如何用Apache PDFBox实现高质量高压缩比的PDF压缩？

嘿，我之前也碰到过类似的困境——只靠压缩图片确实很难拿到满意的压缩率，毕竟PDF里藏着不少其他冗余内容呢。结合Apache PDFBox，咱们可以试试这些额外的优化手段，多管齐下效果会好很多：

1. 移除PDF中的冗余对象 #

PDF在编辑、修改多次后，经常会留下一堆未被引用的对象：比如废弃的字体、没用的表单字段、残留的注释，甚至是重复的资源文件。这些东西完全是体积负担。

用PDFBox可以直接调用优化工具来清理：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.optimize.PDFOptimizer;

// 加载文档
PDDocument document = PDDocument.load(new File("input.pdf"));
// 执行冗余清理
PDFOptimizer optimizer = new PDFOptimizer();
optimizer.optimize(document);
// 保存优化后的文档
document.save("output.pdf");
document.close();

这个工具会自动移除未被引用的对象、合并重复资源，还能优化交叉引用表。

2. 字体子集化（Subset Fonts） #

很多PDF会嵌入完整的字体文件（动辄几MB），但实际上文档里可能只用到了其中几十个字符。字体子集化就是只嵌入实际使用的字符，能大幅减小字体相关的体积。

在PDFBox里，如果你是生成PDF时嵌入字体，可以直接开启子集化：

PDType0Font font = PDType0Font.load(document, new File("font.ttf"), true); // 第三个参数为true表示子集化

如果是处理已有的PDF，可以用PDFontSubsetter工具来对已嵌入的字体进行子集化处理，只保留文档中实际出现的字符。

3. 压缩内容流与交叉引用表 #

默认情况下，有些PDF的文本内容流、交叉引用表可能没有开启压缩。咱们可以强制开启全局压缩：

import org.apache.pdfbox.pdmodel.save.SaveOptions;

// 配置保存选项
SaveOptions saveOptions = SaveOptions.createSaveOptions();
saveOptions.setCompressContentStreams(true); // 压缩所有内容流
saveOptions.setCompressXref(true); // 压缩交叉引用表
saveOptions.setUseObjectStreams(true); // 使用对象流（PDF 1.5+支持，打包多个对象压缩）

document.save("output.pdf", saveOptions);

这一步能把文本、指令等非图片内容的体积压下去，尤其是文本较多的PDF效果明显。

4. 移除不必要的元数据与附属内容 #

PDF里还藏着不少“隐形”的体积大户：

• 文档缩略图（Thumbnail）：如果不需要预览图，可以直接删除
• 元数据（创建时间、修改历史、作者信息等）：非必要的话可以清空
• 嵌入式附件：如果文档里带了没用的附件，直接移除

用PDFBox实现的示例：

// 删除缩略图
document.getDocumentCatalog().setThumbnail(null);

// 清空元数据
PDDocumentInformation info = document.getDocumentInformation();
info.setAuthor(null);
info.setCreator(null);
info.setCreationDate(null);
info.setModificationDate(null);

// 移除所有嵌入式附件
PDNames names = document.getDocumentCatalog().getNames();
if (names != null && names.getEmbeddedFiles() != null) {
    names.getEmbeddedFiles().clear();
}

5. 进阶图片压缩策略 #

你已经在做图片压缩，但可以更精细化：

• 区分图片类型：不要把所有图片都转JPEG——透明图片用PNG/Flate压缩，矢量图保留原格式，只有不透明的照片用JPEG压缩，避免质量损失或体积浪费
• 调整分辨率：如果PDF是用于屏幕显示，把图片分辨率降到96~150DPI即可（打印才需要300DPI）。可以通过缩放图片来实现：

  // 获取原图片的尺寸与分辨率
  int originalWidth = imageXObject.getWidth();
  int originalHeight = imageXObject.getHeight();
  float originalDPI = imageXObject.getDPI();
  // 目标分辨率
  float targetDPI = 150;
  // 计算缩放比例
  float scale = targetDPI / originalDPI;
  // 生成新的缩放后的图片
  BufferedImage scaledImage = Scalr.resize(imageXObject.getImage(), Scalr.Method.QUALITY, 
                                           (int)(originalWidth * scale), (int)(originalHeight * scale));
  PDImageXObject newImage = PDImageXObject.createFromImage(document, scaledImage);
  // 替换原图片
  resources.put(imageName, newImage);
  

• 用PDFBox原生工具压缩：可以试试PDFBox的JPEGFactory来生成更优的JPEG，比直接用ImageIO可能更适配PDF场景：

  PDImageXObject compressedImage = JPEGFactory.createFromImage(document, bufferedImage, COMPRESSION_FACTOR);
  

把这些方法结合起来，先清理冗余、优化字体，再压缩内容流，最后精细化处理图片，压缩率会比单独处理图片提升不少。

内容的提问来源于stack exchange，提问作者hnakao11