Por que meu arquivo PDF está tão grande? (E como resolver isso de verdade)

A confusão por trás de "por que esse PDF está tão grande" geralmente começa ao tratar o PDF como se fosse um formato de arquivo único e uniforme, da mesma forma que um arquivo de texto simples é — mas um PDF se parece mais com um formato contêiner, num espírito parecido com um arquivo ZIP, que agrupa vários tipos de conteúdo genuinamente diferentes: instruções de layout de página, fontes incorporadas, imagens incorporadas, gráficos vetoriais e metadados, cada um armazenado com sua própria representação interna. A estrutura do contêiner em si — a parte que realmente é específica do PDF — é pequena; um PDF que contém apenas texto simples e um layout simples, sem imagens incorporadas nem fontes incomuns, costuma ter apenas alguns quilobytes, não importa quantas páginas tenha. Sempre que um PDF cresce para dezenas ou centenas de megabytes, o tamanho vem do que foi incorporado dentro desse contêiner, não do formato contêiner em si — que é exatamente o motivo pelo qual "por que meu PDF está tão grande" quase sempre tem uma resposta específica e identificável, em vez de ser uma propriedade inerente ao formato.

Um documento produzido a partir da digitalização de páginas físicas não é, no nível do formato de arquivo, realmente um documento de texto — é uma sequência de fotografias de página inteira, uma por página, envolvidas em um contêiner PDF, e todas as regras de tamanho de arquivo que se aplicam a fotografias também se aplicam aqui. Os scanners costumam capturar por padrão a 300 pontos por polegada ou mais, uma resolução calibrada para reprodução física em papel, o que é muito mais dados de pixel do que uma tela consegue exibir ou um leitor realmente precisa para um documento que só vai ser visto em um monitor. Um documento escaneado de dez páginas capturado em resolução de impressão costuma chegar rotineiramente a dezenas de megabytes exatamente por isso: não são dez páginas de texto, são dez fotografias em resolução total, e fotografias nessa resolução são inerentemente grandes, independentemente de quão pouca informação visual elas realmente transmitem quando vistas em uma tela comum.

Isso também explica por que um PDF escaneado responde tão dramaticamente à compressão de um jeito que um PDF genuinamente baseado em texto muitas vezes não responde: recodificar cada imagem de página em uma resolução mais baixa, mas ainda adequada para tela, com um nível de compressão mais agressivo mas ainda razoável, pode reduzir um documento escaneado de 70% a 90%, com pouca ou nenhuma perda perceptível de legibilidade na tela, porque o original carregava muito mais dados de pixel do que uma tela jamais conseguiria usar.

Um PDF que precisa ser renderizado de forma idêntica em qualquer dispositivo, independentemente de quais fontes estão instaladas ali, geralmente incorpora os arquivos de fonte reais que usa diretamente dentro do documento, em vez de simplesmente referenciar uma fonte pelo nome e torcer para que o sistema do leitor tenha uma equivalente disponível — o que é exatamente a decisão de engenharia certa para uma renderização confiável e consistente, mas tem um custo real em tamanho. Uma única família de fontes incorporada, especialmente com vários pesos e estilos, pode facilmente adicionar várias centenas de quilobytes a um documento que, de outra forma, seria quase todo texto. Esse efeito é dramaticamente maior em documentos que usam texto em chinês, japonês ou coreano: essas escritas exigem milhares de glifos distintos, em vez dos cerca de 100 caracteres que uma fonte de escrita latina precisa, então uma fonte CJK totalmente incorporada pode sozinha chegar a dezenas de megabytes — muitas vezes o maior componente individual de um documento por outro lado modesto.

Ferramentas de geração de PDF bem construídas resolvem isso incorporando apenas o subconjunto de glifos que um documento realmente usa, em vez de um arquivo de fonte inteiro, o que mantém o overhead de tamanho proporcional a quanto texto está realmente presente. Um documento que incorpora arquivos de fonte completos e sem subconjunto para uma escrita com um conjunto grande de caracteres, em vez de apenas os glifos realmente usados, pode acabar carregando muitas vezes mais dados de fonte do que o texto da página jamais precisaria.

Alguns fluxos de edição de PDF, particularmente os padrões de salvamento incremental em que cada edição é anexada ao arquivo em vez de reescrever o documento inteiro, podem deixar versões anteriores do conteúdo editado tecnicamente ainda presentes dentro do arquivo, mesmo que não sejam mais exibidas visivelmente — o equivalente a um histórico de edições se acumulando silenciosamente dentro do documento em vez de ser limpo. Um PDF que passou por várias rodadas de edição desse jeito pode carregar significativamente mais dados do que seu conteúdo visível atual sugeriria, já que parte do que está armazenado dentro dele não está mais sendo mostrada a ninguém. Salvar o documento novamente por meio de um processo que reconstrói o arquivo a partir do seu estado visível atual, em vez de continuar anexando à estrutura existente, é o que elimina isso.

Recodificar as imagens incorporadas em uma resolução e nível de compressão apropriados para como o documento realmente vai ser visualizado é a correção de maior impacto, e é especificamente eficaz porque ataca a causa real do inchaço na esmagadora maioria dos PDFs superdimensionados: dados de imagem capturados ou incorporados com fidelidade muito maior do que o uso final exige. Reconstruir a estrutura interna do documento, eliminando os resquícios de edições incrementais, é uma segunda alavanca menor, mas genuinamente real. O que não ajuda de forma significativa é aplicar um utilitário genérico de compressão de arquivos sobre um PDF já salvo: leitores e geradores de PDF já comprimem internamente a maior parte do conteúdo incorporado usando compressão padrão e bem conhecida, então embrulhar o arquivo inteiro em mais uma camada de compressão genérica normalmente economiza só um ou dois por cento — visivelmente menos do que reprocessar as imagens e a estrutura realmente incorporadas, porque sobra muito pouca redundância em um arquivo já comprimido para que uma segunda passada de compressão, sem relação com a primeira, consiga encontrar algo.