Πριν από τη συμπίεση του PDF, αποφασίστε εάν μπορείτε να αποδεχτείτε την απώλεια εικόνας
Πριν από τη συμπίεση ενός PDF, σκεφτείτε αν μπορείτε να αποδεχτείτε την απώλεια εικόνας. Αυτό το άρθρο ασχολείται μόνο με τη συμπίεση χωρίς απώλειες των ροών περιεχομένου: τα αποκωδικοποιημένα byte και το εξαγόμενο κείμενο πρέπει να είναι συνεπή πριν και μετά τη συμπίεση. Δεν εγγυάται ότι κάθε PDF θα είναι μικρότερο, ούτε συγχέει τη συμπίεση χωρίς απώλειες με την επανακωδικοποίηση με απώλειες JPEG.
Πριν από τη συμπίεση ενός PDF, πρέπει πρώτα να προσδιορίσετε εάν η απώλεια εικόνας είναι αποδεκτή. Εάν θέλετε να αδυνατίσετε ένα PDF πριν από τη μετάφραση, το πιο σημαντικό πράγμα που πρέπει να κατανοήσετε είναι: ποιες λειτουργίες αναδιατάσσουν μόνο τη δομή αποθήκευσης και ποιες λειτουργίες θα αλλάξουν το περιεχόμενο της εικόνας.
Αυτό το άρθρο είναι γραμμένο για μεταφραστές και μηχανικούς εγγράφων που πρέπει να προεπεξεργάζονται αρχεία PDF. Αναφέρεται μόνο στη συμπίεση χωρίς απώλειες των ροών περιεχομένου. Το κριτήριο αποδοχής είναι ότι τα αποκωδικοποιημένα byte και το εξαγόμενο κείμενο είναι συνεπή πριν και μετά τη συμπίεση. Μετά την ανάγνωση, μπορείτε να κρίνετε ποια βήματα είναι κατάλληλα, ποια βήματα θα προκαλέσουν μη αναστρέψιμες απώλειες και πώς να ελέγξετε τα αποτελέσματα μετά τη συμπίεση.
Τα παρακάτω παραδείγματα χρησιμοποιούν συνθετικά δείγματα και ο κώδικας έχει ελεγχθεί με δείγματα σε απομονωμένο περιβάλλον, αλλά αυτό δεν αποτελεί εγγύηση για όλα τα πραγματικά αρχεία ή την απόδοση του προϊόντος. Πριν επεξεργαστείτε σημαντικά έγγραφα, διατηρήστε τα πρωτότυπα και ελέγξτε τα σύμφωνα με τα όρια και τα στοιχεία αποδοχής στο κείμενο.
Μπορώ να αποδεχτώ την απώλεια εικόνας πριν από τη συμπίεση του PDF; Μια φράση συμπέρασμα
Προσδιορίστε πρώτα εάν μπορείτε να αποδεχτείτε την απώλεια εικόνας: Εάν δεν μπορείτε να το αποδεχτείτε, απλώς κάντε συμπίεση χωρίς απώλειες της ροής περιεχομένου και χρησιμοποιήστε αποκωδικοποιημένα byte και ανάγνωση κειμένου για αποδοχή.
| την κατάστασή σας | Συνιστώμενες πρακτικές | λόγος |
|---|---|---|
| Πρέπει να διατηρήσετε τις εικόνες και τη διάταξη, απλά θέλετε να οργανώσετε τη δομή αποθήκευσης | Συμπίεση χωρίς απώλειες ροών περιεχομένου | Τα αποκωδικοποιημένα byte και το εξαγόμενο κείμενο θα πρέπει να είναι τα ίδια πριν και μετά τη συμπίεση |
| Απαιτείται μόνο περιεχόμενο απλού κειμένου, δεν απαιτούνται εικόνες | Σκεφτείτε να διαγράψετε την εικόνα | Το remove_images() διαγράφεται πλήρως και είναι μη αναστρέψιμο |
| Ελπίζω το αρχείο να είναι μικρότερο | Πραγματική δοκιμή πρώτα, καμία εγγύηση | Η συμπίεση χωρίς απώλειες δεν εγγυάται ότι κάθε PDF θα είναι μικρότερο |
| Απαιτεί συμπίεση εικόνας με απώλειες | Αξιολόγηση της επανακωδικοποίησης JPEG ξεχωριστά | Είναι μια διαφορετική λειτουργία από τη συμπίεση ροής χωρίς απώλειες και δεν μπορεί να συγχέεται |
Ποιο πρόβλημα πρέπει να λυθεί πρώτα σε αυτό το άρθρο;
Αυτό το άρθρο ελέγχει μόνο τη συμπίεση χωρίς απώλειες των ροών περιεχομένου: τα αποκωδικοποιημένα byte και το εξαγόμενο κείμενο πρέπει να είναι τα ίδια πριν και μετά τη συμπίεση. Δεν υπόσχεται ότι κάθε PDF θα είναι μικρότερο, ούτε συγχέει τη συμπίεση ροής χωρίς απώλειες με την επανακωδικοποίηση με απώλειες JPEG.
Παράδειγμα αυτοτελούς σύνθεσης
Δείτε τη λίστα εισαγωγής για εξαρτήσεις. Ο κώδικας δημιουργεί την είσοδο στη μνήμη και οι εγγραφές εκτέλεσης παρέχονται χωριστά και δεν αποτελούν εγγύηση για όλα τα πραγματικά αρχεία.
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
Όρια συμπίεσης χωρίς απώλειες
- Μετά τη συμπίεση της ροής περιεχομένου, τα αποκωδικοποιημένα byte θα πρέπει να είναι συνεπή με το εξαγόμενο κείμενο.
- Οι διανυσματικές διαδρομές κειμένου, οι ενσωματώσεις γραμματοσειρών και τα ακατέργαστα δεδομένα pixel εικόνας δεν τροποποιούνται.
- Μπορείτε να θέσετε αυτό το βήμα στο στάδιο προεπεξεργασίας της μετάφρασης ως μέρος της διαδικασίας τυποποίησης χωρίς να ανησυχείτε για την καταστροφή της αναγνωσιμότητας του αρχικού κειμένου.
- Σημείωση: Το
compress_content_streamsδεν δέχεται παραμέτρους επιπέδου συμπίεσης και χρησιμοποιεί εσωτερικά την προεπιλεγμένη διαμόρφωση zlib. Δείτε το τεκμηρίωση pypdf για τις προδιαγραφές διεπαφής.
Η αντικατάσταση εικόνας είναι μια λειτουργία με απώλειες και μη αναστρέψιμη
Το remove_images() είναι πλήρης διαγραφή, όχι συμπίεση. Δεν πρέπει να χρησιμοποιείται κατά την προετοιμασία της μετάφρασης, εκτός εάν γνωρίζετε με βεβαιότητα ότι το σενάριο-στόχος δεν απαιτεί εικόνες (π.χ. εξαγωγή απλού κειμένου).
Πολλοί άνθρωποι πιστεύουν λανθασμένα ότι η "συμπίεση εικόνων" ισοδυναμεί με "έξυπνη βελτιστοποίηση". Στην πραγματικότητα, το pypdf κάνει μόνο μηχανική επανακωδικοποίηση και δεν έχει καμία ικανότητα να αντιληφθεί τη σημασιολογία του περιεχομένου.
Παράδειγμα σύνθεσης δείχνει τη διαφορά μεταξύ δύο διαδρομών συμπίεσης
Ο παρακάτω κώδικας δημιουργεί ένα PDF που περιέχει επαναλαμβανόμενες εικόνες και περιεχόμενο πολλών σελίδων, καταδεικνύοντας τα αποτελέσματα της συμπίεσης της δομής χωρίς απώλειες και της επεξεργασίας εικόνας με απώλειες αντίστοιχα. Σημείωση: Αυτός είναι ένας κώδικας διδασκαλίας που έχει περάσει τον έλεγχο συνθετικού δείγματος. Χρησιμοποιείται μόνο για την απεικόνιση των ορίων συμπεριφοράς API. Επαληθεύστε το στο τοπικό περιβάλλον πριν από την πραγματική χρήση.
Συγκεκριμένες αποφάσεις χειρισμού εξαιρέσεων
| παρατηρώ | τι να κάνουμε | δεν πρέπει να συναχθεί |
|---|---|---|
| Αλλαγές ροής αποκωδικοποίησης | Κρίθηκε ότι δεν τηρήθηκαν οι μη καταστροφικές απαιτήσεις αυτής της υπόθεσης. | Κρατήστε τα πρωτότυπα |
| Το μέγεθος δεν έχει μειωθεί | Καταγράψτε με ειλικρίνεια | Δεν είναι εγγυημένη η επιτυχής συμπίεση όλων των αρχείων PDF |
| Το κείμενο που διαβάζεται με συνέπεια | Ολοκληρώστε έναν έλεγχο | Η σύνθετη απόδοση εξακολουθεί να απαιτεί σύγκριση |
Χρησιμοποιήστε αυτήν τη λίστα ελέγχου για μετάφραση εγγράφων
Ο διαχωρισμός αρχείων, η κρυπτογράφηση ή η επεξεργασία συνημμένων αποτελούν μέρος της προετοιμασίας για παράδοση και η μετάφραση δεν μπορεί να αντικαταστήσει αυτούς τους ελέγχους. Συνιστάται να διατηρείτε πρώτα το αρχικό αντίγραφο και τη λίστα επεξεργασίας και στη συνέχεια να αξιολογείτε τη σειρά σελίδων, τους συνδέσμους και την ακεραιότητα του περιεχομένου της μετάφρασης.
📊 Βασική σύγκριση
| Διαστάσεις | Συμπίεση ροής περιεχομένου χωρίς απώλειες | remove_images() διαγραφή εικόνας | Ανακωδικοποίηση JPEG με απώλειες |
|---|---|---|---|
| Εάν θέλετε να αλλάξετε τα αποκωδικοποιημένα byte | Η αποδοχή απαιτεί σταθερά byte αποκωδικοποίησης | Το περιεχόμενο της εικόνας θα διαγραφεί | Είναι μια λειτουργία με απώλειες και δεν μπορεί να συγχέεται με τη συμπίεση χωρίς απώλειες. |
| Περιεχόμενο εικόνας | Τα αρχικά δεδομένα pixel της εικόνας δεν τροποποιούνται | Διαγραφή εντελώς | Απώλεια επανακωδικοποίησης |
| Κείμενο και στοιχειοθεσία | Το εξαγόμενο κείμενο πρέπει να είναι συνεπές | Δεν στοχεύει κείμενο, αλλά οι εικόνες αφαιρούνται | Δεν εμπίπτει στο πεδίο της μη καταστροφικής επιθεώρησης αυτού του άρθρου |
| Είναι αναστρέψιμο; | Αποδοχή σύμφωνα με μη καταστροφικές απαιτήσεις | Αμετάκλητος | απώλειες |
| Η ένταση γίνεται απαραίτητα μικρότερη; | Δεν υπάρχει καμία εγγύηση ότι κάθε PDF θα είναι μικρότερο | Η ένταση αλλάζει ανάλογα με την πραγματική κατάσταση του αρχείου | Εξαρτάται από τα πραγματικά αποτελέσματα επεξεργασίας |
🎯 Ποια μέθοδος είναι κατάλληλη για εσάς;
Εάν χρειάζεται να διατηρήσετε εικόνες και τυπογραφία
- Χρησιμοποιήστε συμπίεση χωρίς απώλειες της ροής περιεχομένου και αναθεωρήστε με αποκωδικοποιημένα byte και ανάγνωση κειμένου.
Εάν χρειάζεστε μόνο περιεχόμενο απλού κειμένου
- Μπορείτε να εξετάσετε το ενδεχόμενο διαγραφής της εικόνας, αλλά πρώτα επιβεβαιώστε ότι η εικόνα δεν χρειάζεται για τη σκηνή-στόχο.
Εάν θέλετε ο όγκος να είναι σημαντικά μικρότερος μετά τη συμπίεση
- Χρησιμοποιήστε το πραγματικό σας δείγμα για να το μετρήσετε πρώτα, μην υποθέσετε ότι σίγουρα θα γίνει μικρότερο.
Εάν χρειάζεται να επεξεργαστείτε σημαντικά αρχεία
- Κρατήστε πρώτα το πρωτότυπο έγγραφο και ελέγξτε τα αποτελέσματα σύμφωνα με τα όρια και τα στοιχεία αποδοχής στο κείμενο.
❓ Συχνές ερωτήσεις (FAQ)
1. Η συμπίεση χωρίς απώλειες θα αλλάξει την εικόνα;
Σύμφωνα με τα κριτήρια αποδοχής αυτού του άρθρου, τα αρχικά δεδομένα pixel της εικόνας δεν θα τροποποιηθούν μετά από συμπίεση χωρίς απώλειες της ροής περιεχομένου και τα αποκωδικοποιημένα byte και το εξαγόμενο κείμενο θα πρέπει να είναι συνεπή.
2. Το PDF θα είναι μικρότερο μετά τη συμπίεση;
αβέβαιος. Αυτό το άρθρο δεν υπόσχεται ότι κάθε PDF θα γίνει μικρότερο. Εάν το μέγεθος δεν μειωθεί, θα πρέπει να καταγραφεί με ειλικρίνεια.
3. Μπορεί το compress_content_streams να ρυθμίσει το επίπεδο συμπίεσης;
Κλίση. Αυτή η συνάρτηση δεν δέχεται παράμετρο επιπέδου συμπίεσης και χρησιμοποιεί εσωτερικά την προεπιλεγμένη διαμόρφωση zlib.
4. Μπορεί το remove_images() να χρησιμοποιηθεί ως συμπίεση εικόνας;
Κλίση. Αφαιρεί εντελώς την εικόνα, αντί να τη συμπιέζει, και δεν πρέπει να χρησιμοποιείται στο στάδιο προετοιμασίας της μετάφρασης, εκτός εάν η εικόνα δεν είναι πραγματικά απαραίτητη για τη σκηνή-στόχο.
📝 Περίληψη
Πριν από τη συμπίεση του PDF, προσδιορίστε πρώτα εάν μπορείτε να αποδεχτείτε την απώλεια εικόνας και, στη συνέχεια, επιλέξτε την αντίστοιχη μέθοδο επεξεργασίας. Η συμπίεση ροής περιεχομένου χωρίς απώλειες είναι κατάλληλη για σενάρια όπου πρέπει να διατηρηθεί η αρχική εμφάνιση και τα αποκωδικοποιημένα byte και η ανάγνωση κειμένου χρησιμοποιούνται ως κριτήρια αποδοχής.
Δοκιμάστε το τώρα: Ανεβάστε το έγγραφο για να ξεκινήσει η μετάφραση, διατηρώντας την αρχική διάταξη


