¿Por qué mi PDF pesa tanto? (Y cómo solucionarlo de verdad)

La confusión detrás de "por qué este PDF pesa tanto" suele empezar por tratar el PDF como si fuera un formato único y uniforme, de la misma forma que lo es un archivo de texto plano — pero un PDF se parece más a un formato contenedor, en un espíritu similar a un archivo ZIP, que agrupa varios tipos de contenido genuinamente distintos: instrucciones de maquetación de página, fuentes incrustadas, imágenes incrustadas, gráficos vectoriales y metadatos, cada uno almacenado con su propia representación interna. La estructura del contenedor en sí — la parte que realmente es específica de PDF — es pequeña; un PDF que solo contiene texto plano y maquetación simple, sin imágenes incrustadas ni fuentes inusuales, suele ocupar solo unos pocos kilobytes sin importar cuántas páginas tenga. Cada vez que un PDF crece hasta decenas o cientos de megabytes, el tamaño proviene de lo que se incrustó dentro de ese contenedor, no del formato contenedor en sí — que es exactamente por qué "por qué mi PDF pesa tanto" casi siempre tiene una respuesta específica e identificable en lugar de ser una propiedad inherente del formato.

Un documento producido escaneando páginas físicas no es, a nivel de formato de archivo, realmente un documento de texto — es una secuencia de fotografías de página completa, una por página, envueltas en un contenedor PDF, y se le aplican todas las reglas de tamaño de archivo que se aplican a las fotografías. Los escáneres suelen tener por defecto una captura a 300 puntos por pulgada o más, una resolución calibrada para reproducción física en papel, que es muchísimos más datos de píxeles de los que una pantalla puede mostrar o un lector realmente necesita para un documento que solo se verá en un monitor. Un documento escaneado de diez páginas capturado a resolución de impresión suele llegar rutinariamente a decenas de megabytes precisamente por esto: no son diez páginas de texto, son diez fotografías a resolución completa, y las fotografías a esa resolución son inherentemente grandes independientemente de cuánta información visual transmitan realmente una vez vistas en una pantalla típica.

Esto también explica por qué un PDF escaneado responde de forma tan dramática a la compresión de una manera que un PDF genuinamente basado en texto a menudo no lo hace: recodificar cada página como imagen a una resolución más baja pero aún adecuada para pantalla, con un nivel de compresión más agresivo pero aún razonable, puede reducir un documento escaneado entre un 70 y un 90 por ciento con poca o ninguna pérdida perceptible de legibilidad en pantalla, porque el original llevaba muchísimos más datos de píxeles de los que una pantalla podría usar en primer lugar.

Un PDF que necesita renderizarse de forma idéntica en cualquier dispositivo, independientemente de qué fuentes estén instaladas ahí, generalmente incrusta los archivos de fuente reales que usa directamente dentro del documento en lugar de simplemente referenciar una fuente por nombre y esperar que el sistema del visor tenga una equivalente disponible — que es exactamente la decisión de ingeniería correcta para un renderizado fiable y consistente, pero tiene un costo real en tamaño. Una sola familia de fuentes incrustada, especialmente con varios grosores y estilos, puede añadir fácilmente varios cientos de kilobytes a un documento que de otro modo sería casi todo texto. Este efecto es dramáticamente mayor en documentos que usan texto chino, japonés o coreano: esas escrituras requieren miles de glifos distintos en lugar de los aproximadamente 100 caracteres que necesita una fuente de escritura latina, así que una fuente CJK completamente incrustada puede llegar por sí sola a decenas de megabytes — a menudo el componente individual más grande de un documento por lo demás modesto.

Las herramientas de generación de PDF bien construidas abordan esto incrustando solo el subconjunto de glifos que un documento realmente usa en lugar de un archivo de fuente completo, lo que mantiene el sobrecoste de tamaño proporcional a cuánto texto hay realmente presente. Un documento que incrusta archivos de fuente completos y sin subconjunto para una escritura con un conjunto grande de caracteres, en lugar de solo los glifos realmente usados, puede acabar llevando muchas veces más datos de fuente de los que el texto de la página podría necesitar jamás.

Algunos flujos de edición de PDF, particularmente los patrones de guardado incremental donde cada edición se añade al final del archivo en lugar de reescribirse todo el documento, pueden dejar versiones anteriores del contenido editado técnicamente todavía presentes dentro del archivo aunque ya no se muestren visiblemente — el equivalente a un historial de edición acumulándose silenciosamente dentro del documento en lugar de limpiarse. Un PDF que ha pasado por varias rondas de edición de esta forma puede llevar significativamente más datos de los que su contenido visible actual sugeriría, ya que parte de lo que está almacenado dentro ya no se muestra a nadie. Volver a guardar el documento mediante un proceso que reconstruye el archivo desde su estado visible actual, en lugar de seguir añadiendo a la estructura existente, es lo que elimina esto.

Recodificar las imágenes incrustadas a una resolución y nivel de compresión apropiados para cómo se va a ver realmente el documento es la solución de mayor impacto, y es específicamente eficaz porque ataca la causa real de la inflación en la abrumadora mayoría de PDF sobredimensionados: datos de imagen capturados o incrustados con muchísima más fidelidad de la que necesita el uso final. Reconstruir la estructura interna del documento, eliminando los restos de ediciones incrementales, es una palanca menor pero genuinamente real. Lo que no ayuda de forma significativa es aplicar una utilidad de compresión de archivos genérica sobre un PDF ya guardado: los visores y generadores de PDF ya comprimen internamente la mayoría del contenido incrustado usando compresión estándar y bien entendida, así que envolver todo el archivo en otra capa de compresión genérica encima típicamente solo ahorra uno o dos por ciento — notablemente menos que reprocesar las imágenes y la estructura realmente incrustadas, porque queda muy poca redundancia en un archivo ya comprimido para que una segunda pasada de compresión no relacionada la encuentre.