Před komprimací PDF se rozhodněte, zda smíte akceptovat ztrátu obrazu

Před komprimací PDF musíte nejprve určit, zda je ztráta obrazu přijatelná. Pokud chcete zeštíhlit PDF před překladem, je nejdůležitější pochopit: které operace pouze přeskupí strukturu úložiště a které operace změní obsah obrázku.

Tento článek je napsán pro překladatele a dokumentové inženýry, kteří potřebují předzpracovat soubory PDF. Pojednává pouze o bezztrátové kompresi toků obsahu. Kritériem přijetí je, že dekódované bajty a extrahovaný text jsou konzistentní před a po kompresi. Po přečtení můžete posoudit, které kroky jsou vhodné, které kroky způsobí nevratné ztráty a jak zkontrolovat výsledky po kompresi.

Níže uvedené příklady používají syntetické vzorky a kód byl zkontrolován se vzorky v izolovaném prostředí, ale to nepředstavuje záruku všech skutečných souborů nebo výkonu produktu. Před zpracováním důležitých dokumentů si prosím uschovejte originály a zkontrolujte je podle hranic a přejímacích položek v textu.

Mohu přijmout ztrátu obrazu před komprimací PDF? Závěr jednou větou

Nejprve zjistěte, zda můžete akceptovat ztrátu obrazu: Pokud to nemůžete přijmout, proveďte bezeztrátovou kompresi streamu obsahu a pro přijetí použijte dekódované bajty a zpětné čtení textu.

Který problém by měl být v tomto článku vyřešen jako první?

Tento článek kontroluje pouze bezeztrátovou kompresi streamů obsahu: dekódované bajty a extrahovaný text by měly být stejné před a po kompresi. Neslibuje, že každé PDF bude menší, ani si neplete bezeztrátovou kompresi streamu se ztrátovým překódováním JPEG.

Příklad samostatné kompozice

Závislosti naleznete v seznamu importů. Kód vytváří vstup v paměti a záznamy běhu jsou poskytovány samostatně a nepředstavují záruku všech skutečných souborů.

from io import BytesIO
import pymupdf
from pypdf import PdfReader, PdfWriter
with pymupdf.open() as source:
    page = source.new_page()
    page.insert_text((50, 50), "Compression sample")
    raw = source.tobytes()
writer = PdfWriter(clone_from=BytesIO(raw))
before = writer.pages[0].get_contents().get_data()
writer.pages[0].compress_content_streams()
out = BytesIO()
writer.write(out)
out.seek(0)
reader = PdfReader(out)
assert reader.pages[0].get_contents().get_data() == before
assert "Compression sample" in reader.pages[0].extract_text()
assert len(reader.pages) == 1

Hranice bezeztrátové komprese

• Po komprimaci toku obsahu by dekódované bajty měly být konzistentní s extrahovaným textem.
• Textové vektorové cesty, vkládání písem a obrazová nezpracovaná obrazová data se nezmění.
• Tento krok můžete zařadit do fáze předběžného zpracování překladu jako součást procesu standardizace, aniž byste se museli obávat, že narušíte čitelnost původního textu.
• Poznámka: compress_content_streams nepřijímá parametry úrovně komprese a interně používá výchozí konfiguraci zlib. Specifikace rozhraní viz dokumentace pypdf.

Výměna obrazu je ztrátová a nevratná operace

remove_images() je úplné vymazání, nikoli komprese. Nemělo by se používat při přípravě překladu, pokud si nejste jisti, že cílový scénář nevyžaduje obrázky (např. extrakce prostého textu).

Mnoho lidí se mylně domnívá, že „komprese obrázků"rovná se „inteligentní optimalizace". Ve skutečnosti pypdf provádí pouze mechanické překódování a nemá schopnost vnímat sémantiku obsahu.

Příklad syntézy ukazuje rozdíl mezi dvěma kompresními cestami

Následující kód vytváří PDF obsahující opakované obrázky a vícestránkový obsah, což demonstruje účinky bezztrátové komprese struktury a ztrátového zpracování obrázků. Poznámka: Toto je výukový kód, který prošel kontrolou syntetického vzorku. Používá se pouze pro ilustraci hranic chování API. Před skutečným použitím jej ověřte v místním prostředí.

Specifická rozhodnutí o zpracování výjimek

Tento kontrolní seznam použijte pro překlad dokumentů

Rozdělení souborů, šifrování nebo zpracování příloh jsou součástí přípravy na doručení a překlad tyto kontroly nemůže nahradit. Doporučuje se nejprve ponechat původní kopii a seznam zpracování a poté vyhodnotit pořadí stránek, odkazy a integritu obsahu překladu.

📊 Srovnání jádra

🎯 Která metoda je pro vás vhodná?

Pokud potřebujete zachovat obrázky a typografii

• Použijte bezeztrátovou kompresi toku obsahu a kontrolu s dekódovanými bajty a zpětným čtením textu.

Pokud potřebujete pouze prostý textový obsah

• Můžete zvážit odstranění snímku, ale nejprve se ujistěte, že snímek není pro cílovou scénu potřeba.

Pokud chcete, aby byla hlasitost po kompresi výrazně menší

• Nejprve jej změřte pomocí svého skutečného vzorku, nepředpokládejte, že se určitě zmenší.

Pokud potřebujete zpracovat důležité soubory

• Nejprve si ponechte původní dokument a zkontrolujte výsledky podle hranic a položek akceptace v textu.

❓ Často kladené otázky (FAQ)

1. Změní bezeztrátová komprese obraz?

Podle kritérií přijatelnosti tohoto článku nebudou původní pixelová data obrázku po bezeztrátové kompresi toku obsahu změněna a dekódované bajty a extrahovaný text by měly být konzistentní.

2. Bude PDF po kompresi menší?

nejistý. Tento článek neslibuje, že se každé PDF zmenší. Pokud se velikost nezmenšuje, měla by být zaznamenána pravdivě.

3. Může compress_content_streams upravit úroveň komprese?

Nemohu. Tato funkce nepřijímá parametr úrovně komprese a interně používá výchozí konfiguraci zlib.

4. Lze remove_images() použít jako kompresi obrazu?

Nemohu. Spíše odstraní obraz než jej zkomprimuje a neměl by být použit ve fázi přípravy překladu, pokud obraz skutečně není pro cílovou scénu potřeba.

📝 Shrnutí

Před komprimací PDF nejprve určete, zda můžete akceptovat ztrátu obrazu, a poté zvolte odpovídající metodu zpracování. Bezeztrátová komprese toku obsahu je vhodná pro scénáře, kde je třeba zachovat původní vzhled a jako kritéria přijatelnosti se používají dekódované bajty a zpětné čtení textu.

Vyzkoušejte to hned: Nahrajte dokument a začněte překládat při zachování původního rozvržení