Perché il mio PDF si è ridotto così poco?
Ho passato il PDF in un compressore ed è sceso da 4,1 MB a 4,0 MB. Lo strumento è rotto?
Un PDF è uno schedario
Il modello mentale che genera la delusione è pensare al PDF come alla fotografia di un documento. Non lo è. Un PDF, come lo definisce ISO 32000, è un contenitore di oggetti numerati: alberi delle pagine, content stream pieni di operatori di disegno, programmi di font incorporati, immagini XObject, campi modulo, annotazioni, segnalibri e una tabella di riferimenti incrociati che indica dove comincia ogni oggetto.
La maggior parte di quegli oggetti è già compressa. I content stream sono di solito codificati con Flate, lo stesso algoritmo usato da un file ZIP. Le fotografie incorporate sono di solito conservate come stream DCT, cioè dati JPEG passati attraverso senza modifiche. Così, quando un compressore generico guarda un PDF, sta guardando una scatola di cose che sono già state compresse una volta ciascuna.
Scopri dove sono i byte prima di comprimere qualsiasi cosa
La diagnosi più utile in assoluto è sapere che tipo di documento hai fra le mani, perché predice il risultato quasi per intero.
| Tipo di documento | Dove stanno i byte | Cosa può fare un salvataggio strutturale |
|---|---|---|
| Relazione di testo da un word processor | Programmi di font incorporati e content stream piccoli | Molto poco: il contenuto è già denso |
| Pagine scansionate | Un'immagine grande per pagina | Quasi nulla, senza toccare le immagini |
| Esportazione di una presentazione | Fotografie incorporate e sfumature | Qualcosa, se le immagini sono duplicate fra le diapositive |
| Disegno tecnico | Content stream vettoriali lunghi | Qualcosa, ricodificando gli stream e rimuovendo gli oggetti inutilizzati |
| Modulo con allegati | File incorporati, JavaScript, dizionari delle annotazioni | Molto, se gli extra si possono rimuovere |
Cosa rimuove davvero un salvataggio strutturale
Un salvataggio strutturale riscrive il documento senza cambiare l'aspetto di nessuna pagina. Può eliminare gli oggetti che ormai non sono più referenziati da nulla e che si accumulano ogni volta che un documento viene modificato e salvato in modo incrementale. Può comprimere la tabella dei riferimenti incrociati e impacchettare gli oggetti piccoli in object stream. Può eliminare i metadati del documento, le miniature e la cronologia delle modifiche che alcuni produttori si lasciano dietro.
Su un documento modificato e risalvato molte volte il guadagno può essere grande. Su un documento esportato in modo pulito, una volta sola, da un word processor non c'è nulla da raccogliere: il file è già vicino alla sua forma più compatta, e cento kilobyte in meno su quattro megabyte sono esattamente il risultato da aspettarsi.
Perché un documento di testo resiste
In un PDF di testo, gran parte del file è di solito costituita dai font incorporati. Un programma di font è un binario compatto che contiene i contorni dei glifi e le istruzioni di hinting, ed è lì perché il documento deve essere reso in modo identico su una macchina che non ha quel carattere installato. Non lo puoi comprimere via senza ridurne ulteriormente il sottoinsieme o rimuoverlo, e rimuoverlo cambia l'aspetto della pagina.
Il testo in sé è minuscolo. Cento pagine di prosa sono qualche centinaio di kilobyte di caratteri prima della compressione. Se il tuo PDF di testo è grande, guarda i font e le eventuali immagini nascoste dietro il testo — un logo ripetuto in un'intestazione, una filigrana di sfondo — piuttosto che le parole.
Perché una scansione crolla
Una pagina scansionata è una grande fotografia di un foglio di carta, spesso acquisita a 300 punti per pollice o più. Una pagina A4 a 300 DPI è circa 2480 × 3508 pixel — quasi nove milioni — per una pagina il cui contenuto informativo sono pochi kilobyte di testo. Ecco perché le scansioni rispondono in modo così vistoso alla compressione rasterizzata: ridurre la risoluzione di rendering e ricodificare le immagini delle pagine attacca la parte del file che è davvero grande.
Ed è anche il motivo per cui quella modalità è distruttiva. Una volta che una pagina è un'immagine, il livello di testo ricercabile, i link, i campi modulo, le annotazioni, la struttura di accessibilità taggata e qualsiasi firma digitale sono spariti. FileSlimmer tratta la rasterizzazione come una modalità separata, chiaramente etichettata e accompagnata da quell'avvertenza, invece che come un ripiego silenzioso quando il salvataggio strutturale delude.
Perché nessuno può prometterti un numero
Una dimensione obiettivo per un PDF è una ricerca fra risoluzione di rendering e qualità delle immagini, e la ricerca ha un pavimento: sotto una certa risoluzione il testo di una scansione smette di essere leggibile. Se un documento specifico raggiunga un budget specifico al di sopra di quel pavimento dipende dal numero di pagine, dalla copertura di inchiostro, dalla quantità di contenuto fotografico e dal rumore dello scanner. Due documenti con lo stesso numero di pagine possono finire a dimensioni molto diverse.
Il comportamento onesto è fermarsi al pavimento e riferire dove la ricerca si è fermata, che è ciò che fanno i preset di dimensione obiettivo per i PDF di FileSlimmer. Uno strumento che centra sempre il numero che hai digitato o sta mentendo sul numero o sta distruggendo il documento per arrivarci.
Prima di dare la colpa allo strumento
- Controlla se il PDF è una scansione. Prova a selezionare una riga di testo: se il cursore non seleziona nulla, ogni pagina è un'immagine.
- Confronta il numero di pagine con la dimensione. Un file da 40 MB con tre pagine è carico di immagini; un file da 40 MB con 900 pagine può essere del tutto ragionevole.
- Controlla se il documento è cifrato. Un PDF protetto da password non può essere ristrutturato in alcun modo finché non viene sbloccato.
- Controlla se è firmato. Riscrivere un documento firmato invalida la firma, e di solito è un esito peggiore di un file grande.
- Controlla di cosa hai davvero bisogno. Estrarre le sei pagine che devi inviare spesso batte comprimerle tutte e novanta.
Strumenti utili
Fonti
- ISO 32000-2 — Document management, Portable Document Format
- Adobe — PDF 32000-1:2008, the freely published PDF 1.7 specification
- PDF Association — ISO 32000 and the PDF standards family