Как уменьшить размер PDF со сканами и не потерять цифры

PDF со сканами тяжёлый не из-за PDF. Формат здесь — только конверт, а внутри каждой страницы лежит картинка, и весит она столько, сколько в ней пикселей, умноженных на глубину цвета, за вычетом того, что сумело выжать сжатие. Отсюда три рычага, которые уменьшают файл в разы, и одна ловушка, которая может тихо испортить цифры в документе.

Почему скан весит столько #

Посчитать вес страницы до сжатия можно на калькуляторе: число пикселей умножается на число байт на пиксель. Цвет — три байта, оттенки серого — один, чёрно-белый — одна восьмая байта.

Расчёт для листа 210 × 297 мм, мегабайт — миллион байт.

Это вес до сжатия. JPEG, которым обычно сжимают сканы в цвете и оттенках серого, как пишут справочные материалы о формате, типично уменьшает изображение примерно в десять раз без заметной на глаз разницы. Цветная страница при 300 dpi превращается в 2–3 МБ, и двадцатистраничный договор весит 50 МБ — ровно то, что не пролезает ни в почту, ни в форму загрузки.

Посчитать объём заранее, до сканирования, помогает калькулятор объёма архива.

Три рычага, по силе #

Разрешение. Самый сильный рычаг, потому что работает в квадрате. С 300 до 200 dpi пикселей становится в 2,25 раза меньше, с 300 до 150 — вчетверо. Для текста 200 dpi обычно достаточно, чтобы читались серия и номер, 150 — нижняя граница для чтения с экрана. Какое разрешение под какую задачу — в разборе разрешения сканирования.

Цветность. Переход с цвета на оттенки серого уменьшает объём втрое. Переход на чёрно-белый — ещё в восемь раз, но с риском: один бит рвёт тонкие штрихи и убивает бледные оттиски печатей. Цвет нужен там, где цвет несёт информацию: печать, подпись синей ручкой, цветные пометки.

Тип сжатия. У каждого режима свой алгоритм:

• JPEG — для цвета и оттенков серого; настраивается качеством, на тексте с белым фоном выдерживает сильное сжатие;
• CCITT Group 4 и JBIG2 — для чёрно-белых страниц, сжимают их очень плотно;
• MRC — раскладывает страницу на слои: текст отдельно в высоком разрешении, фон отдельно в низком. ABBYY описывает его как сжатие без заметной потери качества, особенно полезное для сканов документов, и указывает, что в FineReader оно требует распознавания текста.

Чем сжать #

Ghostscript — бесплатный и офлайновый способ для Windows, Linux и Mac. После установки на Windows команда выглядит так:

gswin64c -sDEVICE=pdfwrite -dPDFSETTINGS=/ebook -dNOPAUSE -dBATCH -dQUIET -sOutputFile=small.pdf big.pdf

Параметр -dPDFSETTINGS выбирает пресет, и главное в нём — до какого разрешения ужимаются картинки. По документации Ghostscript /screen даёт 72 dpi, /ebook — 150 dpi, /printer и /prepress — 300 dpi. Для документа, который будут читать с экрана, обычно хватает /ebook; для документа, который распечатают, лучше /printer. /screen для сканов текста почти всегда слишком груб.

Опасная экономия: JBIG2 и подмена цифр #

У сжатия JBIG2 есть режим, который экономит место за счёт повторов. Алгоритм находит на странице похожие символы, например все восьмёрки, хранит один образец и подставляет его во все похожие места. Если реализация сравнивает символы небрежно, а скан низкого разрешения, похожие знаки путаются: в документе оказывается не та цифра, и выглядит она совершенно естественно.

Это не теория. В 2013 году немецкий специалист по информатике Давид Кризель обнаружил, что копиры и МФУ Xerox WorkCentre при сканировании в PDF заменяют одни цифры другими — например, 6 на 8. Документ при этом выглядел безупречно: подменённая цифра была настоящей цифрой из того же документа. Сам Кризель указывал, что виноват не формат JBIG2, а реализация режима с потерями.

Практические выводы:

• для документов с цифрами — договоров, счетов, паспортов, таблиц — не включать максимальное сжатие с потерями для чёрно-белых страниц;
• если программа предлагает выбор между JBIG2 с потерями и без потерь, для документов выбирать без потерь;
• после любого сильного сжатия открыть файл в масштабе 100 % и сверить с оригиналом суммы, даты и номера.

До 1 МБ: как попасть в лимит #

Порталы, банки и формы загрузки часто ограничивают вес файла. Порядок действий, при котором файл уменьшается, а документ остаётся читаемым:

1. Убрать цвет, если в документе нет цветных печатей и подписей: минус две трети веса.
2. Понизить разрешение до 200 dpi. Серия, номер и обычный шрифт читаются.
3. Включить JPEG среднего качества. На белом фоне документа артефакты почти не видны.
4. Проверить читаемость в масштабе 100 %: мелкий текст, цифры, печати.
5. Если всё ещё много — 150 dpi или деление на несколько файлов, если это разрешено.

Оценка для ориентира: страница A4 в оттенках серого при 200 dpi весит без сжатия около 3,9 МБ, после JPEG с типичным сжатием в десять раз — около 0,4 МБ. В 1 МБ помещаются две-три такие страницы. Двадцать цветных страниц уложить в мегабайт можно только ценой читаемости — тогда честнее разбить документ.

Что ещё проверяют при подаче документов, кроме веса, — в материале о сканах для банков и порталов.

Сжать или пересканировать? #

Если оригинал под рукой, иногда быстрее отсканировать заново с правильными настройками, чем ужимать готовый файл: 200 dpi в оттенках серого сразу дают лёгкий файл без двойного сжатия. Двойное сжатие — когда уже сжатый JPEG сжимают ещё раз — накапливает артефакты быстрее, чем кажется. Какие настройки ставить при сканировании в PDF, разобрано в отдельной инструкции.

Для архива логика обратная. Сжимают только копию для отправки, а мастер-скан хранят в полном качестве: уменьшить его можно когда угодно, вернуть выброшенные пиксели — никогда. Для долговременного хранения документов есть свой формат — PDF/A.

Проверка компактной копии перед загрузкой #

Сначала посмотрите правила сервиса: размер одного вложения, общий лимит и допустимость разделения. Используйте калькулятор бюджета страницы PDF, чтобы оценить средний размер; он не загружает и не сжимает ваш документ. На выходе важен фактический файл в байтах, а не обещание выбранного пресета.

Проверяйте мелкие цифры и знаки, подпись, печать и края каждой страницы. В документе с OCR выполните поиск по слову и скопируйте строку с числами. Правильно выглядящая картинка может иметь ошибочный текстовый слой, а правильный OCR не исправляет нечитаемый штамп. Не используйте уменьшенную копию вместо единственного мастер-файла.

Запишите использованные параметры и сохраняйте версии последовательно: исходник, компактная копия, окончательная отправка. Не пережимайте JPEG многократно без сравнения. Снижение разрешения уменьшает число пикселей, но в некоторых исходниках именно эти детали нужны для читаемости. Матрица DPI и файлов объясняет масштабирование объёма, не качество любого документа.

Если лимит невозможно выполнить без потери важных деталей, запросите допустимый другой способ передачи у получателя. Нельзя предполагать, что система примет несколько файлов или архив ZIP, когда разрешён только PDF. Конфиденциальные документы обрабатывайте локально либо в сервисе, использование которого вы согласовали.