不引 Ghostscript:我用纯 Go 给 PDF 做了一场「压缩手术」

作者:沙蒿同学日期:2026/10/25

不引 Ghostscript:我用纯 Go 给 PDF 做了一场「压缩手术」

先从一个具体场景说起。

内网办公的电脑上,一份材料要交:对面系统只收 5MB 以内的附件,手里这份十几页的扫描件 PDF 是 40MB——A4 纸按 300 DPI 扫,一页就是两三 MB,页数一多轻松翻十倍。

这时候能想到的路基本都不通。在线压缩网站,内网打不开;就算打得开,报销单、合同、证件的扫描件也不该往陌生服务器上传。程序员的答案通常是 Ghostscript,一条命令的事——但如果你做的是要分发给别人用的桌面工具,它就是个外部进程:macOS、Windows、银河麒麟每个平台打包一份,AGPL 许可要评估,装在内网机器上还有维护成本。对一个安装包必须自包含的工具来说,这条路比看起来贵得多。

「图片工坊」就是为这个场景做的离线批量图片工具(macOS / Windows / 银河麒麟三平台),0.2.0 加了 PDF 压缩:拖进去、点开始,输出一个更小的 PDF。交材料的场景同时定了两条底线:文字一字不动,图片不能糊到看不清。实现是纯 Go 的——生态里唯一的现成库 pdfcpu 恰好缺最关键的图像重压缩(2017 年挂到今天的 open feature request),所以分工是:pdfcpu 负责解析和回写,图像处理自己写。

工作台批量处理进行中(示例为图片批次)。PDF 不用选规则,拖进去直接压缩。项目已开源:github.com/Benny66/fil…,三平台安装包在 Release 页。

这篇文章讲三件事:业内压缩 PDF 的通用做法是什么;我们的实现具体怎么做;跟业内方案比,几处不同的设计换来了什么。

一、业内是怎么压缩 PDF 的

先看 PDF 的体积构成。扫描件和图文混排文档的大头都是内嵌图像流,其次是字体,真正的结构性冗余(重复对象、未压缩的 xref 表、没用到的对象)通常只占零头。所以有效的压缩手段就三件:

  1. 无损结构优化:去重、对象流压缩、清理无用对象。qpdf 和 pdfcpu 的 optimize 都是这个级别,收益稳定但有限,动不了图像流。
  2. 按显示尺寸降采样:这是最大的杠杆。扫描件常按 300–600 DPI 存储,屏幕阅读只需要 150。
  3. 图像重存:解出来、用更低的质量重新编码回去。

Ghostscript 把 2 和 3 打包成了三档预设:/screen = 72 DPI、/ebook = 150 DPI、/printer = 300 DPI,只对高于阈值的图降采样,同时按档位配一个 JPEG 重存质量。Acrobat 的「减少文件大小」和各家在线工具的「三档强度」,拆开看同样是「DPI 阈值 + 质量档」的预设组合。这套方案成熟、有效,问题只有一个:它跑在外部进程里,我引不进来。

二、我们的实现

整体管道

两个术语说明一下,后面会反复出现:xref 表是 PDF 的对象目录,每个间接对象在这里有条目;XObject 是被文档引用的流对象,图像就存在其中的 Image XObject 里,滤镜名为 DCTDecode 的就是 JPEG 字节。

压缩分两步:先做图像层的重存和降采样(自己实现),再做无损结构优化(pdfcpu 的 OptimizeContext:去重内嵌资源、对象流/xref 流压缩、清理无用对象,内容字节级不变)。加密和带签名的文件在入口直接拒绝——前者不解密,后者改一个字节签名就失效。

内嵌 JPEG 重存

定位图像对象。 不解析页面内容流,直接遍历 xref 表,取出流字典后用 sd.Image() 判断是不是图像对象。这样一个好处是跨页共享的图像对象天然只处理一次。

安全子集判定。 只处理同时满足这几个条件的图:

1// internal/imageproc/pdf.go
2func recompressibleColorSpace(sd types.StreamDict) bool {
3	cs, found := sd.Dict["ColorSpace"]
4	if !found {
5		return false
6	}
7	name, ok := cs.(types.Name)
8	if !ok || (name != "DeviceRGB" && name != "DeviceGray") {
9		return false // CMYK 转 RGB 会偏色;Indexed 是查色表语义,重编码后对不上
10	}
11	bpc, ok := sd.Dict["BitsPerComponent"].(types.Integer)
12	if !ok || bpc.Value() != 8 {
13		return false // 非 8bit 的 DCT 极罕见,标准库也解不了
14	}
15	_, hasDecode := sd.Dict["Decode"]
16	return !hasDecode // Decode 是分量重映射,解码结果和字典声明不一致
17}
18

加上滤镜必须是单一 DCTDecode(HasSoleFilterNamed),这套谓词画出的圈子很小,但每条排除都有明确的技术原因,不是拍脑袋。圈子外的图(Flate 截图、传真码 JBIG2/CCITT、CMYK、索引色)保持原字节,计入「不支持的图片类型」。

重存与替换。 解码出来,用标准库按质量 75 重新编码,编码结果不比原来小就放弃:

1// internal/imageproc/pdf.go
2func recompressPDFImage(sd types.StreamDict, target *image.Point) (types.StreamDict, pdfImageResult) {
3	if !sd.HasSoleFilterNamed(filterDCTDecode) || !recompressibleColorSpace(sd) {
4		return types.StreamDict{}, pdfImageUnsupported
5	}
6	width, height := pdfImageDims(sd)
7	if width <= 0 || height <= 0 || int64(width)*int64(height) > MaxPixels {
8		return types.StreamDict{}, pdfImageUnsupported // 100 MP 上限
9	}
10	img, _, err := image.Decode(bytes.NewReader(sd.Raw))
11	if err != nil {
12		return types.StreamDict{}, pdfImageUnsupported
13	}
14	result := pdfImageReplaced
15	if target != nil && (img.Bounds().Dx() != target.X || img.Bounds().Dy() != target.Y) {
16		img = resizeImage(img, target.X, target.Y) // 扫描页降采样目标
17		result = pdfImageReplacedDownsampled
18	}
19	var out bytes.Buffer
20	if err := jpeg.Encode(&out, img, &jpeg.Options{Quality: pdfJPEGQuality}); err != nil {
21		return types.StreamDict{}, pdfImageUnsupported
22	}
23	if out.Len() >= len(sd.Raw) {
24		return types.StreamDict{}, pdfImageNotSmaller // 重存不更小:保持原样
25	}
26	// ……写回
27}
28

质量档定死 75、不做多档:调研里 75 正是各家「Recommended」档的甜点值,多给档位只是把工程决策转嫁给用户。解码失败按「不支持」计入跳过而不是报错——个别图像异常不该毁掉整份文件。

写回。 这一步的细节比想象中多,每处漏了都会产出损坏或语义漂移的 PDF:替换编码字节和 StreamLength;缩放过的图要重申字典里的 Width/Height;色彩空间按实际编码通道数重申(灰度图重编码后仍是灰度);删掉 DecodeParms——那是原编码的解码参数,新的裸 JPEG 没有。SMask(透明蒙版)是独立对象,不在处理范围内,原样保留。

还有一个 pdfcpu 特有的坑值得单独记一笔:它的 StreamDict 是值类型,从 xref 条目取出来的是副本,改副本没有任何效果,必须整体写回:

1for objNr, entry := range doc.XRefTable.Table {
2	sd, ok := entry.Object.(types.StreamDict)
3	if !ok || !sd.Image() {
4		continue
5	}
6	stats.ImagesTotal++
7	var target *image.Point
8	if t, hit := scanTargets[objNr]; hit {
9		target = &t
10	}
11	// ……重编码(上一段)
12	entry.Object = recompressed // 值类型:必须整体写回条目
13}
14

扫描页降采样

第一版只有重存、承诺「不缩小像素尺寸」,实际用下来发现这等于把业内最大的杠杆关在门外:扫描件按 300–600 DPI 存,屏幕阅读 150 就够,光靠质量重存动不了像素总量。0.2.0 修订了这个决策——满页扫描图默认压到 150 DPI,和 Ghostscript /ebook 同款。

难点在怎么判定「这一页是扫描页」。对任意插图降采样,得解析内容流里的变换矩阵算出图像的真实显示尺寸,复杂且容易误伤插图。我们的做法是绕开内容流,只用结构信号取一个安全子集:

判定成立时,有效 DPI 可以从页面尺寸精确算出,完全不碰内容流——PDF 的页面单位是点,1 点 = 1/72 英寸:

1// internal/imageproc/pdf.go,scanImageTargets
2dpi := float64(imgLong) / (pageLong / 72.0)
3if dpi <= pdfScanDPIFloor { // 150.0
4	continue
5}
6scale := pdfScanDPIFloor / dpi
7newLong := max(1, int(math.Round(float64(imgLong)*scale)))
8newShort := max(1, int(math.Round(float64(imgShort)*scale)))
9

几个边角的处理都遵循同一个原则:拿不准就不压。长宽比差过 15% 说明图没填满页面(旁边可能有文字),不压;同一张图被多页共享而各页算出的目标矛盾,放弃这张图;DPI 略超 150 时缩放取整可能恰好等于原尺寸,此时回落成普通重存,不当作异常跳过。

实现上还有一个 pdfcpu 的坑:ReadContext 之后 PageCount 可能为 0,直接逐页遍历会一次都不执行、静默返回空结果,必须先 EnsurePageCount() 把页树补齐。这类不报错、只是默默不生效的问题,靠读文档是发现不了的,是写测试夹具构造 300 DPI 扫描页时撞出来修掉的。

三、跟业内方案比,亮点在哪

1. 逐张判断,仅更小才替换。 预设方案是无条件套用:一张本来已经压得很好的图,被预设再压一遍,结果要么更糊、要么反而更大——这是各在线工具最常见的翻车点。我们逐张编码、逐张比较,不更小就放回原字节。这个判断也让「已经压好的文件再跑一遍」变成无害操作:第二次跑会全部命中「已经很省空间」,一个字节都不动。

2. DPI 是算出来的,不是估的。 从页面尺寸精确推导有效 DPI,不需要解析内容流;识别扫描页用结构信号(单图直引 + 长宽比匹配)取安全子集,宁可少压、绝不误伤排版插图。整个降采样没有魔法数字——150 对齐 Ghostscript /ebook,75 对齐各家 Recommended 档,±15% 容差覆盖扫描页常见的轻微裁边。

3. 每张图的结果如实计数。 输出统计是五个数:图像总数、重存数、压到屏幕清晰度数、不支持的类型数、已经很省空间数。不支持的就明说不支持(传真码、CMYK 这些纯 Go 没有对应编码器),而不是悄悄跳过。界面上用户看到的是「重新保存了 x 张图片,其中 y 张压到了屏幕清晰度,z 张保持原样」——每张图发生了什么,有交代。

4. 纯 Go,单二进制,三平台。 同一套代码出 macOS(Universal)、Windows、麒麟 amd64/arm64(信创交叉构建)的安装包,零外部依赖、零 CGO,没有许可问题。据我所知,开源里做「对象级 PDF 图像重压缩」的纯 Go 实现目前没有第二个。

5. 该不动的不动,该拒绝的拒绝。 文字和矢量内容字节级不变;加密的拒绝处理;带签名的拒绝处理(SigFlags bit0 判定,只含未签署签名表单字段的普通表单不算,照常处理)。

四、实测结果

项目数字
spike:2400×2400 DCT 图像,质量 75 重编码整文件 -42.9%,pdfcpu validate 通过,渲染像素对比平均差 0.41/765(765 为 RGB 三通道差值上限,肉眼不可辨)
300 DPI 扫描夹具(1200px 图 + 288pt 方页)压到 600×600(4 英寸 × 150 DPI),测试读回输出验证像素
单文件 / 单图上限512 MB / 100 MP

测试矩阵:高噪声 JPEG(质量 100 与 75 之间体积差异巨大,断言确定性)显著变小;300 DPI 满页图降采样并读回验证;长宽比不符不降采样;Flate 图计入不支持;加密、损坏分别返回对应错误码;窄带回落普通重存。

批次结束的汇总与逐项明细(示例为图片批次):每行给出原体积 → 输出体积与节省比例,汇总条给累计节省。PDF 批次同样逐项报告——「重新保存了 x 张图片,其中 y 张压到了屏幕清晰度,z 张保持原样」。

已知限制照实写在产品文档里:Flate/JBIG2/CCITT/JPX 编码与 CMYK/索引色的图保持原样并计数;内嵌字体不做子集化;150 DPI 是屏幕清晰度,打印可能不够。

完整实现在 Benny66/file-processor(internal/imageproc/pdf.go,363 行含注释),三平台安装包在 Release 页。如果对你有用,或者你在自己的场景里也动过「自己写 PDF 压缩」的念头,欢迎交流。



《不引 Ghostscript:我用纯 Go 给 PDF 做了一场「压缩手术」》 是转载文章,点击查看原文。


相关推荐


【Linux】进程的创建与终止
H.莓飛2026/10/17

【Linux】进程的创建与终止 🔥 H.莓飛: 个人主页 ❄️个人专栏:「C++」「数据结构」「Linux系统编程」 ✨ 心不畏死,踏屍前行。 📦 代码仓库:cocatrice_csdn_code 📖 博主简介: 概览 fork 一次调用返回两次fork 在系统调用层留下的痕迹写时拷贝在 smaps 里的直接证据fork 之后被子进程继承的资源fork 的常规用法与失败现场进程退出的三种场景与退出码的来


毁掉 Android 现代架构,只需要一个自定义的“FlowBus”
潜龙勿用之化骨龙2026/10/15

在 Android 架构演进的历史长河中,以 EventBus、RxBus 为代表的“全局事件总线”曾是一代神器。它一举击碎了传统 Android 嵌套回调与复杂 Interface 传值的繁琐,让跨页面通信变得轻而易举。 之前写过: Android 现代架构不需要事件总线 Android 现代架构不需要事件总线进阶篇 (如果你没有看过,可以先看看这两篇文章) 然而,随着 Kotlin Coroutines 和 Flow 的全面普及,不少团队在重构项目时,第一件事就是用 MutableShare


时序数据库怎么选?从大数据架构看 IoTDB 的适用场景与落地方法
檀越@新空间2026/10/6

随着物联网、工业互联网、能源管理和智能交通的发展,企业每天产生的数据正在从“少量业务记录”变成“持续不断的设备状态流”。一台设备可能有几十个测点,一个工厂可能拥有数万台设备,数据采集频率也从分钟级逐渐提升到秒级甚至更高。数据量快速增长之后,企业真正面临的难题并不是“能不能把数据写进去”,而是如何用合理的成本长期保存、快速查询,并让这些数据服务于监控、分析、预测和决策。 这也是时序数据库受到关注的原因。时序数据通常带有明确的时间属性,写入以追加为主,数据量大、连续性强,同时又经常需要按照时间范围


synchronized字符串常量
考虑考虑2026/9/29

前言 synchronized 锁字符串常量语法上可行,但是不推荐 synchronized字符串常量 public class StringSyncDemo { static void main() throws InterruptedException { String str = "aa"; Thread thread1 = Thread.startVirtualThread(() -> { hello(str);


一场关于 SwiftUI 动画的“原生”之争 -- 肘子的 Swift 周报 #154
东坡肘子2026/9/22

一场关于 SwiftUI 动画的“原生”之争 上周,React Native 核心开发者 Krzysztof Magiera 的一条 ⁠推文 在苹果开发生态中引发热烈讨论。推文中他展示了一个示例:在主线程阻塞的情况下,UIKit 的一个往返动画仍能正常执行,而 SwiftUI 的动画则停滞了。他认为原因在于 SwiftUI 没有使用 Core Animation 的 render-server animation,而是在应用进程中推进动画,因此对 SwiftUI 是否足够“原生”提出了质疑;随后


C++入门(3)
小七在进步2026/9/14

在上一篇文章中,我们已经掌握了引用的基本概念与用法。今天继续深入,重点讲解 const 引用、引用与指针的关系,以及 inline 和 nullptr 这两个容易被忽视却十分重要的知识点。 引用 const 引用 引用类型用 const 修饰,我们称之为 const 引用。 这里有一个 int 类型的变量 a,用 const 修饰成了常量。 const int a = 10; 我们给 a 取别名 b,如果这样取: int& b=a;//b是a的引用 编译器就会报错。 这种情况本质上涉及


引擎从不发一条消息:jeeflow 的两类扩展点与消息模块的分工
mldong2026/9/6

二、引擎有两类"伸手"的地方:拦截器和事件 引擎核心是零框架依赖的,但它知道一件事:业务方总要"在流程跑的时候干点自己的事"——发通知、改业务单据状态、按规则算审批人、写代码做决策。这些需求它不自己实现,而是开出两类扩展点让外面插进来: 拦截器(FlowInterceptor):插在流程执行过程中,能看到、甚至能改正在发生的事。 事件(ProcessEventListener):流程走到某个关键点时喊一声,外面的人听到后自己决定要不要做点什么。 这两个接口的长相,朴素到可以各贴一行: //


一个 SKILL.md 拿下 2.3 万 Star:让 Codex/Claude Code 少说废话、先给答案
JavaGuide2026/8/29

用 Coding Agent 改代码,最磨耐心的情况之一,就是它明明答对了,答案却藏在一堆废话里。 你让 Codex 排查一个接口为什么返回 401,它可能先查认证流程,再分析中间件、Token 和 Cookie,顺手提醒你依赖版本也该升级了。全部看完之后,真正要执行的命令只有一条。 任务再长一点,人更容易跟丢。Agent 写了很多,却没说现在做到第几步;测试失败了,也没告诉你先看哪个文件。最后再来一句“希望这能帮到你”,问题还停在原地。 前几天技术群里有朋友分享了一个名字很有意思的项目 i-h


AI编程实战:让 AI 修 Bug,从报错到修复
机构师2026/8/21

文章目录 AI编程实战:让 AI 修 Bug,从报错到修复写在前面一、贴报错的正确姿势二、三个真实案例三、多轮定位技巧四、修完要回归小结与下篇预告小作业 AI编程实战:让 AI 修 Bug,从报错到修复 写在前面 Debug 是 AI 最擅长、也最常用的场景之一,但很多人习惯只贴一半报错,效果大打折扣。这篇讲怎么让 AI 高效修 Bug。 一、贴报错的正确姿势 把三样东西一次给全:完整报错 + 相关代码 + 环境信息。 运行报错,请帮我定位并修复。 - 报错:(粘贴完整


GitHub #1 拆解|它说自己在进化,但 worker 跑的是你本机权限,不是沙箱
苏灿烤鱼2026/8/8

GitHub #1 拆解|它说自己在进化,但 worker 跑的是你本机权限,不是沙箱 让可复用经验留下,让错误改动能回滚。 ⚡️ 30 秒速读:PrimeIntellect-ai/prime-agent 新上榜即登顶 GitHub Trending #1,今日新增 2,271 星。它用 RLM 把上下文当变量,用可执行 Skill 和 Continual Harness 保存可 refine 的经验。亮点:技能可被 IPython 直接调用,会话可后台续跑;风险:官方明确不是安全沙箱,v

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读