同样是 50 页，为什么这个 PDF 大了十倍：一套可复用的压缩前检查

那天离提交只剩十分钟，内容已经校对三遍，上传页面却只回了一句：“文件超过限制。”真正耽误人的，往往不是压缩命令，而是我们根本不知道 PDF 为什么会这么大。

先别压缩，PDF 不是一种单一文件

文字、图片和字体住在同一个容器里

PDF 更像一个打包好的页面描述容器。它可以保存字符、字体子集、矢量图形、透明对象、照片、扫描页、表单和元数据。两个看起来同样是 50 页的文件，内部构成可能完全不同。

一份由 Markdown 或 Word 直接导出的技术文档，正文通常以字符对象为主，图片数量有限。另一份 50 页扫描件，可能每页都嵌入一张接近 A4 尺寸的高分辨率彩色图。页面数相同，不代表可压缩空间相同，更不代表应该使用同一种策略。

工程上最容易犯的错误，是把“PDF 太大”直接翻译成“把画质调低”。如果体积主要来自未裁剪的扫描图，这样做可能有效；如果主要来自重复嵌入的字体、附件或已经压缩过的 JPEG，再次降低画质未必能换来明显收益。

第一步先建立一个基线

先记录页数、文件大小、PDF 版本与页面尺寸。Poppler 提供的 pdfinfo 足够完成第一轮检查。

pdfinfo document.pdf

输出中的 Pages、Page size、File size 和 PDF version 值得保留。它们不是结论，却是后续对比的基线。压缩之后只看“文件能打开”远远不够，还要确认页数没有变化、页面尺寸没有意外改变，并记录体积到底减少了多少。

为了避免覆盖原件，后续所有操作都应输出到新文件。这个习惯很朴素，却比任何参数都重要。PDF 重建可能影响链接、表单、书签或文本层，原件必须留在手里。

字体和可提取文本是第二个线索

接下来检查字体与文本层。

pdffonts document.pdf
pdftotext document.pdf - | tr -d '[:space:]' | wc -m

如果 pdffonts 能列出多种字体，pdftotext 也能提取大量字符，文件大概率包含可用文本层。如果字体列表为空、提取字符接近零，而页面肉眼看上去又有大量文字，文件更可能是扫描图组成的。

这仍然不是绝对判断。有些文档把文字转成矢量轮廓，画面清楚却无法提取字符；有些扫描件叠加了 OCR 文本层，因此既有整页图片，也能复制文字。压缩前检查的意义不是给文件贴一个永久标签，而是收集足够多的信号。

找到真正占空间的对象

用 pdfimages 看整页大图

pdfimages 可以列出页面中的图像对象、尺寸、颜色空间、编码方式和分辨率。

pdfimages -list document.pdf

如果每一页都有一张宽高接近页面比例的大图，且分辨率达到数千像素，体积通常主要花在扫描图上。此时调整图像分辨率、色彩空间和 JPEG 质量，往往比清理 PDF 结构更有效。

如果图像很少，文件却异常大，就要继续检查是否嵌入了附件、重复字体或其他对象。qpdf 可以先验证文件结构是否基本正常。

qpdf --check document.pdf

结构警告不一定代表文件损坏，但它提醒我们：不要在没有验证的情况下直接批量覆盖输出。能被阅读器打开，只说明阅读器足够宽容，并不说明文件内部完全健康。

抽样页比只看第一页可靠

混合型 PDF 很容易让脚本误判。封面可能是文字，正文可能是扫描图；正文能复制，附件却全部来自扫描仪。只检测第一页，会把局部特征当成整份文档的结构。

可以从封面、普通正文、图表密集页和附件中抽样提取文本。

for page in 1 5 10 20; do
  printf '\n--- page %s ---\n' "$page"
  pdftotext -f "$page" -l "$page" document.pdf - | sed -n '1,6p'
done

页码需要根据实际页数调整。真正值得自动化的，不是某个固定压缩参数，而是这套抽样逻辑。它能帮助脚本决定采用结构优化、图像降采样，还是保留原文件并提示人工检查。

不同来源需要不同策略

文字型文档通常应优先保留字符对象、字体和矢量线条。对它进行整页栅格化，可能让正文失去搜索与复制能力，还会让小字号变模糊。

扫描型 PDF 的主要负担通常是页面图像。此时适度降低图像分辨率、把不必要的彩色页转为灰度，可能带来明显效果。不过工程图、浅色批注和带颜色含义的表格不能一概转灰。

图片与文字混合的演示稿最麻烦。照片适合有损压缩，图标与截图则容易在低质量 JPEG 下出现色块和文字毛边。可靠的策略应允许不同对象走不同路径，而不是把整份文件统一磨平。

把压缩做成可验证的流程

Ghostscript 预设只是起点

本地批处理常会使用 Ghostscript。下面是一条常见的起始命令，而不是适用于所有文件的标准答案。

gs -sDEVICE=pdfwrite \
  -dCompatibilityLevel=1.6 \
  -dPDFSETTINGS=/ebook \
  -dNOPAUSE -dQUIET -dBATCH \
  -sOutputFile=output.pdf \
  document.pdf

/ebook 在体积和阅读质量之间做了一组预设取舍。它适合快速建立候选输出，但生产流程不应只因为命令返回 0 就宣布成功。某些已经优化过的文件可能缩小很少，甚至因为重新编码而变大。

输出文件至少做三类回归检查

第一类是结构检查：页数、页面尺寸和基本打开能力。第二类是内容检查：随机抽取文本，确认字符数量没有异常下降。第三类是视觉检查：渲染几张高风险页面，查看细字、表格、二维码、浅色标注与图片边缘。

可以用下面的方式快速对比关键指标。

pdfinfo document.pdf | findstr /C:"Pages" /C:"File size"
pdfinfo output.pdf   | findstr /C:"Pages" /C:"File size"
pdftotext document.pdf original.txt
pdftotext output.pdf compressed.txt

在 Linux 或 macOS 上可将 findstr 换成 grep -E 'Pages|File size'。文本差异并不自动等于错误，但如果压缩后提取结果突然为空，就需要确认流程是否把页面整体转成了图片。

临时任务和工程管线不是同一个问题

如果只是偶尔遇到一次上传限制，搭建完整命令行环境反而会增加成本。这时使用 PDFCompress 这样的在线入口，选择合适的压缩强度并检查结果，通常比临时安装工具链更直接。

如果每天都要处理同一来源的数百份文件，就应该把检测、压缩、验证和失败回退写入流水线。工具选择取决于任务频率与风险，而不是“命令行一定更专业”或“网页一定更省事”这种简单判断。

结语

好的压缩从识别文件开始

PDF 压缩不是把一个滑块拖到最低。先看页数和尺寸，再检查文本、字体和图像，最后根据文件类型选择策略，才能知道体积减少是来自合理优化，还是来自信息被悄悄丢弃。

下一次提交页面提示文件过大时，先别急着重导出十遍。花一分钟做预检，往往能省下后面二十分钟的试错。真正可复用的能力，也不是记住某条神奇命令，而是让每个输出都有依据、能比较、可回退。

本作品采用《CC 协议》，转载必须注明作者和本文链接