使用JavaScript实现多格式文件转TIFF并按页拆分的技术与库选型咨询

端侧拆分原则 #

根据上传文件的体积做算力分配是平衡体验和性能的核心：单文件小于50MB的场景可完全在前端完成全流程解析、转码、输出，减少文件上传的网络开销；单文件超过50MB或需要批量处理大文件的场景，将转码逻辑放在服务端的Node.js环境执行，避免占用客户端设备CPU、内存导致页面无响应。

分格式转码逻辑 #

• JPG类栅格图：无需重型文档解析流程，直接读取图像像素数据，重编码为TIFF格式即可
• PDF类矢量文档：依赖PDF渲染引擎逐页将矢量内容栅格化为固定分辨率的位图（推荐默认150DPI平衡清晰度与文件体积），逐页完成TIFF编码
• DOC/DOCX类流式文档：这类格式没有固定的分页边界，需要先按照预设的页面尺寸、边距、字体规则完成排版分页，再将每一页内容栅格化为位图后编码为独立TIFF文件

适配场景的JavaScript开发库推荐 #

• pdf.js：纯JS实现的PDF渲染引擎，支持将任意PDF页面渲染为可读取像素的Canvas对象，是前端处理PDF逐页转码的成熟方案
• utif：轻量纯JS的TIFF编解码库，支持将Canvas输出的像素数据编码为单页TIFF文件，可灵活配置压缩等级、色深等导出参数
• mammoth：轻量DOCX解析库，可将DOCX内容转换为可排版的HTML结构，配合自定义分页逻辑完成文档内容的栅格化
• 服务端Node.js场景：可使用libvips的Node绑定实现高性能位图转TIFF流程，相比纯JS实现的转码逻辑，并发处理能力提升6倍以上，适合高并发上传的生产场景

逐页独立存储的注意事项 #

• 导出编码TIFF时关闭多页合并写入的逻辑，每一页的位图数据单独触发一次编码流程，生成独立的.tiff文件，建议采用「原文件名_页码.tiff」的规则命名，降低后续文件检索成本
• DOC/DOCX的分页逻辑需要做字体兜底处理，避免因为客户端、服务端的字体渲染差异，出现内容错位、分页位置不一致的问题
• TIFF导出默认开启LZW无损压缩，可在不损失画质的前提下压缩40%左右的文件体积，减少磁盘存储开销

内容的提问来源于stack exchange，提问作者Katya Kozirovski