如何根据大小限制拆分 PDF？
How to split a PDF based on a size limit?
我找了很多地方都没有找到一个很好的解决方案。
所以我想要实现的目标如下：
我的程序将有很多 PDF 文档，我必须通过邮件发送这些文档。邮件服务器限制为 4 MB。因此，如果所有 PDF 都小于 4 MB，它将作为一封邮件发送。否则我将不得不创建多个文件，每个文件小于 4 MB。
现在我的程序适用于以下情况：
1：很多文件，但每个文件都小于 4MB，因此在合并期间保留一个选项卡，以便 none 个合并文件超过 4MB。
2：所有文件都非常小，因此将它们合并在一起不会达到 4MB 的限制。
但可能存在这样一种情况，即有一个文件，比方说，14MB。我可以按页拆分该文档。但这也不是一个好的解决方案，因为页面大小也没有均匀分布在页面上。我用过 iText 和 PDFBox。任何 help/pointer 将不胜感激！
假设一个 3000 KB 的文档有十页和以下对象：
- 每页使用四个字体子集，每个大约 50 KB
- 一页显示十张图片，每张约 200 KB（每页一张图片）
- 每页四张图片，每张约 50 KB
- 十页内容流，每页约 25 KB
- 大约 350 KB 用于目录、信息字典、页面树、交叉引用等对象 table 等...
单个页面至少需要：
- 四个字体子集：4 倍 50 KB
- 单张图片：1 次 200 KB
- 四张图片：4 次 50 KB
- 单个内容流：1 次 50 KB
- 略微减少的交叉引用 table，略微减少的页面树，几乎相同的目录，相同大小的信息字典，... 200 KB
总计 850 KB。这意味着如果将 10 页 3000 KB 的 PDF 文档拆分为 10 个单独的页面，最终将得到 8500 KB（850 KB 的 10 倍）。
这个例子是猜测的结果（根据经验），它假设 PDF 是 predictable。大多数 PDF 不是：
- 一些页面需要高清图像（甚至可能是兆字节），其他页面不会有任何图像，
- 一些页面将需要许多不同的字体和字体子集（很多千字节），其他页面将只包含一些矢量图（压缩后的内容流很小）。
- 不同页面可以共享大量资源（Form XObjects，Image XObjects，...），其他页面不会共享任何资源。
- 等等...
您自己已经注意到，当您写道：我可以按页拆分该文档。但这也不是一个好的解决方案，因为页面大小也没有均匀分布在页面上。
这就是为什么您的问题没有其他答案的原因：您必须进行 反复试验。 没有软件可以预测需要多少 space在查看该页面需要的内容之前先访问该页面。
更新：
正如大卫在评论中指出的那样，可以计算一个页面所需的所有资源，并检查当前资源加上所需资源是否超过最大文件大小。
我写了一个小例子：
public void manipulatePdf(String src, String dest)
throws IOException, DocumentException {
Document document = new Document();
PdfCopy copy = new PdfSmartCopy(document, new FileOutputStream(dest));
document.open();
PdfReader reader = new PdfReader(src);
for (int i = 1; i <= reader.getNumberOfPages(); i++) {
// check resources needed for reader.getPageN(i);
copy.addPage(copy.getImportedPage(reader, i));
System.out.println("After adding page: " + copy.getOs().getCounter());
}
document.close();
System.out.println("After closing document: " + copy.getOs().getCounter());
reader.close();
}
我在 18 页的 PDF 示例上执行了示例，这是输出：
After adding page: 56165
After adding page: 111398
After adding page: 162691
After adding page: 210035
After adding page: 253419
After adding page: 273429
After adding page: 330696
After adding page: 351564
After adding page: 400351
After adding page: 456545
After adding page: 495321
After adding page: 523640
After adding page: 576468
After adding page: 633525
After adding page: 751504
After adding page: 907490
After adding page: 957164
After adding page: 999140
After closing document: 1002509
您会看到副本的文件大小是如何随着每一页的添加而逐渐增大的。所有页加完后，大小为999140字节，然后写页树和交叉引用流，又加了3369字节。
其中显示 // check resources needed for reader.getPageN(i);，您可以猜测将为页面添加的大小，如果超过最大值则跳出循环。
为什么这是一个猜测：
- 您可能正在计算已添加的对象。如果您跟踪对象（不是那么困难），您的猜测会更准确。
- 我正在使用
PdfSmartCopy。假设您的 PDF 中有两个相同的对象。糟糕的 PDF 软件通常会导致此类问题。例如：相同的图像字节被添加到文件中两次。 PdfSmartCopy 可以检测到这一点，并将重用它遇到的第一个对象，而不是添加额外对象的冗余字节。
我们目前在 PdfReader 中没有 reader.getTotalPageBytes()，因为 PdfReader 试图使用尽可能少的内存。只要不需要这些对象，它就不会将任何对象加载到内存中。因此在导入页面之前它不知道每个对象的大小。
但是，我会确保在下一个版本中添加这样的方法。
更新：
在下一版本中，您将找到一个名为 SmartPdfSplitter that depends on a new class named PdfResourceCounter 的工具。你可以这样使用它：
PdfReader reader = new PdfReader(src);
SmartPdfSplitter splitter = new SmartPdfSplitter(reader);
int part = 1;
while (splitter.hasMorePages()) {
splitter.split(new FileOutputStream("results/merge/part_" + part + ".pdf"), 200000);
part++;
}
reader.close();
请注意，这可能会导致单页 PDF 超出限制（在代码示例中设置为 200000 字节），以防单页无法减少到更少字节。在这种情况下，splitter.isOverSized() 将 return true，您将不得不找到另一种方法来缩小 PDF。
PDF Clown supports page data size prediction without need of trial and error: since 2010 it has been featuring a dedicated method (org.pdfclown.tools.PageManager.getSize(Page)) 即在内存中计算出实际的页面数据大小，而不需要写入文件进行试用。
此外，还有另一种方法 (org.pdfclown.tools.PageManager.split(long maxDataSize)) 专门用于解决您利用上述 PageManager.getSize 方法的场景：它会根据以下内容自动拆分文件大小限制，无需创建任何中间的、丑陋的、愚蠢的临时文件来进行试验和错误。
您可以在可下载发行版中包含的 org.pdfclown.samples.cli.PageManagementSample（PageDataSizeCalculation 和 DocumentSplitOnMaximumFileSize 案例）中看到它的实际使用示例——这里是 PageDataSizeCalculation 案例的控制台输出示例：
Page 1: 29380 (full); 29380 (differential); 29380 (incremental)
Page 2: 30493 (full); 1501 (differential); 30881 (incremental)
Page 3: 21888 (full); 1432 (differential); 32313 (incremental)
Page 4: 33781 (full); 4789 (differential); 37102 (incremental)
. . .
其中：
- full 是包含所有依赖项（如共享资源）的页面数据大小——这是作为单页文档提取时的页面大小；
- differential 是额外的页面数据大小——这是不与之前页面共享的额外内容；
- incremental 是页面子列表的数据大小，包括所有以前的页面和当前页面。
我找了很多地方都没有找到一个很好的解决方案。 所以我想要实现的目标如下： 我的程序将有很多 PDF 文档，我必须通过邮件发送这些文档。邮件服务器限制为 4 MB。因此，如果所有 PDF 都小于 4 MB，它将作为一封邮件发送。否则我将不得不创建多个文件，每个文件小于 4 MB。 现在我的程序适用于以下情况： 1：很多文件，但每个文件都小于 4MB，因此在合并期间保留一个选项卡，以便 none 个合并文件超过 4MB。 2：所有文件都非常小，因此将它们合并在一起不会达到 4MB 的限制。
但可能存在这样一种情况，即有一个文件，比方说，14MB。我可以按页拆分该文档。但这也不是一个好的解决方案，因为页面大小也没有均匀分布在页面上。我用过 iText 和 PDFBox。任何 help/pointer 将不胜感激！
假设一个 3000 KB 的文档有十页和以下对象：
- 每页使用四个字体子集，每个大约 50 KB
- 一页显示十张图片，每张约 200 KB（每页一张图片）
- 每页四张图片，每张约 50 KB
- 十页内容流，每页约 25 KB
- 大约 350 KB 用于目录、信息字典、页面树、交叉引用等对象 table 等...
单个页面至少需要： - 四个字体子集：4 倍 50 KB - 单张图片：1 次 200 KB - 四张图片：4 次 50 KB - 单个内容流：1 次 50 KB - 略微减少的交叉引用 table，略微减少的页面树，几乎相同的目录，相同大小的信息字典，... 200 KB
总计 850 KB。这意味着如果将 10 页 3000 KB 的 PDF 文档拆分为 10 个单独的页面，最终将得到 8500 KB（850 KB 的 10 倍）。
这个例子是猜测的结果（根据经验），它假设 PDF 是 predictable。大多数 PDF 不是：
- 一些页面需要高清图像（甚至可能是兆字节），其他页面不会有任何图像，
- 一些页面将需要许多不同的字体和字体子集（很多千字节），其他页面将只包含一些矢量图（压缩后的内容流很小）。
- 不同页面可以共享大量资源（Form XObjects，Image XObjects，...），其他页面不会共享任何资源。
- 等等...
您自己已经注意到，当您写道：我可以按页拆分该文档。但这也不是一个好的解决方案，因为页面大小也没有均匀分布在页面上。
这就是为什么您的问题没有其他答案的原因：您必须进行 反复试验。 没有软件可以预测需要多少 space在查看该页面需要的内容之前先访问该页面。
更新：
正如大卫在评论中指出的那样，可以计算一个页面所需的所有资源，并检查当前资源加上所需资源是否超过最大文件大小。
我写了一个小例子：
public void manipulatePdf(String src, String dest)
throws IOException, DocumentException {
Document document = new Document();
PdfCopy copy = new PdfSmartCopy(document, new FileOutputStream(dest));
document.open();
PdfReader reader = new PdfReader(src);
for (int i = 1; i <= reader.getNumberOfPages(); i++) {
// check resources needed for reader.getPageN(i);
copy.addPage(copy.getImportedPage(reader, i));
System.out.println("After adding page: " + copy.getOs().getCounter());
}
document.close();
System.out.println("After closing document: " + copy.getOs().getCounter());
reader.close();
}
我在 18 页的 PDF 示例上执行了示例，这是输出：
After adding page: 56165
After adding page: 111398
After adding page: 162691
After adding page: 210035
After adding page: 253419
After adding page: 273429
After adding page: 330696
After adding page: 351564
After adding page: 400351
After adding page: 456545
After adding page: 495321
After adding page: 523640
After adding page: 576468
After adding page: 633525
After adding page: 751504
After adding page: 907490
After adding page: 957164
After adding page: 999140
After closing document: 1002509
您会看到副本的文件大小是如何随着每一页的添加而逐渐增大的。所有页加完后，大小为999140字节，然后写页树和交叉引用流，又加了3369字节。
其中显示 // check resources needed for reader.getPageN(i);，您可以猜测将为页面添加的大小，如果超过最大值则跳出循环。
为什么这是一个猜测：
- 您可能正在计算已添加的对象。如果您跟踪对象（不是那么困难），您的猜测会更准确。
- 我正在使用
PdfSmartCopy。假设您的 PDF 中有两个相同的对象。糟糕的 PDF 软件通常会导致此类问题。例如：相同的图像字节被添加到文件中两次。PdfSmartCopy可以检测到这一点，并将重用它遇到的第一个对象，而不是添加额外对象的冗余字节。
我们目前在 PdfReader 中没有 reader.getTotalPageBytes()，因为 PdfReader 试图使用尽可能少的内存。只要不需要这些对象，它就不会将任何对象加载到内存中。因此在导入页面之前它不知道每个对象的大小。
但是，我会确保在下一个版本中添加这样的方法。
更新：
在下一版本中，您将找到一个名为 SmartPdfSplitter that depends on a new class named PdfResourceCounter 的工具。你可以这样使用它：
PdfReader reader = new PdfReader(src);
SmartPdfSplitter splitter = new SmartPdfSplitter(reader);
int part = 1;
while (splitter.hasMorePages()) {
splitter.split(new FileOutputStream("results/merge/part_" + part + ".pdf"), 200000);
part++;
}
reader.close();
请注意，这可能会导致单页 PDF 超出限制（在代码示例中设置为 200000 字节），以防单页无法减少到更少字节。在这种情况下，splitter.isOverSized() 将 return true，您将不得不找到另一种方法来缩小 PDF。
PDF Clown supports page data size prediction without need of trial and error: since 2010 it has been featuring a dedicated method (org.pdfclown.tools.PageManager.getSize(Page)) 即在内存中计算出实际的页面数据大小，而不需要写入文件进行试用。
此外，还有另一种方法 (org.pdfclown.tools.PageManager.split(long maxDataSize)) 专门用于解决您利用上述 PageManager.getSize 方法的场景：它会根据以下内容自动拆分文件大小限制，无需创建任何中间的、丑陋的、愚蠢的临时文件来进行试验和错误。
您可以在可下载发行版中包含的 org.pdfclown.samples.cli.PageManagementSample（PageDataSizeCalculation 和 DocumentSplitOnMaximumFileSize 案例）中看到它的实际使用示例——这里是 PageDataSizeCalculation 案例的控制台输出示例：
Page 1: 29380 (full); 29380 (differential); 29380 (incremental)
Page 2: 30493 (full); 1501 (differential); 30881 (incremental)
Page 3: 21888 (full); 1432 (differential); 32313 (incremental)
Page 4: 33781 (full); 4789 (differential); 37102 (incremental)
. . .
其中：
- full 是包含所有依赖项（如共享资源）的页面数据大小——这是作为单页文档提取时的页面大小；
- differential 是额外的页面数据大小——这是不与之前页面共享的额外内容；
- incremental 是页面子列表的数据大小，包括所有以前的页面和当前页面。