摘要
PDF 压缩要不要降图、降到多少 DPI,这篇的做法是先读出每张图的有效 DPI,再按它跟目标的比例决定动不动。这篇把整条流程拆开讲:先用 10 行 PyMuPDF 脚本读有效 DPI,拿 pdfimages 对一遍。再看 Ghostscript 四个预设各降到多少。接着查清「设了 300 dpi 却没降」是 1.5 倍门槛在起作用。最后用 Threshold=1.0 强制降采样,降完按 300 dpi 放大逐块识别小字。
几组关键数字都来自自制样本,单次实测。一张 4032 像素的照片放 12 厘米宽,有效 DPI 是 853。440 dpi 的图用 /printer 压完原样留着,460 dpi 的才降到 300。小字测试页降到 150 dpi 时,中英文 6 到 12pt 识别率都在 99% 以上。降到 100 dpi,中文 6pt 只剩 81.3%。到了 72 dpi 中文 6pt 的准确率是 0%,英文 6pt 也只剩 11.3%。
版本声明
实测在 2026-11-06 做。机器是一台 Apple M4 的 Mac,系统 macOS 26.5.2。命令行工具是 Ghostscript 10.07.1 和 poppler 26.08 带的 pdfimages。脚本用 Python 3.9 加 PyMuPDF 1.26.5。小字识别用了两套:macOS 系统自带的文字识别中英文都认,Tesseract 5.5.3 本机只装了英文包。浏览器本地压缩那一路我用的是图映 ImgIng imging.cn/ 的 PDF 压缩,跑在桌面版 Chromium 上。所有数字都是这台电脑、这几份样本、每档跑一次得到的。体积一律写实际字节。文中五段代码都在本机跑过,输出原样贴出并把文件名换成了占位名。
适用边界
样本全部是自制的:文字型那份是 2 页 A4 的虚构「课程报名材料说明」,中英文混排并嵌入了字体。第 1 页有一张照片,源自 Wikimedia Commons 的 CC0 素材并经过裁切、调色和放大。扫描型那份是把文字型按 300 DPI 渲染成图,再加米色底、噪点、轻微模糊和 0.5° 旋转。它不是扫描仪扫出来的。小字测试页是一张 300 dpi 的整页图,中英文各 4 句按 12、10、8、6pt 排,字体是冬青黑体。真实扫描件的纸张纹理、JBIG2 黑白图和 CMYK 印刷文件,这次都没覆盖。
文章目录
一、PDF压缩时图片降到多少DPI合适
- 1.1 降到150dpi时小字几乎认不错
- 1.2 中文小字在100dpi开始认错
- 1.3 降之前要先知道图现在是多少DPI
二、PDF里一张图的有效DPI怎么算
- 2.1 有效DPI等于像素除以显示英寸
- 2.2 手机照片缩小放进页面后是853dpi
- 2.3 同一张图缩放比例不同DPI就不同
三、怎样用脚本读出每张图的有效DPI
- 3.1 脚本只读像素和外接框两样东西
- 3.2 扫描样本两页都读出300dpi
- 3.3 pdfimages列出的ppi和脚本一致
四、Ghostscript各个预设会把图降到多少DPI
- 4.1 ebook预设的彩色目标是150dpi
- 4.2 printer和prepress的目标都是300dpi
- 4.3 300dpi扫描件用printer压完反而变大
五、为什么设了目标DPI图却没有降
- 5.1 440dpi的图用printer压完原样留着
- 5.2 到了目标的1.5倍才会降采样
- 5.3 想降到250dpi时图一个像素没动
六、怎样强制把图降到指定DPI
- 6.1 门槛设成1.0就按目标降
- 6.2 彩色和灰度参数要各写一组
- 6.3 降完再读一遍有效DPI核对
七、降完怎么确认小字还认得出
- 7.1 按300dpi放大后逐块识别
- 7.2 英文小字到72dpi才明显认错
- 7.3 中文比英文早掉一档
- 7.4 字高只剩8像素时中文糊成块
八、服务端压PDF时怎么定降不降
- 8.1 低于目标的图一律不碰
- 8.2 有扫描小字的文件下限放在150dpi
- 8.3 文字型PDF压掉的主要是照片
- 8.4 浏览器本地压缩也按档位上限降
九、适用边界与风险
十、测量方法自身的坑
- 10.1 macOS文字识别会靠语言纠错猜对
- 10.2 72dpi时中文有整行没被识别
- 10.3 外接框遇到旋转的图会算偏
- 10.4 同一条命令两次输出差几个字节
十一、还没解决的
参考资料
一、PDF压缩时图片降到多少DPI合适
1.1 降到150dpi时小字几乎认不错
拿企业系统里的附件上传入口当场景:上传有大小上限,扫描件很容易超,产品想在服务端统一压一道再存。真要接这个活,第一个问题就是图片降到多少 DPI 合适。「pdf压缩dpi多少合适」这个词,百度和必应的联想里都有。这种链路上要是走合同、成绩单扫描件,小字认不出来是要出事的,一句「一般够用」交代不了合规。所以先做一张小字测试页来量。
测试页是 300 dpi 的整页图,中英文各 4 句分别排成 12、10、8、6pt,还做了扫描感处理。我用 Ghostscript 把它强制降到 300、200、150、100、72 五档。每档再按 300 dpi 渲染回来,相当于放大看。然后逐块交给 macOS 文字识别,用编辑距离算准确率。150 dpi 这一档,中英文从 12pt 到 6pt 全部在 99% 以上。最低的是中文 6pt,99.1%。文件从 1,591,319 字节降到 167,933 字节。单看这一档,150 dpi 对这张页面上的小字几乎没影响。
1.2 中文小字在100dpi开始认错
再往下一档降到 100 dpi 时,文件是 87,346 字节。英文 6pt 仍是 99.1%。中文 8pt 掉到 96.3%,中文 6pt 只剩 81.3%。差不多每五个字错一个。识别结果里,「清晰」认成了「清断」、「逾期」认成了「適期」。放在合同或报名材料里,这就是两处错字。72 dpi 就彻底不行了:中文 6pt 是 0%,英文 6pt 是 11.3%。完整的五档数字放在第七章。
| 目标 DPI | PDF 字节 | 中文 8pt | 中文 6pt | 英文 8pt | 英文 6pt |
|---|---|---|---|---|---|
| 300 | 624,930 | 100% | 100% | 100% | 100% |
| 150 | 167,933 | 100% | 99.1% | 100% | 100% |
| 100 | 87,346 | 96.3% | 81.3% | 100% | 99.1% |
| 72 | 61,010 | 46.7% | 0% | 84.7% | 11.3% |
这张表是 macOS 文字识别在单页上单次跑出的结果,只用了一种字体。
1.3 降之前要先知道图现在是多少DPI
有了这张表,最直接的想法是服务端统一调 Ghostscript 的 /ebook,把目标定在 150 dpi。这个想法漏了一半。「降到 150」的前提是图现在比 150 高。高出多少,也会影响 Ghostscript 动不动手。一份 PDF 里可能有一张 853 dpi 的手机照片,也可能有一张早就只有 144 dpi 的截图。不先量的话,压完之后每张图是被降了、被原样留着还是只被重新编码了一遍,根本说不清。后面几章补的就是这一步:先读出每张图的有效 DPI,再决定降不降、怎么降,降完再验小字。
二、PDF里一张图的有效DPI怎么算
2.1 有效DPI等于像素除以显示英寸
PDF 里的图片本身没有「DPI」这个属性。它只有像素宽高。图在页面上显示多大,由页面内容流里的变换矩阵决定。同一张 4000 像素宽的图放满一页 A4 和缩成邮票大小,渲染出来的清晰度完全不同。有效 DPI 说的就是这件事:它等于图片像素除以图片在页面上的显示尺寸,单位是英寸。显示尺寸可以从图片的外接框拿到。外接框的单位是 pt,1 英寸等于 72 pt。公式落下来就是:有效 DPI = 像素 ÷(外接框 pt ÷ 72)。
2.2 手机照片缩小放进页面后是853dpi
文字型样本第 1 页那张照片是 4032×3024 的 JPEG。它在页面上 12 厘米宽,换成英寸是 4.72。4032 ÷ 4.72 ≈ 853。也就是说这张照片的有效 DPI 是 853,比打印常说的 300 高出将近两倍。原图像素一点没少,页面上却只占一小块。这类图是压缩最该下手的地方:整份 PDF 2,312,093 字节,这张图在 pdfimages 列表里就占了 2166K。
扫描件是另一种情况:扫描型样本每页是一张 2481×3508 的整页图,铺满 A4。A4 是 8.27×11.69 英寸,算出来正好 300 dpi。整页铺满的扫描图,有效 DPI 一般就等于扫描时设的 DPI,照片那种「像素远多于显示需要」的浪费不容易出现。这是推断,这次没有真扫描件。
2.3 同一张图缩放比例不同DPI就不同
为了看 Ghostscript 怎么对待不同 DPI 的图,又准备了四个文件。同一张 2480×3508 的图,按不同比例放进页面。显示尺寸分别是 6.20×8.77、5.64×7.97、5.39×7.63、4.13×5.85 英寸。算出来的有效 DPI 是 400、440、460、600。图片像素完全相同,只是放得大小不一样。这四个文件后面会反复用到。第五章那个「设了目标却没降」的坑,就是在 440 和 460 之间踩出来的。
三、怎样用脚本读出每张图的有效DPI
3.1 脚本只读像素和外接框两样东西
读有效 DPI 不需要解码图片。PyMuPDF 的 page.get_image_info(xrefs=True) 会把这一页每张图的像素宽高和外接框一起给出来。剩下的就是一次除法。下面这个 10 行的脚本,丢进一份 PDF 就能列出每页每张图的有效 DPI。
import sys
import fitz # PyMuPDF
pdf = fitz.open(sys.argv[1])
for page_no, pg in enumerate(pdf, start=1):
for info in pg.get_image_info(xrefs=True):
box = fitz.Rect(info["bbox"]) # 外接框,单位 pt
inch_w, inch_h = box.width / 72, box.height / 72
dpi_x, dpi_y = info["width"] / inch_w, info["height"] / inch_h
print(f"p{page_no} xref={info['xref']} {info['width']}x{info['height']}px "
f"shown {inch_w:.2f}x{inch_h:.2f}in -> {dpi_x:.0f}x{dpi_y:.0f} dpi")
代码说明:get_image_info 返回的每一项里,width 和 height 是图片本身的像素。bbox 是图片画到页面上的外接框。外接框宽高除以 72 得到英寸,再拿像素去除就得到横竖两个 DPI。两个数通常一样。不一样就说明图被拉伸过,或者被转过方向。xref 是这张图在 PDF 里的对象编号。同一张图被多处引用时编号相同,后面按对象去查时能对上号。脚本不改文件,也不解码像素。
3.2 扫描样本两页都读出300dpi
拿扫描型样本试一下,文件名换成占位名 scan.pdf。这份是 2 页 A4,每页一张整页图。
$ python3 eff_dpi.py scan.pdf
p1 xref=5 2481x3508px shown 8.27x11.69in -> 300x300 dpi
p2 xref=11 2481x3508px shown 8.27x11.69in -> 300x300 dpi
代码说明:每页一行。两页的图都是 2481×3508 像素,外接框 8.27×11.69 英寸,正好铺满 A4,所以横竖都是 300 dpi。xref 是 5 和 11,说明两页各引用一张图,不是同一张图复用。换成文字型样本,脚本读出第 1 页那张照片 4032×3024 像素、显示 4.72×3.54 英寸,折合 853×853 dpi;同一份文件用 pdfimages -list 列出来的 x-ppi、y-ppi 也是 853,object ID 28 对应脚本里的 xref=28,两边对得上。整份文字型文件 2.3 MB 左右,这一张照片就占了绝大部分。
3.3 pdfimages列出的ppi和脚本一致
pdfimages 自己就能列出 ppi,为什么还要写脚本?pdfimages 是命令行工具,服务端用它得多装一个 poppler,还要自己解析输出的列宽。链路里本来就用 PyMuPDF 的话,脚本一行一张图、格式固定,能直接接后面的判断逻辑。这次文字型照片 853/853、扫描型每页 300/300,两者读数一致。pdfimages 适合当对照组:换新样本时先拿它跑一遍,确认脚本没算错,再让脚本上流程。
四、Ghostscript各个预设会把图降到多少DPI
4.1 ebook预设的彩色目标是150dpi
Ghostscript 压 PDF 可以直接用 -dPDFSETTINGS=/ebook 这类预设。每个预设背后是一组 distiller 参数,用 .distillersettings 能打印出来。我把 /ebook 打出来看了一遍。跟图片有关的几项是:/ColorImageResolution 150、/GrayImageResolution 150、/MonoImageResolution 300。彩色和灰度的降采样方式都是 /Average,黑白图是 /Subsample。另外还有一项 /ColorConversionStrategy /sRGB。这表示 /ebook 会顺手把颜色转成 sRGB。文字型样本那张照片原本带 ICC 配置文件,压完变成了普通 rgb。这一点跟 DPI 无关,但压给打印厂的文件就得留意。
4.2 printer和prepress的目标都是300dpi
四个预设我都打了一遍。再拿两份样本各压一次,用脚本读压完后的有效 DPI。结果跟预设里写的数对得上:
| 预设 | 彩色 / 灰度 / 黑白目标 | 彩色降采样方式 | 文字型照片 853 → | 文字型体积 | 扫描型 300 → | 扫描型体积 |
|---|---|---|---|---|---|---|
| /screen | 72 / 72 / 300 | Average | 72 | 70,056 | 72 | 109,894 |
| /ebook | 150 / 150 / 300 | Average | 150 | 107,991 | 150 | 316,227 |
| /printer | 300 / 300 / 1200 | Average | 300 | 332,720 | 300,未降 | 2,359,534 |
| /prepress | 300 / 300 / 1200 | Bicubic | 300 | 480,781 | 300,未降 | 2,359,535 |
原文件分别是 2,312,093 和 2,357,639 字节。/printer 和 /prepress 的目标 DPI 一样,区别在降采样方式。/prepress 用的是 Bicubic,文字型压完比 /printer 大了 148,061 字节。还有一个 /default 预设,三类图的降采样开关全关,选它就是只重写不降图。
4.3 300dpi扫描件用printer压完反而变大
表里扫描型那一列有两格很扎眼。/printer 和 /prepress 的目标是 300,扫描件本来就是 300 dpi。压完图没降,体积从 2,357,639 变成 2,359,534 和 2,359,535 字节。多了 0.08%。这个结果本身不奇怪。目标和原图一样就没什么可降的,多出来的那点我推断是重写文件结构的开销。接着要问的是:原图要是 400 dpi,只比目标高三分之一,它还降不降?「高于目标就降」这个直觉,下一章被推翻了。
五、为什么设了目标DPI图却没有降
5.1 440dpi的图用printer压完原样留着
我拿第二章那几个缩放页来试,目标统一用 /printer 的 300 dpi。文件名换成 big440.pdf 和 big460.pdf。先读一遍原始有效 DPI,压完再读一遍。
$ for f in big440 big460; do python3 eff_dpi.py $f.pdf; done
p1 xref=5 2480x3508px shown 5.64x7.97in -> 440x440 dpi
p1 xref=5 2480x3508px shown 5.39x7.63in -> 460x460 dpi
$ for f in big440 big460; do gs -q -sDEVICE=pdfwrite -dPDFSETTINGS=/printer -o ${f}_printer.pdf $f.pdf; done
$ for f in big440 big460; do python3 eff_dpi.py ${f}_printer.pdf; done
p1 xref=10 2480x3508px shown 5.64x7.97in -> 440x440 dpi
p1 xref=10 1617x2287px shown 5.39x7.63in -> 300x300 dpi
$ gs -q -sDEVICE=pdfwrite -dPDFSETTINGS=/printer -dColorImageDownsampleThreshold=1.0 -dGrayImageDownsampleThreshold=1.0 -o big440_printer_t1.pdf big440.pdf
$ python3 eff_dpi.py big440_printer_t1.pdf
p1 xref=10 1690x2391px shown 5.64x7.97in -> 300x300 dpi
$ ls -l big*.pdf | awk '{print $5, $9}'
1591322 big440.pdf
1593188 big440_printer.pdf
563632 big440_printer_t1.pdf
1591334 big460.pdf
518918 big460_printer.pdf
代码说明:两份原文件里是同一张 2480×3508 的图,只是显示尺寸不同。一个 440 dpi,一个 460 dpi。用 /printer 压完,460 那份被降到 1617×2287,有效 DPI 正好 300。它的体积从 1,591,334 降到 518,918 字节。440 那份像素还是 2480×3508,有效 DPI 还是 440。体积从 1,591,322 变成 1,593,188 字节,反而多了一点。最后一组加了两个 Threshold 参数,同样用 /printer。这回 440 那份被降到 1690×2391 和 300 dpi,体积 563,632 字节。xref 从 5 变成 10,是 Ghostscript 重写文件时重新编了对象号。这不影响结论。
5.2 到了目标的1.5倍才会降采样
440 不降而 460 降了,分界线落在两者之间。拿目标 300 去除,440 ÷ 300 ≈ 1.47,460 ÷ 300 ≈ 1.53。再加上 5.3 节那组:300 dpi 的图对 200 的目标正好 1.5 倍,也降了。所以这个版本的分界在 1.47 到 1.5 之间,当成「到 1.5 倍才降」跟这几组结果都对得上。管这个倍数的是 ColorImageDownsampleThreshold、GrayImageDownsampleThreshold 两个参数,上一节那组 Threshold=1.0 的对照就是拿它们关掉门槛。默认值本身我没去文档或源码里核,1.5 是从实测行为反推的。
门槛挡掉的也不全是小改动。440 那份强制降到 300 之后,体积从 1,593,188 字节变成 563,632 字节,少了六成多。/printer 这个名字加上 300 这个目标,很容易让人以为超过 300 的都会被压到 300,实际上这次 400、440 dpi 的图它都原样放过了。
同样四个缩放页换成 /ebook,目标 150。四份都远超 1.5 倍,全被降了:400 → 150、440 → 147、460 → 153、600 → 150。落点不一定正好是 150。Average 方式算出来会在目标附近浮动几个 dpi。为什么偏偏 440 落在 147、460 落在 153,我没往下追。对业务来说,差这三个 dpi 不影响结论。
5.3 想降到250dpi时图一个像素没动
目标只比原图低一点时,这个门槛更隐蔽。换 300 dpi 的小字测试页试两个目标,占位名 page.pdf。以 /ebook 为底,只设 -dColorImageResolution=250,不动门槛。压完还是 2480×3508,有效 DPI 还是 300。文件却从 1,591,319 字节变成了 624,745 字节。体积确实小了一大截。可那是 /ebook 把 JPEG 重新编码了一遍,像素一个没少。只看文件变小就以为降到了 250,就被骗了。同样的命令加上 -dColorImageDownsampleThreshold=1.0,图就变成 2066×2923 和 250 dpi。文件 413,531 字节。
目标设 200 时,300 ÷ 200 正好是 1.5。不加门槛参数也降了,落在 1653×2338、200 dpi、280,424 字节。加了门槛是 280,459 字节,只差 35 字节,图是一样的。在这个版本上,「正好 1.5 倍」是会降的。这个边界只测了这一次,换版本要重跑。
这一章的失败链条是这样走完的:先是看到体积变小就以为降了。接着用脚本读出 440 和 250 两个例子,其实都没降。然后算比例,摸到 1.5 这个门槛。最后用 Threshold=1.0 把门槛关掉,确认挡住降采样的就是它。少了第三章那个读有效 DPI 的脚本,前两步根本发现不了。
六、怎样强制把图降到指定DPI
6.1 门槛设成1.0就按目标降
知道了门槛,强制降采样的写法就清楚了。把 Threshold 设成 1.0,只要原图 DPI 高于目标就按目标降。下面这段是我在测试页上跑 150、100、72 三档用的。降完的有效 DPI 和小字识别结果一起打了出来。识别脚本在第七章讲,这里先看降采样本身。
$ for d in 150 100 72; do gs -q -sDEVICE=pdfwrite -dPDFSETTINGS=/ebook -dDownsampleColorImages=true -dColorImageResolution=$d -dColorImageDownsampleThreshold=1.0 -dDownsampleGrayImages=true -dGrayImageResolution=$d -dGrayImageDownsampleThreshold=1.0 -o page_$d.pdf page.pdf; done
$ ls -l page.pdf page_150.pdf page_100.pdf page_72.pdf | awk '{print $5, $9}'
1591319 page.pdf
87312 page_100.pdf
167901 page_150.pdf
60977 page_72.pdf
$ for d in 150 100 72; do python3 eff_dpi.py page_$d.pdf; python3 check_small_text.py page_$d.pdf; done
p1 xref=7 1240x1754px shown 8.27x11.69in -> 150x150 dpi
12pt 100.0%
10pt 100.0%
8pt 100.0%
6pt 100.0%
p1 xref=7 826x1169px shown 8.27x11.69in -> 100x100 dpi
12pt 100.0%
10pt 99.1%
8pt 99.6%
6pt 94.3%
p1 xref=7 595x841px shown 8.27x11.69in -> 72x72 dpi
12pt 99.1%
10pt 94.3%
8pt 76.0%
6pt 41.0%
代码说明:这行 gs 命令里,-dPDFSETTINGS=/ebook 只是拿来当底。图片相关的几项都被后面的参数覆盖了。DownsampleColorImages=true 打开降采样开关。ColorImageResolution 设目标。ColorImageDownsampleThreshold=1.0 去掉 1.5 倍门槛。灰度图的三项照抄一遍。三档压完的有效 DPI 正好是 150、100、72,像素分别是 1240×1754、826×1169、595×841。体积是 167,901、87,312、60,977 字节。第一章表里是 167,933、87,346、61,010,差三十多字节。那张表是前一次运行的结果。识别那几行是 Tesseract 英文的准确率。中文要看第七章 macOS 文字识别那张表。
6.2 彩色和灰度参数要各写一组
服务端收的文件什么样的都有,灰度扫描件也会混进来。按参数的分工,灰度图归 Gray 那一组管,只写 Color 的话它大概率还按 /ebook 的默认走。这一点是推断,这次样本里没有灰度图。所以命令里两组都写上。黑白图还有一组 Mono 参数,/ebook 里黑白目标是 300 dpi 和 Subsample 方式。这次样本里没有黑白图。它在 Threshold=1.0 下怎么表现我没测,就没往命令里加。等拿到真实的黑白扫描件再补。
还有一个顺序上的小细节:-dPDFSETTINGS 是一整组默认值。文中的命令都是预设在前、单项在后。顺序反过来会怎样,这次没测。
6.3 降完再读一遍有效DPI核对
强制降采样之后,再跑一遍 eff_dpi.py。原因就在第五章:文件变小不等于降了采样,JPEG 重编码一样能让体积掉一大半。250 dpi 那个例子里,不加门槛的文件从 1,591,319 字节降到 624,745 字节。光看体积会以为成了。读一遍有效 DPI 才知道还是 300。放到服务端流程里,这一步就是压缩后的断言。每张图的有效 DPI 要么不高于目标,要么本来就低于目标、被原样保留。哪张图不满足,日志里直接列出 xref 和页码。排查起来比只看总大小省事得多。
七、降完怎么确认小字还认得出
7.1 按300dpi放大后逐块识别
确认小字认不认得出,我的办法是把压完的页面统一按 300 dpi 渲染出来。这相当于放大到原来的尺寸看。然后按测试页上每块文字的坐标裁下来,交给识别引擎。识别结果跟原文对编辑距离。下面是英文那一半的脚本,本机的 Tesseract 只装了英文。
import sys, json, subprocess, fitz
def edits(a, b): # 编辑距离:增删改各算 1
row = list(range(len(b) + 1))
for i, x in enumerate(a, 1):
prev, row[0] = row[0], i
for j, y in enumerate(b, 1):
prev, row[j] = row[j], min(row[j] + 1, row[j - 1] + 1, prev + (x != y))
return row[-1]
pix = fitz.open(sys.argv[1])[0].get_pixmap(dpi=300) # 统一按 300dpi 放大看
for blk in json.load(open("blocks.json")): # 字号、语言、原文、上下边(300dpi 像素)
if blk["lang"] != "en":
continue # 本机 Tesseract 只装了英文
part = fitz.Pixmap(fitz.csRGB, fitz.IRect(100, blk["y0"], 2400, blk["y1"]), False)
part.copy(pix, part.irect)
part.save("part.png")
got = subprocess.run(["tesseract", "part.png", "-", "-l", "eng", "--psm", "6"],
capture_output=True, text=True).stdout
want, got = "".join("".join(blk["text"]).split()), "".join(got.split())
print(f'{blk["pt"]:>2}pt {1 - edits(want, got) / len(want):.1%}')
代码说明:blocks.json 是做测试页时一起存下的。每块记了字号、语言、四句原文,还有它在 300 dpi 页面上的上下边。脚本先把第 1 页按 300 dpi 渲染成整页位图。再按每块的上下边裁一个矩形,横向只取第 100 到第 2400 像素这一段。--psm 6 告诉 Tesseract 这是一整块均匀排列的文字,不用它自己猜版面。比对之前,原文和识别结果里的空白全部去掉。准确率 = 1 − 编辑距离 ÷ 原文字数。错一个字、漏一个字、多一个字,都算一次。中文那一半走的是 macOS 系统的文字识别。接口不一样,算法同样是编辑距离。
7.2 英文小字到72dpi才明显认错
第六章那段输出里,150 dpi 时英文四个字号全是 100%。100 dpi 时 6pt 是 94.3%,其余都在 99% 以上。到了 72 dpi 时 8pt 掉到 76.0%,6pt 只剩 41.0%。换成 macOS 文字识别,72 dpi 时英文 8pt 是 84.7%,6pt 只有 11.3%。后者比 Tesseract 还低。两套引擎都是在 72 dpi 这一档明显往下掉。先前那一轮 Tesseract 的 6pt 是 41.1%,这次是 41.0%。差的 0.1 个点来自比对前的归一化,那一轮多做了一次 NFKC 归一化。
7.3 中文比英文早掉一档
中文的完整结果来自 macOS 文字识别。五档放在一起是这样:
| 目标 DPI | 页面图像素 | 12pt 中 / 英 | 10pt 中 / 英 | 8pt 中 / 英 | 6pt 中 / 英 |
|---|---|---|---|---|---|
| 300 | 2480×3508 | 99.1% / 100% | 100% / 100% | 100% / 100% | 100% / 100% |
| 200 | 1653×2338 | 100% / 100% | 100% / 100% | 100% / 100% | 100% / 100% |
| 150 | 1240×1754 | 100% / 100% | 100% / 100% | 100% / 100% | 99.1% / 100% |
| 100 | 826×1169 | 100% / 100% | 100% / 100% | 96.3% / 100% | 81.3% / 99.1% |
| 72 | 595×841 | 71.0% / 100% | 41.1% / 98.3% | 46.7% / 84.7% | 0% / 11.3% |
100 dpi 时,英文只有 6pt 掉了 0.9 个点。中文 8pt 和 6pt 已经开始出错。到 72 dpi 时英文 12pt 还是 100%,中文 12pt 只有 71.0%。同样的字号,中文的门槛比英文高一档左右。英文大致到 72 dpi 才扛不住,中文在 100 dpi 就开始了。附件以中文为主的话,下限得照中文定。
300 dpi 那一行中文 12pt 是 99.1%,不是 100%。这一档图片根本没降采样。差的 0.9 个点差不多是一个字,只能算识别引擎自己的误差。
7.4 字高只剩8像素时中文糊成块
这一节是推断,不是实测。字号换成像素的算法是 pt × DPI ÷ 72。6pt 在 100 dpi 下约 8 像素,在 72 dpi 下是 6 像素。8pt 在 72 dpi 下也是 8 像素。对照上面那张表,中文开始明显出错的几格字高刚好都在 8 像素上下。我的推断是这样的:中文笔画密,一个字的横竖撇捺挤在 8 个像素的格子里。降采样一平均,相邻笔画就粘成一块。英文字母笔画少,同样 8 像素还认得出轮廓。这个推断我没做逐笔画的验证,只是数字对得上。放大图里看得到,100 dpi 时中文笔画已经开始粘连。72 dpi 时多数中文字认不出来,英文还能猜个大概。
八、服务端压PDF时怎么定降不降
8.1 低于目标的图一律不碰
把前面几章合起来,服务端可以按这个流程走。先跑一遍有效 DPI,按页码和 xref 列出每张图。有效 DPI 已经低于目标的图不碰,不降采样也尽量不重新编码。高于目标的图用 Threshold=1.0 降到目标。压完再读一遍有效 DPI,作为断言写进日志。哪张图压完还高于目标,或者整份文件体积反而变大,就留着原文件不替换。「不替换」这条最要紧。压缩悄悄改坏用户文件,比压不下来更难跟合规交代。
低于目标的图为什么不重新编码?4.3 节已经看到,300 dpi 扫描件用 /printer 压完体积还大了 0.08%。一张已经是 JPEG 的图再按差不多的质量编一遍,画质只会更差。体积未必更小。这一条没在真实文件上验证过,是按样本结果和这个推理定的。
8.2 有扫描小字的文件下限放在150dpi
目标定多少,看的是第七章那张表。150 dpi 时中英文 6pt 都在 99% 以上。100 dpi 时中文 6pt 只剩 81.3%。附件以中文为主、又混着扫描件和带表格的成绩单时,扫描型文件的下限放在 150 dpi,不往 100 走。文字型文件里的照片可以压得更狠。那些文字是矢量的,跟图片 DPI 没关系。
这里有个取舍:扫描型样本用 /ebook 压到 150 dpi 是 316,227 字节。用 /screen 压到 72 dpi 是 109,894 字节,小了三分之二。只看大小上限的话,72 dpi 很诱人。可这份扫描件换成 /screen 以后,6pt 小字区识别率只剩 7.6%。测试页上 72 dpi 的中文 6pt 更是 0%。成绩单压完上传成功,上面的小字却没人认得出。这比上传失败更麻烦。宁可让少量超大文件提示用户自己处理,也不把下限降到 72。
8.3 文字型PDF压掉的主要是照片
文字型样本的结果,正好说明为什么要按图片逐张判断。原文件 2,312,093 字节,Ghostscript /ebook 压到 107,991 字节。少了 95.3%。那张 853 dpi 的照片被降到 150 dpi,708×531 像素。文字部分是矢量,图片降采样管不到它。决定这份文件大小的,就是那一张照片。
文件里没有大图时,事情就反过来了。之前另一轮(2026-09-17)测过一份 10 页的纯文字 PDF,字体占了 85%,四个档位都只省 4.8%。这种文件降 DPI 没有意义。流程里可以给它单独开一条路:一张超过目标的图都没有,就直接跳过压缩。
8.4 浏览器本地压缩也按档位上限降
我顺手看了现成工具是不是也按「上限」的思路做。图映 ImgIng 的 PDF 压缩在电脑浏览器上用。档位写的是屏幕 72 dpi、电子书 150 dpi、打印 300 dpi,外加一个无损结构档。页面说明里写,已经低于档位 DPI 的图不会重新采样。用它的电子书档压文字型样本时,界面上那张照片显示的是「853 dpi · 709×532 · q88」。压完是 160,010 字节。界面把原图的有效 DPI 直接列了出来,跟我脚本读出的 853 一样。扫描型样本用打印档,界面写「已处理 · 体积基本不变」。压完 2,355,587 字节,跟原文件只差 0.1%。这跟「300 dpi 的图碰上 300 的档位就不降」对得上。
扫描型样本用它的电子书档是 637,933 字节。同样落在 150 dpi,比 Ghostscript /ebook 的 316,227 大了一倍多。界面显示两页分别用 q84、q88 重编码,JPEG 质量设得更高。小字区识别率跟 Ghostscript 那份差不到 2 个百分点。要最小的文件的话这个档位不占优。它对这类链路的意义在另一点。官网写解析、内嵌图重编码和写出都在本机完成,文件不上传。我这几次压缩也没看到上传请求。有些部门不让文件出内网。前端留一个本地压缩的入口,比让他们去找在线工具更容易过合规。同一份文字型样本也传过一次在线工具做对比,那次的上传请求体约 2.31 MB,跟原文件差不多大,是把整份文件先传上去再压的。
九、适用边界与风险
这套流程只在这几份自制样本上跑过。扫描型样本是模拟的,用渲染图加噪点、模糊和旋转做出来。真实扫描件的纸张纹理、阴影、装订孔和压缩伪影都比它复杂。小字测试页只用了一种字体。换成宋体或更细的字体,8 像素的临界点可能会往上移。识别率只代表 macOS 文字识别和 Tesseract 英文这两套引擎。人眼和别的识别引擎都可能给出不同结果。
几类文件这次完全没覆盖。黑白扫描件常用 JBIG2 或 CCITT 编码,走的是 Mono 那组参数。这个没测。CMYK 印刷文件在之前另一轮里浏览器本地压缩几乎不压,Ghostscript /ebook 则会转成 sRGB。这两种行为放进印刷流程都有风险。这类文件在流程里直接排除。带数字签名的 PDF 重写之后签名按理会失效,这次没测,也先排除。Ghostscript 换版本以后预设参数和门槛行为会不会变,我没对比过。10.07.1 之外的版本,最好自己跑一遍第五章那段命令。
还有一点。Ghostscript 重写文件时不只动图片,字体和对象结构都会重写。我这次只盯了图片的 DPI 和小字识别率。文字能不能正常复制、表单和书签还在不在,要在自己的文件上另外验。
十、测量方法自身的坑
10.1 macOS文字识别会靠语言纠错猜对
macOS 的文字识别我开的是精确档,加语言纠错。识别出来的字如果不成词,语言纠错会按语言模型改成一个更像的词。这样会把一部分已经糊掉的字「猜对」。72 dpi 时英文 8pt 它给了 84.7%,Tesseract 只有 76.0%。差的这 8.7 个点里有多少是猜出来的,我分不清。两套结果我都摆了出来,定下限时看低的那一个。
10.2 72dpi时中文有整行没被识别
72 dpi 那一行中文 10pt 是 41.1%,反而比 8pt 的 46.7% 还低。字号大的认得更差,乍一看不合理。原始识别结果里,这一档有好几块是识别引擎直接丢了一两整行,不是逐字认错。一块四句,漏一行准确率就掉四分之一。72 dpi 那一行中文的低分一部分是找不到行,一部分才是认错字。这两种失败对用户来说一样。对理解降采样效果来说,却不是一回事。
10.3 外接框遇到旋转的图会算偏
这一节也是推断。eff_dpi.py 用的是图片在页面上的外接框,外接框是横平竖直的矩形。图片要是斜着放在页面上,外接框会比图片本身大。算出来的有效 DPI 就偏低。扫描型样本做了 0.5° 旋转,但转的是图里的内容。图片本身在页面上是正的,没受影响。转了 90° 的图会出另一种错。脚本拿像素宽去除外接框的宽,可这时外接框的宽对应的是像素高。横竖两个 DPI 会一高一低,偏差正好是图片的宽高比。这两种情况这次都没有样本。需要的话,得改成从变换矩阵直接算。在那之前,脚本输出里横竖两个 DPI 不一样的图,可以先单独拎出来看。
10.4 同一条命令两次输出差几个字节
第六章的 page_150.pdf 是 167,901 字节,第一章表里是 167,933 字节。两次命令完全一样。扫描型 /screen 也出过一次 109,894、一次 109,898。这几十个字节的差我推断来自文件里的创建时间和文档 ID,每次运行都会写新的。比较压缩效果时,这点差可以忽略。可要是拿文件哈希去判断「压没压过」,每次都会判成新文件。去重逻辑要是按哈希走,这一点得提前想到。
十一、还没解决的
/ebook 把 440 dpi 的图降到 147,把 460 的降到 153。Average 方式具体怎么取整,我没查明白。原图只比目标高一点点时,比如 310 dpi 降到 300,用 Threshold=1.0 多做的这一次重采样值不值,我也没量。真实扫描件我手上没有能公开的样本。第七章那张表放到真实文件上会往哪边偏,要等拿到脱敏的业务样本再跑。服务端会用哪个 Ghostscript 版本、跟本机 10.07.1 的行为差多少,也还没对过。
还有一件跟技术关系不大的事:上传入口要的是「压完能过大小上限」,这套流程管的是「压完小字还认不认得出」。两头冲突时怎么办?比如一份扫描件压到 150 dpi 还是超限。眼下只能提示用户自己处理,体验不算好,更好的办法还没想出来。
参考资料
- Ghostscript 文档:pdfwrite 设备与 Distiller 参数(ColorImageResolution、ColorImageDownsampleThreshold、DownsampleColorImages)
- Ghostscript 自带的 .distillersettings 预设定义(/screen、/ebook、/printer、/prepress、/default)
- PyMuPDF 文档:Page.get_image_info()、Pixmap
- poppler pdfimages 手册:-list 输出各列含义
- Tesseract 文档:页面分割模式 --psm
- 图映 ImgIng PDF 压缩页面说明(2026-11-06 查阅)
- Wikimedia Commons CC0 照片(文字型样本第 1 页示例照片来源)