OmniDocAntes de comprimir PDF, decida si puede aceptar la pérdida de imagen
Antes de comprimir un PDF, piense si puede aceptar la pérdida de imagen. Este artículo solo trata sobre la compresión sin pérdidas de flujos de contenido: los bytes decodificados y el texto extraído deben ser consistentes antes y después de la compresión. No garantiza que cada PDF sea más pequeño ni confunde la compresión sin pérdidas con la recodificación con pérdida de JPEG.
Antes de comprimir un PDF, primero debe determinar si la pérdida de imagen es aceptable. Si desea reducir el tamaño de un PDF antes de traducirlo, lo más importante que debe comprender es: qué operaciones solo reorganizan la estructura de almacenamiento y qué operaciones cambiarán el contenido de la imagen.
Este artículo está escrito para traductores e ingenieros documentales que necesitan preprocesar archivos PDF. Solo analiza la compresión sin pérdidas de flujos de contenido. El criterio de aceptación es que los bytes decodificados y el texto extraído sean consistentes antes y después de la compresión. Después de leer, podrá juzgar qué pasos son apropiados, qué pasos causarán pérdidas irreversibles y cómo verificar los resultados después de la compresión.
Los ejemplos siguientes utilizan muestras sintéticas y el código se ha verificado con muestras en un entorno aislado, pero esto no representa una garantía de todos los archivos reales o del rendimiento del producto. Antes de procesar documentos importantes, conserve los originales y revíselos de acuerdo con los límites y elementos de aceptación del texto.
¿Puedo aceptar la pérdida de imagen antes de comprimir el PDF? Conclusión de una frase
Primero determine si puede aceptar la pérdida de imagen: si no puede aceptarla, simplemente realice una compresión sin pérdidas del flujo de contenido y utilice bytes decodificados y lectura de texto para su aceptación.
| tu situación | Prácticas recomendadas | razón |
|---|---|---|
| Es necesario conservar las imágenes y el diseño, solo quiero organizar la estructura de almacenamiento. | Compresión sin pérdidas de flujos de contenido | Los bytes decodificados y el texto extraído deben ser los mismos antes y después de la compresión. |
| Solo se requiere contenido de texto sin formato, no se requieren imágenes | Considere eliminar la imagen | remove_images() está completamente eliminado y es irreversible. |
| Espero que el archivo sea más pequeño. | Prueba real primero, sin garantía. | La compresión sin pérdidas no garantiza que cada PDF sea más pequeño |
| Requiere compresión de imagen con pérdida | Evaluación de la recodificación JPEG individualmente | Es una operación diferente a la compresión de flujo sin pérdidas y no se puede confundir con |
¿Qué problema debería resolverse primero en este artículo?
Este artículo solo comprueba la compresión sin pérdidas de flujos de contenido: los bytes decodificados y el texto extraído deben ser los mismos antes y después de la compresión. No promete que cada PDF será más pequeño, ni confunde la compresión de flujo sin pérdidas con la recodificación con pérdida JPEG.
Ejemplo de composición autónoma
Consulte la lista de importación para conocer las dependencias. El código construye la entrada en la memoria y los registros de ejecución se proporcionan por separado y no representan una garantía de todos los archivos reales.
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) == 1Límites de la compresión sin pérdidas
- Una vez comprimido el flujo de contenido, los bytes decodificados deben ser coherentes con el texto extraído.
- Las rutas de vectores de texto, las incrustaciones de fuentes y los datos de píxeles sin procesar de la imagen no se modifican.
- Puedes incluir este paso en la etapa de preprocesamiento de la traducción como parte del proceso de estandarización sin preocuparte por destruir la legibilidad del texto original.
- Nota:
compress_content_streamsno acepta parámetros de nivel de compresión y utiliza la configuración predeterminada de zlib internamente. Consulte documentación pypdf para conocer las especificaciones de la interfaz.
El reemplazo de imágenes es una operación irreversible y con pérdidas
remove_images() es una eliminación completa, no una compresión. No debe usarse durante la preparación de la traducción a menos que esté seguro de que el escenario de destino no requiere imágenes (por ejemplo, extracción de texto sin formato).
Mucha gente cree erróneamente que "comprimir imágenes" equivale a "optimización inteligente". De hecho, pypdf solo realiza recodificación mecánica y no tiene la capacidad de percibir la semántica del contenido.
El ejemplo de síntesis demuestra la diferencia entre dos rutas de compresión
El siguiente código construye un PDF que contiene imágenes repetidas y contenido de varias páginas, lo que demuestra los efectos de la compresión de estructuras sin pérdidas y el procesamiento de imágenes con pérdidas, respectivamente. Nota: Este es un código de enseñanza que pasó la verificación de muestra sintética. Sólo se utiliza para ilustrar los límites del comportamiento de la API. Verifíquelo en el entorno local antes de su uso real.
Decisiones específicas de manejo de excepciones
| observar | que hacer | no debe inferirse |
|---|---|---|
| Cambios en el flujo de decodificación | Se consideró que no se cumplían los requisitos no destructivos de este caso. | Conservar originales |
| El tamaño no ha disminuido. | Graba con sinceridad | No se garantiza la compresión exitosa de todos los archivos PDF |
| La reinterpretación del texto es consistente | completar un cheque | La representación compleja aún requiere comparación |
Utilice esta lista de verificación para la traducción de documentos
La división de archivos, el cifrado o el procesamiento de archivos adjuntos son parte de la preparación para la entrega y la traducción no puede reemplazar estas comprobaciones. Se recomienda conservar primero la copia original y la lista de procesamiento, y luego evaluar el orden de las páginas, los enlaces y la integridad del contenido de la traducción.
📊 Comparación central
| Dimensiones | Compresión de flujo de contenido sin pérdidas | remove_images() eliminar imagen | Grabación JPEG con pérdida |
|---|---|---|---|
| Si se deben cambiar los bytes decodificados | La aceptación requiere bytes de decodificación consistentes | El contenido de la imagen se eliminará. | Es una operación con pérdidas y no puede confundirse con la compresión sin pérdidas. |
| Contenido de la imagen | Los datos de píxeles originales de la imagen no se modifican. | Eliminar completamente | Grabación con pérdida |
| Texto y tipografía | El texto extraído debe ser coherente. | No se orienta al texto, pero se eliminan las imágenes. | No está dentro del alcance de la inspección no destructiva de este artículo. |
| ¿Es reversible? | Aceptación según requisitos no destructivos. | Irreversible | con pérdida |
| ¿El volumen necesariamente se vuelve más pequeño? | No hay garantía de que cada PDF sea más pequeño | El volumen cambia según la situación real del archivo. | Depende de los resultados reales del procesamiento |
🎯 ¿Qué método es el adecuado para ti?
Si necesitas conservar imágenes y tipografía
- Utilice compresión sin pérdidas del flujo de contenido y revise con bytes decodificados y lectura de texto.
Si solo necesitas contenido de texto sin formato
- Puede considerar eliminar la imagen, pero primero confirme que la imagen no es necesaria para la escena de destino.
Si desea que el volumen sea significativamente menor después de la compresión
- Utilice su muestra real para medirla primero, no asuma que definitivamente se hará más pequeña.
Si necesita procesar archivos importantes
- Conserve primero el documento original y revise los resultados de acuerdo con los límites y elementos de aceptación del texto.
❓ Preguntas frecuentes (FAQ)
1. ¿La compresión sin pérdidas cambiará la imagen?
De acuerdo con los criterios de aceptación de este artículo, los datos de píxeles originales de la imagen no se modificarán después de la compresión sin pérdidas del flujo de contenido, y los bytes decodificados y el texto extraído deben ser consistentes.
2. ¿El PDF será más pequeño después de la compresión?
incierto. Este artículo no promete que cada PDF se hará más pequeño. Si el tamaño no disminuye, se debe registrar con sinceridad.
3. ¿Puede compress_content_streams ajustar el nivel de compresión?
No poder. Esta función no acepta un parámetro de nivel de compresión e internamente utiliza la configuración predeterminada de zlib.
4. ¿Se puede utilizar remove_images() como compresión de imágenes?
No poder. Elimina la imagen por completo, en lugar de comprimirla, y no debe usarse en la etapa de preparación de la traducción a menos que la imagen realmente no sea necesaria para la escena de destino.
📝 Resumen
Antes de comprimir PDF, primero determine si puede aceptar la pérdida de imagen y luego elija el método de procesamiento correspondiente. La compresión de flujo de contenido sin pérdidas es adecuada para escenarios en los que es necesario conservar la apariencia original y se utilizan bytes decodificados y lectura de texto como criterios de aceptación.
Pruébelo ahora: cargue el documento para comenzar la traducción, conservando el diseño original
