PDFのファイルサイズを小さくする

何かを圧縮する前に、自分が何を圧縮しているのかを知っておく価値があります。本文だけの四十ページのPDFはたいてい300キロバイト未満です。その本文は数千個の文字描画命令と、書体の一部分にすぎないからです。ところが十二ページのスキャンした契約書は17メガバイトになることがあります。違いはページ数ではなく、本文でもなく、画像です。実際、誰かが「このPDFは重い」と言うとき、バイト数の九割以上は写真です。そして圧縮ツールの仕事は、その写真を画面上で問題なく見える大きさに符号化し直すこと、ただそれだけです。それ以外の処理──メタデータの掃除、参照されない要素の削除、相互参照表の書き直し──が動かすのはキロバイトであってメガバイトではありません。

つまみは二つ、それだけ

画像の圧縮は解像度と画質に集約されます。解像度は画像が持つ画素の数です。1インチあたり300ドットで読み取るスキャナーは、同じページを150ドットで読んだ場合のおよそ四倍の画素を生み、画素はそのままバイトになります。画質はその後に適用する符号化の設定で、1.0ならほとんど失われず、0.4あたりから平坦な面に目に見える乱れが出はじめます。当社の三つのプリセットは両方を同時に動かします。軽めは長辺を1700画素に抑えて画質0.80、バランスは1240画素で0.62、強めは1000画素で0.45です。ほとんどの文書にはバランスが向いています。高さ1240画素で描かれたページは、多くの人が読んでいる画面よりまだ精細ですし、0.80から0.62に下げるだけで、本文の読みやすさに触れないまま驚くほどの量のバイトが消えるからです。

実際に測った数値

以下は推定ではなく、ツールに通した本物のファイルです。弁護士や税理士がメールで送ってくるような十二ページのスキャン文書は、バランス設定で17.69メガバイトから1.49メガバイトになりました。削減率91.6パーセントです。PDFに書き出した七ページのプレゼン資料は6.55メガバイトから1.87メガバイト、71.5パーセントでした。この差は示唆的です。スキャンは紙の写真そのものなので符号化のやり直しがすべてを決めます。一方プレゼン資料にはベクター図形と文字が含まれ、そこには圧縮が手を出せないため、上限が低くなります。どのツールを使うにせよ、大きな効果はスキャンや写真の多いファイルに現れ、最初からデジタルで作られた文書では控えめにとどまると考えてください。

設定より形式のほうが効く

多くのツールが結果を落としている落とし穴があります。ブラウザーやオフィスソフトは、画像を写真向けの圧縮形式ではなく、可逆形式のまま埋め込むことが少なくありません。埋め込み済みの写真形式しか扱えない圧縮ツールは、それらの画像を見ても認識できずに読み飛ばします。先ほどの17.69メガバイトのスキャンに最初に挑んだとき、七十秒かけた結果は削減率0.0パーセントでした。二十四枚の画像がすべて可逆形式で、すべて飛ばされていたからです。それらを生の画素まで戻してから写真形式で符号化し直したことが、0パーセントを91.6パーセントに変えました。明らかに画像だらけのファイルなのに「改善できない」と言われたら、たいていこれが原因です。

透明、マスク、そして飛ばされる画像

圧縮ツールが神経質に扱う画像の種類があります。透明を持つものです。PDFでは柔らかいマスクは灰色階調の独立した要素として保存され、本体の画像がそれを参照します。慎重な圧縮ツールは、ロゴのあった場所が黒い四角になる事故を避けるため、マスクを持つ画像をまるごと飛ばします。この慎重さは高くつきます。当社の検証では、実在の文書で最大だった画像──2.58メガバイト──がまさにこの理由で飛ばされており、ファイルは不要な2.58メガバイトを抱えたままでした。正しい扱いはもっと限定的です。マスクは独立した要素なので、本体の画像だけを写真形式に変換し、マスクへの参照はそのまま残せば透明は損なわれません。本当に触ってはならないのは二種類だけです。階調を持たない一画素一ビットの型抜きマスクと、特定の色の値が画素を透明にしている色指定のマスクです。同様に、画像に付いた色反転の指示は古い符号化に属するもので、新しい符号化へ写してはいけません。写すと写真が反転して戻ってきます。

本当に小さくできないとき

すでに最適化済みのファイルもあります。誠実なツールは、同じ大きさの少し違うファイルを作る代わりに、その事実を伝えます。ほとんどがベクターの文字でできたPDFには、差し出せるものがほとんどありません。さらに悪いことに、構造の書き直しは小さなファイルを大きくすることがあります。当社の計測では、軽い文書を線形化する最適化にかけたところ七十一パーセント増えました。追加された構造が、削減分を上回ったのです。そこで私たちが決めた方針は、元のファイルと結果のうち小さいほうを残し、削減がおよそ三パーセントを下回る場合は「すでに最適化済み」と伝えることです。二パーセントの差を成果として見せることはしません。いつも必ず削減を表示するツールがあれば、それが何を測っているのかを疑ってください。

始める前に自分のファイルの型を知る

五秒で終わる二つの確認が、期待値を先に教えてくれます。ひとつめ、PDF閲覧ソフトでカーソルを使って一文を選択してみます。文が選べれば、その文書は最初からデジタルで、おそらくすでに小さいはずです。ページ全体がひとかたまりで選ばれるなら、それはスキャンであり、圧縮の効果は大きくなります。ふたつめ、ファイルサイズをページ数で割ります。1ページあたり0.5メガバイトを超える文書は、ほぼ例外なく画像が主体です。この二つを先に済ませておくと、無駄な試行をせずに済みます。三つめの手がかりは出どころです。スマートフォンで撮影した書類は、据え置き型のスキャナーで読んだものよりさらに大きくなることが多いのですが、それは今のカメラがA4一枚に必要な量をはるかに超える画素を作るからです。

実務的な手順

まずバランスを試し、結果はサムネイルではなく100パーセント表示で確かめます。いちばん情報の詰まったページの、いちばん小さな文字──脚注、印影、署名欄──を見てください。画質の劣化はまずそこに現れます。それが持ちこたえていて、さらに軽くしたいなら強めへ。持ちこたえないなら軽めに下げ、大きめのファイルを受け入れます。それでも大きすぎるときに初めて分割を考えます。4メガバイトの添付三通のほうが、12メガバイトの一通より送りやすいのが普通だからです。そして取り込み元が自分のスキャナーなら、いちばん安上がりな解決はもっと手前にあります。600ドットのカラーではなく200から300ドットの灰色階調で読み取れば、この問題はそもそも起きません。