一种压缩扫描版 PDF 的方法

我也是 PDF 标注重度依赖用户，看到有人抱怨扫描版的 pdf 太大了同步不起，我来分享下一个压缩 PDF 的方法，根据使用经验最多可以压缩到原来的十分之一。

使用工具：

PDFPatcher  （PDF拆分与合并）	下载地址：[https://github.com/wmjordan/PDFPatcher/issues/2](https://github.com/wmjordan/PDFPatcher/issues/2)

imgyaso	（PDF压缩）	 项目地址：[https://github.com/apachecn/imgyaso](https://github.com/apachecn/imgyaso)

WPS （OCR 功能）

pdfdir （非必须，仅为没有目录的PDF制作目录）下载地址：[https://github.com/chroming/pdfdir/releases](https://github.com/chroming/pdfdir/releases)
​

步骤：

0. 使用 PDFPatcher 将文件的目录等元信息导出到一个 xml 文件中，如果没有目录要迁移，此步可忽略。

   ​​

1. 拆分。使用 PDFPatcher 将文件拆分成 jpg 图片， 它的导出方式是无损的。

   ​​

2. 压缩图片。这可能是最有门槛的一步，需要安装 Python 环境，以及要在命令行模式（shell）执行命令。

   • 首先需要安装 Python，自行百度。

   • 安装压缩工具 **imgyaso**​​​​​，在命令行模式下执行命令（对于开发人员建议使用虚拟环境，为了防止因网络原因失败，这里使用了阿里的下载源）：

     pip.exe install imgyaso -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com​​​​​​​。

     如果安装成功，执行 ​ python -m imgyaso​​​​​​​ 命令会出现如下信息：

     ​​

   • 在命令行环境下执行压缩命令：python -m imgyaso -mthres 0001.jpg​ ，一次调用只能压缩一张图片，可以通过这种方式来测试压缩的效果。

     若批量的处理所有的 jpg 文件，将下面的代码保存为一个后缀为 .py 的文件，然后将它放入第 1 步中的图片目录，然后双击它就可以一键压缩当前目录下所有图片了。

     （单线程处理大几百页还是有些慢，有能力的同学自行完成并发方案)

     import os
     import subprocess
     
     def process_jpg_files():
         jpg_files = [f for f in os.listdir() if f.lower().endswith('.jpg')]
         for jpg_file in jpg_files:
             subprocess.run(["python", "-m", "imgyaso", "-mthres", jpg_file])
     
     if __name__ == "__main__":
         process_jpg_files()
     ​

3. 合并。使用 PDFPatcher 将压缩后的图片合并为一个 pdf 文档，注意在操作 3 中指定了步骤 0 中的信息文件，这样生成的 PDF 文档会自动导入原文档的目录等元信息。

   ​​

   ‍

4. 用 WPS 里的扫描件识别功能，将 PDF 转化为 OCR 版。这是个会员功能，没有会员的可以去咸鱼搞个一天号，或者使用其他工具的 OCR 方式。

5. 可能还有点缺憾，因为有些扫描件一开始就没有目录，这时候就可以通过 pdfdir 工具手动导入目录啦。

   很多工具都可以编辑目录如上面的 PDFPatcher，但 pdfdir 的优势在于可以从京东、豆瓣等复制下来书籍的目录信息，一键完成导入。

‍

到这里所有的工作都已经完成了。效果图如下：

​

‍

压缩率：

​​​​

​​

‍