OmniDocПрежде чем сжимать PDF, решите, можете ли вы смириться с потерей изображения
Прежде чем сжимать PDF-файл, подумайте, можете ли вы смириться с потерей изображения. В этой статье рассматривается только сжатие потоков контента без потерь: декодированные байты и извлеченный текст должны быть согласованными до и после сжатия. Это не гарантирует, что каждый PDF-файл будет меньше, и не путает сжатие без потерь с перекодированием JPEG с потерями.
— Сжатие потоков контента без потерь не гарантирует, что каждый PDF-файл станет меньше. Если размер не стал меньше, его следует записать правдиво. — Сжатие потока контента без потерь и перекодирование JPEG с потерями — это две разные вещи, и их не следует путать.
- compress_content_streams не принимает параметр уровня сжатия и использует внутреннюю конфигурацию zlib по умолчанию.
- Remove_images() полностью удаляет изображения, а не сжимает их, и его не следует использовать во время подготовки перевода, если не ясно, что изображения не нужны.
Прежде чем сжимать PDF-файл, необходимо сначала определить, допустима ли потеря изображения. Если вы хотите уменьшить PDF-файл перед переводом, самое важное понять: какие операции только изменяют структуру хранения, а какие операции изменят содержимое изображения.
Эта статья написана для переводчиков и инженеров-документологов, которым необходима предварительная обработка PDF-файлов. Здесь обсуждается только сжатие потоков контента без потерь. Критерием приемлемости является согласованность декодированных байтов и извлеченного текста до и после сжатия. Прочитав, вы сможете судить, какие шаги подходят, какие приведут к необратимым потерям и как проверить результаты после сжатия.
В приведенных ниже примерах используются синтетические образцы, а код был проверен на образцах в изолированной среде, но это не является гарантией всех реальных файлов или производительности продукта. Перед обработкой важных документов, пожалуйста, сохраните оригиналы и просмотрите их по границам и пунктам приема в тексте.
Могу ли я смириться с потерей изображения перед сжатием PDF? Вывод в одно предложение
Сначала определите, можете ли вы принять потерю изображения: если вы не можете принять это, просто выполните сжатие потока контента без потерь и используйте декодированные байты и повторное чтение текста для принятия.
| твоя ситуация | Рекомендуемые практики | причина |
|---|---|---|
| Необходимо сохранить изображения и макет, просто хочу организовать структуру хранения. | Сжатие потоков контента без потерь | Декодированные байты и извлеченный текст должны быть одинаковыми до и после сжатия. |
| Требуется только текстовый контент, изображения не требуются. | Рассмотрите возможность удаления изображения | remove_images() полностью удален и необратим. |
| надеюсь файл будет меньше | Сначала фактическое испытание, никаких гарантий | Сжатие без потерь не гарантирует, что каждый PDF-файл будет меньше. |
| Требуется сжатие изображения с потерями | Оценка перекодирования JPEG индивидуально | Это операция, отличная от сжатия потока без потерь, и ее нельзя путать с |
Какую проблему следует решить в первую очередь в этой статье?
В этой статье проверяется только сжатие потоков контента без потерь: декодированные байты и извлеченный текст должны быть одинаковыми до и после сжатия. Он не обещает, что каждый PDF-файл будет меньше, и не путает сжатие потока без потерь с перекодированием JPEG с потерями.
Пример автономной композиции
См. список импорта для зависимостей. Код конструирует ввод в память, а записи запуска предоставляются отдельно и не являются гарантией всех реальных файлов.
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) == 1Границы сжатия без потерь
- После сжатия потока контента декодированные байты должны соответствовать извлеченному тексту.
— Пути векторов текста, встраивание шрифтов и необработанные пиксельные данные изображения не изменяются.
- Вы можете включить этот этап в стадию предварительной обработки перевода в рамках процесса стандартизации, не беспокоясь о том, что ухудшится читабельность исходного текста.
- Примечание.
compress_content_streamsне принимает параметры уровня сжатия и использует внутреннюю конфигурацию zlib по умолчанию. См. документация в формате pypdf для получения информации о спецификации интерфейса.
Замена изображения — это необратимая операция с потерями
remove_images() — полное удаление, а не сжатие. Его не следует использовать при подготовке перевода, если вы точно не уверены, что целевой сценарий не требует изображений (например, извлечение простого текста).
Многие люди ошибочно полагают, что «сжатие изображений» равносильно «интеллектуальной оптимизации». Фактически, pypdf выполняет только механическое перекодирование и не имеет возможности воспринимать семантику контента.
Пример синтеза демонстрирует разницу между двумя путями сжатия
Следующий код создает PDF-файл, содержащий повторяющиеся изображения и многостраничный контент, демонстрируя эффекты сжатия структуры без потерь и обработки изображений с потерями соответственно. Примечание. Это учебный код, прошедший проверку синтетического образца. Он используется только для иллюстрации границ поведения API. Пожалуйста, проверьте его в локальной среде перед фактическим использованием.
Конкретные решения по обработке исключений
| наблюдать | что делать | не следует предполагать |
|---|---|---|
| Декодирование изменений потока | Было решено, что требования по неразрушению в этом деле не были соблюдены. | Сохраняйте оригиналы |
| Размер не уменьшился | Записывайте правдиво | Успешное сжатие всех PDF-файлов не гарантируется. |
| Текст читается последовательно | Завершить проверку | Сложный рендеринг по-прежнему требует сравнения |
Используйте этот контрольный список для перевода документов
Разделение файлов, шифрование или обработка вложений являются частью подготовки к доставке, и перевод не может заменить эти проверки. Рекомендуется сначала сохранить оригинал копии и список обработки, а затем оценить порядок страниц, ссылки и целостность содержания перевода.
📊 Сравнение ядра
| Размеры | Сжатие потока контента без потерь | remove_images() удалить изображение | Перекодирование JPEG с потерями |
|---|---|---|---|
| Следует ли менять декодированные байты | Принятие требует согласованных байтов декодирования. | Содержимое изображения будет удалено. | Это операция с потерями, и ее нельзя путать со сжатием без потерь. |
| Содержание изображения | Исходные данные пикселей изображения не изменяются. | Удалить полностью | Перекодирование с потерями |
| Текст и верстка | Извлеченный текст должен быть последовательным | Текст не ориентирован на текст, но изображения удаляются. | Это не входит в сферу неразрушающего контроля настоящей статьи. |
| Это обратимо? | Приемка в соответствии с требованиями неразрушающего контроля | необратимый | с потерями |
| Обязательно ли объем становится меньше? | Нет никакой гарантии, что каждый PDF-файл будет меньше. | Громкость меняется в зависимости от фактического положения файла. | Зависит от реальных результатов обработки |
🎯 Какой метод подходит вам?
Если вам нужно сохранить изображения и типографику
- Используйте сжатие потока контента без потерь и просматривайте его с декодированными байтами и считыванием текста.
Если вам нужен только текстовый контент
- Вы можете рассмотреть возможность удаления изображения, но сначала убедитесь, что оно не требуется для целевой сцены.
Если вы хотите, чтобы после сжатия объем был значительно меньше
- Сначала измерьте свой реальный образец, не думайте, что он обязательно станет меньше.
Если вам нужно обработать важные файлы
- Сначала сохраните исходный документ и просмотрите результаты в соответствии с границами и пунктами приемки в тексте.
❓ Часто задаваемые вопросы (FAQ)
1. Изменит ли сжатие без потерь изображение?
Согласно критериям приемлемости этой статьи, исходные пиксельные данные изображения не будут изменены после сжатия потока контента без потерь, а декодированные байты и извлеченный текст должны быть согласованными.
2. Будет ли PDF-файл меньше после сжатия?
неопределенный. Эта статья не обещает, что каждый PDF-файл станет меньше. Если размер не уменьшается, его следует записать правдиво.
3. Может ли compress_content_streams регулировать уровень сжатия?
Не мочь. Эта функция не принимает параметр уровня сжатия и внутри использует конфигурацию zlib по умолчанию.
4. Можно ли использовать remove_images() для сжатия изображений?
Не мочь. Он полностью удаляет изображение, а не сжимает его, и его не следует использовать на этапе подготовки перевода, если только изображение действительно не требуется для целевой сцены.
📝 Резюме
Прежде чем сжимать PDF-файл, сначала определите, можете ли вы допустить потерю изображения, а затем выберите соответствующий метод обработки. Сжатие потока контента без потерь подходит для сценариев, где необходимо сохранить исходный вид, а в качестве критериев приемки используются декодированные байты и считывание текста.
Попробуйте сейчас: загрузите документ, чтобы начать перевод, сохранив исходный макет.
