PDF 处理流程决策指南：页面操作、内容操作与不可逆点的先后

先分清两类 PDF：文本型与扫描型，决定了后面每一步

打开一份文件，第一个判断不是选哪个工具，而是它属于哪一类。文本型 PDF 的内容流里放的是文字绘制指令：在 BT 与 ET 之间用 Tj、TJ 输出字形，页字典的 Resources 里至少有一个可用字体，复制一段能得到字符，搜索能命中词。扫描型 PDF 每页只有一个铺满页面的图像 XObject，Resources 里没有 Font 项，文字只是像素。判据可以用一次抽取试出结果：取一页跑文本提取，得到可读文字就是文本型，得到空串或成片乱码就是扫描型。

扫描型一旦确认，后面每一步都要先付 OCR 的代价。OCR 会把像素猜成字符，数字与形近字符最容易错：0 与 O、l 与 1、5 与 S 是稳定的错误集中区。时间成本按页计，一份两百页的扫描件在普通机器上要跑十几分钟。体积成本同样明显：OCR 之后同一页既有图像又有文本层，文件比原扫描件更大，而正确率只由最初的渲染分辨率决定，后期任何处理都补不回来。

最容易踩空的是混合型：同一份文件前几页是数字排版，后几页是扫描件。按整份文件下结论，必有一半判断是错的，只能逐页抽样确认。另一个不可逆点藏在「转成小体积 PDF」这一步：为了让文件变小，工具常把页面按低 DPI 重新采样成新图像，原始扫描件的分辨率被永久替换，之后既做不出更清晰的 OCR，也回不到原始像素。判断动作只有一个：处理前先留原始文件。

页面操作与内容操作：各自重写了什么

页面操作改页面树，内容操作改内容流，这是两条互不重叠的路。删除、重排、旋转、复制、拆分、合并属于前者：工具改的是 /Pages 树里的 /Kids 顺序、页字典里的 /Rotate 值，或者把整段内容流原样搬到新文件；页面里的字符、图像、字体字节通常不动，文字还能选中，字体不会跑版。内容操作必须重写或追加：页码与水印是往内容流末尾追加绘制指令，压平是把注释与表单域外观并入内容流，转图片则放弃矢量只留像素。

判据是「要不要保住内容本身可编辑」。只是顺序或方向错了，用页面操作，代价接近零，能返工；要改的是页面里印什么，只能走内容操作，代价是内容流被改写，此后再没有原始指令序列可回退。

旋转是最典型的默认值陷阱。/Rotate 是页字典里的整数，只能取 0、90、180、270，默认 0，改回来就复原。但很多工具在「旋转并保存」时把旋转烤进内容：变换矩阵被乘进当前变换矩阵，页面尺寸与坐标系一起转，之后把 /Rotate 改回 0 只会得到横过来的版面。判断方法朴素：旋转后再提取一次文字，坐标或顺序变了就已烤进内容。

页面操作也有不可逆的一面。删页之后若只做增量保存，被删页的对象与资源仍留在文件里，因为增量更新只追加不覆盖，换个工具就可能找回内容。完整重写才真正删掉，但同时丢掉结构树、命名目标与表单域，无法只留其一。

裁剪不是脱敏，压平不是压缩

裁剪只回答一个问题：这一页显示哪一块矩形。页字典里有几个盒子，MediaBox 是介质尺寸，CropBox 是显示区域，BleedBox、TrimBox、ArtBox 服务于印刷，而 CropBox 的默认值就是 MediaBox。改 CropBox 等于换一个视口：被裁掉的文字、图像、注释仍完整留在文件里，提取器能读出，把 CropBox 改回去就直接显示。所以「用裁剪盖住身份证号」不是脱敏，只是把敏感信息挪出视口。

真脱敏只有一条路：把字符从内容流里删掉。PDF 32000-1 在 12.5.6.23 定义了 redaction 注释，处理器应用时移除标记区域内的文字与图像，而不是盖一层黑矩形。画黑框是最常见的误用，打印出来一模一样，但复制粘贴、文本提取、改回视口都能读出原文。判断动作：脱敏后自己跑一次提取，还能搜到原字符串就是没成功。

压平与压缩是另一对同名不同事的操作。压平把注释、表单域、图层的外观固定进内容流，之后不再是可交互对象：签名域不能签，表单域不能填，复选框的勾只剩一个图形。它常被当成减小体积的手段，实际收益很小，体积由图像决定。压缩才是减体积：FlateDecode 用 RFC 1950 的 zlib 容器，底层是 RFC 1951 的 deflate 数据格式，与 RFC 1952 的 gzip 是不同容器。

图像压缩的代价要单独算。把无损图转成 JPEG 有损，文字边缘出现振铃与块状伪影；扫描正文在 200 DPI 以下用 JPEG 质量 75 重压，笔画粘连，OCR 错误率明显上升。顺序上还有两处雷：先压平再改，改不动；先裁剪再脱敏，会误以为已经脱敏。

合并与拆分：书签、表单与页标签会丢什么

一次合并要处理五类结构：大纲、页标签、表单域、命名目标与内部链接、数字签名。它们归属不同，丢失方式也不同。大纲是文档级的树，节点用 /Dest 或动作指向具体页面对象；合并时按文档逐棵树拼接，但指向被删页面的条目会变成悬空目标，点了没反应也不报错。

页标签回答「第 1 页为什么显示为封面、第 4 页为什么显示为 iv」。它是文档级的单一数值树，合并后通常只剩第一份文件的标签，或者整份回退到物理页序——阅读器页码于是从 1、2、3 重新开始，印在页面上的号码却没变。页标签是结构，印上去的号码是内容，两者从不联动。

表单域按完全限定名索引。两份文件都有名为 name 的域时，同名域被当成同一域的多个外观，在一处填写会同步出现在另一处，且不报错，这是数据串页的经典事故。还有一类失败工具不会提示：字体子集名形如 ABCDEF+Arial，前缀由生成器给出，两份来源不同的文件恰好同前缀时，字形映射可能串位，个别字变成方块，只能逐页目视抽查。

拆分是对称的。按页范围拆开后，后半段的页标签从头起算或直接消失，跨页的表单域与链接被截断，指向另一半的命名目标悬空。任何改动还会让已存在的数字签名失效——签名覆盖除签名值以外的整个文件字节，改一个字节即告失效，这就是签名的定义。

转成图片再转回来：分辨率到底付出了什么代价

PDF 用 PDF 点作单位，1 pt 等于 1/72 英寸，1 英寸是 25.4 毫米，所以 A4 的 210 乘 297 毫米换算成 595.276 乘 841.89 pt。渲染成位图时像素数由 DPI 唯一决定：像素等于 pt 除以 72 再乘 DPI。A4 在 72 DPI 下是 595 乘 842 像素，150 DPI 是 1240 乘 1754，300 DPI 是 2480 乘 3508，600 DPI 是 4961 乘 7016。体积大致随 DPI 的平方增长：DPI 翻倍，像素变四倍；一页彩色 A4 存成 PNG，300 DPI 常常到 8 至 15 MB。

代价不止体积。光栅化那一刻页面失去文本层：文字不可选中、不可搜索、不能复制，屏幕阅读器读到的是无标签图像，PDF/UA 要求的结构树也随之作废。矢量细节在低于 1 像素时消失：72 DPI 下 0.5 pt 的表格线正好半个像素，多数渲染器直接抹掉。链接注释与书签里的内部目标一并失效，跨页跳转全部变成死链。

转回 PDF 只是把一张图塞进页面容器，要恢复可用性必须 OCR，而 OCR 的质量上限由最初渲染的 DPI 决定。字符高度不到 20 像素时，形近字形的区分度不足；常用下限是正文 300 DPI，小字与表格 400 到 600 DPI。这里藏着最常见的重复编码事故：先 300 DPI 转成 JPEG，转回 PDF 后为减小体积又重压成 150 DPI，两次有损压缩叠加，再 OCR 时错误率远高于从原始矢量直接渲染。

不可逆点要分清层次。光栅化本身丢的是文本与矢量，只要原始 PDF 还在，从原文件重新渲染就能回退；真正不可逆的是原文件被覆盖，或者中间那次有损重采样成了唯一副本。所以判断动作很具体：任何一次转图片都保留原始 PDF，中间产物只当缓存，不在缓存上继续加工。

提取文本：为什么顺序会乱

PDF 没有阅读顺序。内容流是一串绘制指令，提取器只能按指令出现顺序输出文字，而排版软件写入指令的顺序取决于它的内部布局，与人的阅读路径无关。两栏排版最典型：生成器按左栏第一行、右栏第一行、左栏第二行交错写入，提取结果是两句一换栏，句子被从中间劈开。

文字定位有两种写法，绝对定位用 Tm 设置文本矩阵，相对位移用 Td 与 TD。提取器拿到的是一组文字与坐标的对应关系，要靠启发式聚成行与块。判据分两条：画面上连续、提取后被切成多段且顺序错乱，问题在写入顺序，可按坐标重排；字符残缺、缺空格或出现方块，是字体缺少到 Unicode 的映射（ToUnicode 表不完整），重排救不回来。

几个具体的坑。连字：排版软件把 fi 合成一个字形，编码成 U+FB01，提取得到兼容字符而不是 f 加 i，搜索 fi 命中不了；UAX #15 的 NFKC 归一化会把它映射回 f 与 i。软连字符 U+00AD 用来标记可选断点，肉眼不可见，存进文本会污染搜索与比对。

加密文件的限制也要看清。PDF 32000-1 的权限位里，允许复制对应第 5 位（值 16），它只是建议值而非强制机制；AES-256 加密要到 PDF 2.0（ISO 32000-2）才成为标准。不少提取器根本不理权限位，只要能用空口令打开就照抽不误。把它当访问控制是误用，真正的控制只能靠不交出文件。

一套避免重复编码的操作顺序

顺序的目标只有一个：让不可逆的步骤尽量靠后，让可能返工的步骤尽量靠前。每保存一次就重写一次文件，重写次数越少越好，因为很多损失就发生在保存动作本身。

第一步定源。区分文本型与扫描型，混合文件逐页标注，这决定能否直接提取、要不要先 OCR；扫描件越晚做 OCR，后面每一步都在拿像素猜。第二步做页面级整理：删页、重排、旋转、合并、拆分，它们只改页面树，返工成本接近零，所以全部前置。

第三步处理文档级结构：页标签、大纲、元数据。它们是文档级的单一结构，任何一次合并或拆分都会重写，所以在页面结构稳定之后、内容加工之前一次写完。要彻底删除的元数据必须靠完整重写，增量保存只追加新对象，旧字符串仍留在文件里。

第四步才做内容层加工：页码、水印、裁剪、脱敏，它们要么追加内容流，要么改写内容流。页码尤其要分清：写 /PageLabels 是文档级编号映射，删页后自动顺延；把数字盖进内容流是永久烘焙，删掉一页就出现 1、2、4。

最后才是压平、光栅化、有损压缩与签名。压平与光栅化不可逆，一旦保存，表单域、文本层、矢量线条都不再存在；数字签名覆盖整个文件字节，任何后续修改都让它失效，所以签名必须压在最后。顺序倒着做是最常见的返工来源：先加页码再删页，先签名再改内容。

• 定源：区分文本型与扫描型，混合文件逐页标注
• 页面级整理：删页、重排、旋转、合并、拆分
• 文档级结构：页标签、大纲、元数据（需完整重写）
• 内容层加工：页码、水印、裁剪、脱敏
• 不可逆收尾：压平、光栅化、有损压缩
• 签名：最后一步，签后不再改动

动手试试