印）。我们需要提供分级选项。

28.5.1 分级配置

我们定义三种压缩模式：

28.5.2 智能回退策略

有时候，压缩后的文件反而比源文件大了（例如源文件已经是极致压缩的黑白图，转为彩色 JPEG 后变大）。

import os

def smart_compress(input_path: str, output_path: str, mode: str = "ebook"):
    # 1. 执行压缩
    success = compress_pdf_ghostscript(input_path, output_path, quality=mode)

    if not success:
        raise Exception("压缩过程失败")

    # 2. 检查结果
    src_size = os.path.getsize(input_path)
    dst_size = os.path.getsize(output_path)

    # 3. 如果压缩后反而变大了，或者是 0 字节，则直接返回原文件（拷贝）
    if dst_size == 0 or dst_size >= src_size:
        print(f"压缩无效 (Src: {src_size} -> Dst: {dst_size})，保留原文件")
        shutil.copy(input_path, output_path)

    return output_path

本章面试题与知识点总结

1. 为什么 Ghostscript 是 PDF 压缩的首选工具？

参考答案：

●全能性：Ghostscript 不仅能处理图片下采样（Downsampling）和重编码（Re-encoding），还能处理字体子集化（Subsetting）和去除非标对象。纯 Python 库（如 pypdf）通常只能处理对象结构，难以处理图像像素数据和字体字形数据。

●鲁棒性：Ghostscript 经过了几十年的工业验证，对各种损坏或不规范的 PDF 兼容性极好。

2. 什么是 PDF 的 “Fast Web View” (Linearization)？有什么作用？

参考答案：

●定义：这是一种优化过的 PDF 文件组织结构。标准的 PDF 将“目录”（XREF 表）放在文件末尾，浏览器必须下载完整个文件才能解析目录并渲染。线性化 PDF 将目录和第一页的数据移到了文件头部。

●作用：允许浏览器（或 PDF 阅读器）进行流式渲染。用户打开 100MB 的 PDF 时，只要下载了前几十 KB，就能立即看到第一页，并在后台继续下载剩余页面。显著提升用户体验。

3. 如何在 Python 中判断 PDF 文件是否已压缩？

参考答案： 很难准确判断，因为“压缩”是一个相对概念。 但可以通过以下启发式方法检查：

1.图片过滤器：检查 /XObject 中的图片是否使用了 /DCTDecode (JPEG) 或 /JPXDecode (JPEG2000) 压缩。

2.对象流：检查是否使用了 /ObjStm (Object Streams)，这是 PDF 1.5 引入的结构压缩技术。

3.统计法：计算 文件大小 / 页数，如果单页小于 50KB 且包含图片，通常说明已经是压缩过的。

下篇预告：掌握了 PDF 的压缩优化后，我们将进入 第 29 章：PDF 水印与加密。将探讨如何在不破坏原有内容的前提下，为 PDF 添加文字/图片水印，并设置高强度的安全密码。