为什么合并 PDF 会产生文件大小气球？

Question

我正在尝试将各种 PDF 剥离。它们不是那么重的文字，偶尔会有图像。例如，我有两个 PDF，1.4Mb 和 740kb - 当我将它们组合在一起时，它们会膨胀到 6Mb！

我尝试了脚本组合和手动附加，结果相同，所以我猜这是一个潜在的问题。对它为什么发生的一些解释会很有用，所以我可以看看避免它的方法。是不是颜色模型不匹配？它们的字体很小。

Answer 1

你没有告诉我们你是如何组合 PDF 的，这让你的问题变得相当理论化，所以我会给你一个理论上的答案：

第 1 部分

• 假设您有一个 10 页的 PDF 文件，总大小为 1200 KB。
• 假设每个页面的内容流大致由 100 KByte 组成。在此内容流中，存在对共享资源的引用。
• 假设这 10 个页面共享 200 KB 的资源：它们共享相同的字体、相同的图像等等。

如果您将此 PDF“分解”为 10 个单独的单页 PDF，则每个 PDF 将包含大约 300 KB：内容流中的 100 KB + 资源中的 200 KB（我忽略了拥有 10 个单独的外部参照表的开销和文件预告片）。

• 如果将这 10 个单独的单页 PDF 组合在一起，就好像这 10 个 PDF 没有任何共同点一样，总文件大小将为 10 x 300 KB。那是 3000 KB，是原始 1200 KB 的两倍多。
• 如果结合这 10 个单独的单页 PDF 并考虑到它们具有共同的资源（字体、资源等），总大小将为 (10 x 100 KByte) + 200 KByte。

如果您使用 iText 合并 PDF，那么使用 PdfCopy 将生成 3000 KB 的 PDF，因为 PdfCopy 只是尽可能快地复制文档而不查看文档的内容。如果您想要 1200 KB 的 PDF，则需要使用 PdfSmartCopy，在这种情况下，您将需要更多的内存和 CPU，因为 iText 将检查每个 PDF 并重用原本多余的对象。

第 2 部分

在您的问题中，您提到您有一个 1.4Mb 和一个 740kb 的 PDF，而 1.4Mb + 740kb 的 PDF 为 6Mb。我的理论示例的第一部分没有解释规模的极端增长，所以这里是第二部分。

• 在 PDF 1.0 中，PDF 语法没有被压缩。
• 从 PDF 1.2 开始，流被压缩，但间接对象和交叉引用流以 ASCII 格式存储。
• 从 PDF 1.5 开始，可以在对象流中压缩一系列对象，也可以压缩交叉引用表。

假设您的原始 PDF 具有压缩的对象流和压缩的交叉引用表。假设您将这些 PDF 组合成一个更像 PDF 1.4 文档的 PDF。在这种情况下，压缩的对象和压缩的交叉引用流将不再被压缩，从而导致文件更大。

第 3 部分？

可能还有其他原因，具体取决于原始 PDF 的性质以及您用于合并 PDF 的工具。如果以上都不适用，您应该澄清。