PDF圧縮

「PDF圧縮」は単一の処理ではありません。PDFのサイズが生まれる場所はまったく違いうるので、ある原因への対処は、他には何の効果もありません。魔法のボタン1つが、渡したファイルと同じサイズのファイルを返したり、テキストが黙って検索できなくなったファイルを返したりするのは、このためです。

バイトが実際にある場所

スキャン文書なら、実質すべてがページ画像の中にあります。ワープロから書き出したレポートなら、大抵は埋め込みフォントのサブセットと、構造上のオーバーヘッドにあります。何度も編集して上書き保存を繰り返したファイルでは、驚くほどの割合が、もうどこからも参照されていないデータに占められています。PDFはインクリメンタル保存に対応しており、編集のたびにファイルを書き換えるのではなく追記していくため、過去のリビジョンがバイト列の中に残ったままになり得るのです。

バランス処理（既定）

大きなPDFの多くは、画像が原因で大きくなっています。レポートに貼ったスマートフォンの写真は1200万画素のまま、スキャンしたページはスキャナーの300〜600 DPIのまま残ります。バランス処理はファイル内のJPEG画像をすべて見つけ、印刷してもくっきり見えるサイズ（推奨の強さでA4ページ約160 DPI）まで縮小して再エンコードします。テキスト、フォント、ベクター図形、リンク、しおりには手を加えないので、文書は検索も選択もできるままです。1割以上小さくならない画像は元のバイトを保ち、CMYKや特色の画像はそのまま残します。印刷用ファイルを黙ってRGBに変換するのは節約ではなく不具合だからです。

ロスなしのリビルド

こちらは全ページを、真っ新しい文書へコピーします。コピーはページツリーからオブジェクトグラフを辿るので、実際に到達できるものだけが移されます。古いリビジョン、孤立したフォント、削除済みページに属する画像、使われなくなった注釈は、単に訪問されません。その後、結果はobject streamsで書き出されます。ページ・フォント・リンクを記述する多数の小さな辞書を、平文ではなく圧縮ストリームに詰め込む方式です。

何も再エンコードしません。テキストは選択・検索可能なまま、ベクターアートはベクターのまま、画像は手つかずです。編集を重ねたファイルなら大きな割合を削除できます。最初から綺麗に書き出されたファイルではほとんど何も減りません。このページは、都合の良い数字ではなく、実際の数字を報告します。

ラスタライズ処理

こちらは各ページをpdf.jsで描画し（Mozillaのエンジンで、Firefoxが使っているものです）、その画像からJPEGとして文書を再構成します。スキャンに対する効果は絶大です。600 DPIでスキャンした200 MBのファイルが、120 DPIでは目に見える劣化もなく数メガバイトになります。元の解像度が、中身が必要とする水準をはるかに超えていたからです。

この処理には、はっきり述べておくべき破壊性もあります。テキストレイヤーは失われます。文書は検索できず、選択もできず、スクリーンリーダーでも読めず、リンクは効かなくなります。スキャンなら、失うべきテキストレイヤーがそもそもないので、代償はゼロです。テキスト文書では、良いファイルを悪いファイルに変えてしまい、だからこそデフォルトにはしていません。

解像度の選び方

120 DPIなら画面上で判読でき、印刷も実用になります。150 DPIは印刷して快適な水準です。200以上は、普通のテキストのスキャンに対して、サイズに見合うことがまれです。JPEG品質も同じくらい重要です。0.6がスキャンしたテキストにとっての最適値です。圧縮ノイズは紙の質感の中に沈み、誰も気づきません。

このツールが約束しないこと

削減率は約束しません。「最大90%削減」を掲げるサイトはどこも、高解像度スキャンに対するラスタライズの効果を、すべてのケースに当てはめて宣伝しているだけです。すでに効率化されたPDFなら、正直な答えは「何かを犠牲にしない限りこれ以上小さくできない」で、ここではそのように伝えます。

すべてこのタブの中で完結

リビルドはWeb Worker内でpdf-libを使って動作し、描画も同じくブラウザ内でpdf.jsを使います。文書はアップロードされません。さらにページのContent-Security-Policyはconnect-src 'self'を設定しているため、アップロードは試みられないだけでなく、ブラウザが遮断します。契約書、給与明細、医療機関からの文書。アップロードフォームのために縮小する必要が最も多い書類です。それらに対して意味のある構成は、これしかありません。