拆分 PDF

两件都被叫做「拆分」的事,其实不一样

做两个模式是因为这两种需求本质上不同,只做一个的话,另一个就得靠手工凑。

抽取是取子集。90 页的报告你只想要第 12 到 14 页,因为对方只需要看这三页;合同的签字页你要单独抽出来;一份文件里只有那一页写着银行账号,周围二十页都是条款。结果是**一个小文件**,其余部分被有意留在了原处。

拆分是等分整体。一沓发票被扫成了一个 200 页的 PDF,而记账系统要求一张发票一个文件;讲义按课程扫成了一份,你想按章节分开。印刷版有章节标记,扫描件没有,于是你只能按页码重建它。

拿不准要哪个就按这个判断:如果你能说出需要哪几页,用抽取;如果这份文档本身是很多份文档的容器,用拆分。

PDF 的第 12 页,通常不是印着「12」的那一页

这是这里最容易让人踩空的地方,而且它不是任何工具的 bug —— PDF 就是这样。一个 PDF 只有页面的先后顺序,别的什么都没有。你在页面上看到的页码是「印上去的」,是文字或扫描图像的一部分,文件本身根本不知道它存在。

所以一份前面有封面、目录和致谢的报告,正文页码通常偏移三页:印着「1」的那页其实是 PDF 的第 4 页。你让工具给你第 1 页,它给你封面 —— 行为完全正确,只是不是你要的。

两个可靠的办法。第一,看阅读器里的页码指示器,而不是页面上印的数字;每个阅读器都会在某处显示真实序号,通常是工具栏上的「4 / 92」。第二,如果这份扫描件压根儿没有页码,那就从头数一遍,把范围写在纸上再过来填 —— 靠猜的结果是拿到文件后发现不对,然后重做一遍。

分享前想拿掉一页,正确的做法是什么

这是一个出奇常见的场景:一份要发出去的文件里,有一页不能跟着走 —— 写着账号的那页、内部成本表、已经被砍掉的条款草案。

第一反应通常是盖住它,别这么做。在 PDF 编辑器里画一个黑色矩形盖在文字上,并没有删掉文字,只是**画在了上面**。这些字符仍然在文件里,仍然可以被选中、被复制 —— 任何人换个阅读器打开,或者跑一遍文本提取,就都看见了。这种事在真实机构里泄露过真实数据,而且不止一次。

删掉整页是另一回事,结果也完全不同:那个页面对象根本不会被写进输出文件,内容是真的不在了。把「你要的那几页抽出来」,而不是「把不要的那页涂黑」,才是真正管用的做法。原文件留着不外发,发抽出来的副本。

拆开之后,总体积是变大而不是变小

期待「文件小了、体积也该小」的人会在这里吃一惊,所以给个具体数字。我们实测过:一份 6 页、每页共用同一字体和同一张图片的 PDF 一共 31KB,逐页拆成 6 个文件之后合计 181KB —— 大约是原来的 5.8 倍。

原因在于 PDF 把共享资源只存一份:字体嵌入一次,每一页都指向它。拆分之后每个文件都必须能独立打开,于是字体和共用图片会被复制进每一份。六份文件,就是六份副本。

实际结论:不要指望用这个工具把文件弄小。如果目标是压到能发邮件,该用压缩。而如果你拆分只是为了「分开好发」,不妨考虑直接抽取你真正需要的那段 —— 一个输出文件没有任何重复,你不要的页也一点都不占体积。

把文档切开,会失去什么

无论合并还是拆分,损失的都是同一批东西,这是「重建 PDF」这种做法的固有代价,与具体工具无关。

• 书签和目录树不会带过来。源文件里那个导航侧栏,拆出来的部分不会有。
• 可填写的表单域不能保留,对方填在里面的内容也一并丢失。
• 数字签名会失效,因为被签名的字节变了。签名验证的是某一个确定的文件,不是「一份像这样的文档」。
• PDF 内嵌的附件会被丢掉。
• 页面内容、页面尺寸、方向和文字画质则原样保留 —— 页面是以对象为单位复制的,不会被重新渲染成图片。