如何查看PDF嵌入字体未压缩大小 排查PyPDF2加水印体积暴涨

查看嵌入字体未压缩大小的方法 #

• 方法1：使用mutool（MuPDF配套命令行工具）直接查询
  执行命令：

  mutool info -O example.pdf
  

  命令会按对象ID列出PDF内所有对象的压缩前、压缩后体积，直接对照pdffonts输出里每个字体对应的object ID字段（比如ArialMT对应ID为8 0），就能直接定位到每个字体的实际占用大小。
• 方法2：解压PDF流直接统计
  先用qpdf将PDF解码为无压缩、无对象流打包的格式：

  qpdf --qdf --object-streams=disable example.pdf unpacked.pdf
  

  生成的unpacked.pdf内所有内容流均为未压缩状态，用文本编辑器打开后搜索对应字体的对象ID（比如找8 0 obj开头的对象块），块内stream和endstream标记之间的内容就是嵌入的字体文件，直接统计这段内容的字节数即为该字体的未压缩大小。

从你贴的pdffonts结果可以直接判断：原文件的体积完全正常。22个嵌入的都是字体子集（名称前缀的AAAAAB+这类标记就是子集标识，代表字体只包含文档实际用到的字符），就算每个子集平均30KB，总大小也就在600KB上下，和你原文件0.6MB的大小完全吻合，不存在字体异常占用体积的问题。

PyPDF2加水印后体积暴涨到12MB的根因 #

问题完全出在PyPDF2的默认处理逻辑，和原文件无关：

• PyPDF2在合并水印页时，不会复用原文档中已存在的同名字体，会将水印文件携带的嵌入字体，每处理一页就重复写入一次新文件。你一共15页内容，只要水印文件带3-4套嵌入字体，重复写入15次就已经有几MB的冗余内容。
• PyPDF2默认写出PDF时不会开启流压缩，也不会自动去重重复的共享对象，冗余的字体数据全部明文存储，最终就会出现体积暴涨十几倍的情况。

快速修复方案 #

• 换用pypdf（PyPDF2的官方继任维护版本）编写水印逻辑，写出文件时传入compress_streams=True参数，同时开启共享对象去重，处理后的文件大小和原文件差值通常不会超过500KB。
• 如果已经生成了12MB的带水印文件，直接用qpdf重新压缩去重即可：

  qpdf --linearize --compress-streams=y --object-streams=generate 带水印的大文件.pdf 压缩后输出.pdf
  

  执行后会自动删除重复的字体对象、压缩所有内容流，文件通常会直接回落至1MB以内。

内容的提问来源于stack exchange，提问作者Martin Thoma