PDFNOTED：压缩 PDF 救不了你的文件，反而可能带来新问题

"文件太大传不上去，压缩一下吧。"

这是处理 PDF 时最常见的操作之一。但压缩解决的是体积问题，而你真正想解决的往往是安全问题。这两件事经常被混为一谈。

这篇文章讲清楚：压缩到底做了什么、没做什么，以及在什么情况下压缩反而会让事情变糟。

---

一、压缩做了什么

PDF 压缩主要作用在三个地方：

1. 图片重编码 —— 降低分辨率、提高压缩率（JPEG 质量下降）
2. 字体子集化 —— 只保留文档里实际用到的字形
3. 对象流压缩 —— 把内容流用 Flate 等算法压一遍

这三项的共同点是：都在减小体积，都不改变内容的可读性。

一份 20MB 的合同压完可能是 3MB，但里面该有的字一个不少，批注也还在，元数据也还在。

---

二、压缩没做什么

你以为的	实际情况
压缩后乱码就看不见了	乱码是字体映射问题，压缩不会修复
压缩能去掉水印	水印是独立对象，压缩不影响
压缩后批注没了	批注在 /Annots，压缩不动它
压缩等于脱敏	压缩不改变任何文本内容
压缩会清掉元数据	元数据不在压缩范围

一句话：压缩是"打包"，脱敏是"移除"，这两个动作在 PDF 里完全是两条路径。

---

三、压缩可能带来的新问题

压缩不总是无害的，有三个常见副作用：

1. 有损压缩降低可读性

图片重编码用有损算法时，扫描件上的小字、印章、手写签名会变糊。如果这份文件是要存档或者作为证据的，这个损失不可逆。

2. 字体子集化导致提取异常

字体被裁剪成子集后，pdftotext 提取可能出现缺字或乱码。这会让你后续的验证工作出现误判——提取不出关键词，你以为删干净了，其实只是提取坏了。

这一条特别危险，因为它会让验证失效。

3. 增量更新叠加导致文件反而变大

这是最反直觉的一点：反复编辑再保存的 PDF，有时候越压越大。

原因是 PDF 的增量更新机制——每次修改不重写整个文件，而是在末尾追加变更记录。修改次数多了，文件里就堆着多个版本的数据。这时候压缩只是把新数据压一遍，历史数据还在。

---

四、正确的处理顺序

如果你的目标是"把文件处理到可以安全对外发出"，顺序应该是：

1. 扫描：找出批注 / 元数据 / 隐藏文字 / 水印 / 敏感信息
   ↓
2. 清理：对象级移除（不是遮盖）
   ↓
3. 修改：需要保留的内容做编辑或批注
   ↓
4. 压缩：这一步才轮到体积优化
   ↓
5. 导出 + 复检

压缩放在第 4 位，不是第 1 位。先压缩再清理，等于先打包再找东西——白做。

---

五、验证：压缩不能替代脱敏

跑一遍就知道：

# 压缩后，敏感词照样能搜出来
pdftotext 压缩后.pdf - | grep -i "报价\|身份证\|内部"

# 元数据照样在
pdfinfo 压缩后.pdf

# 批注照样在
strings 压缩后.pdf | grep -c "/Annots"

如果这三条还能输出结果，说明压缩没有起到任何脱敏作用。

---

六、什么时候该压缩，什么时候该清理

场景	该做什么
邮件附件超大小限制	压缩
网站上传有体积限制	压缩
发给外部客户	清理 + 压缩
对外发布/公示	清理 + 压缩
内部存档	可选压缩
作为证据提交	不压缩，只清理

规则很简单：涉及对外，先清理；涉及体积，再压缩。

---

利益相关说明

PDFnoted（pdfnoted.com）是我自己在做的产品，做的是文档安全工作流：上传 → 检测 → 修改/批注 → 脱敏 → 导出 → 复检。压缩是这条流程里的一个可选环节，不是安全手段。

免费且不需要登录的部分：文字水印清理、元数据清理、批注清理。可以先拿手上的文件试一遍，再用上面的命令验证效果。