使用PDFBOX拆分和合并pdf文件会生成大文件

我有一个pdf格式的大打印文件，包含5544页，大小约为36mb。该文件由MS Word 2010创建，每个字母/文档上仅包含文本和徽标

我将其拆分为5544个文件，并根据关键字合并回2770个字母。每个字母的大小约为140-145kb

当我把所有的信件合并成一个新的pdf打印文件，仍然包含5544页时，文件的大小增加到396mb

所有文本提取、拆分和合并都是通过从PHP调用ApachePDFBox命令行工具来执行的，但从控制台运行时结果是相同的

你知道如何减少信件和最终打印文件的大小吗？ 看起来PDFBox只是在最终打印文件中添加了每个字母，而不是创建了一个新的pdf文档

只有在测试阶段，所有文档才会合并到最终的打印文件中，一些文档将通过电子邮件发送

我也尝试过SAMBox（PDFBox的分支），但结果几乎相同：

pdfinfo Original.pdf
标题：打印文件
作者：Claus Hjort Bube
创建者：Microsoft®Word 2010
制作人：Microsoft®Word 2010
创作日期：2017年5月19日星期五12:16:34 CEST
日期：2017年5月19日星期五12:16:34 CEST
是的
用户属性：否
嫌疑人：没有
表格：无
JavaScript：没有
页码：5544
加密：没有
页宽：595.32 x 841.92分（A4）
页码：0
文件大小：36092281字节
答：没有
PDF版本：1.5

pdfinfo PDFBox.pdf
标题：打印文件
作者：Claus Hjort Bube
创建者：Microsoft®Word 2010
制作人：Microsoft®Word 2010
创作日期：2017年5月19日星期五12:16:34 CEST
日期：2017年5月19日星期五12:16:34 CEST
答：没有
用户属性：否
嫌疑人：没有
表格：无
JavaScript：没有
页码：5544
加密：没有
页宽：595.32 x 841.92分（A4）
页码：0
文件大小：396622354字节
答：没有
PDF版本：1.4

pdfinfo SAMBox.pdf
创建者：Sejda控制台3.2.17
制作人：Sambox1.1.8（www.sejda.org）
日期：2017年7月11日星期二23:34:33 CEST
答：没有
用户属性：否
嫌疑人：没有
表格：无
JavaScript：没有
页码：5544
加密：没有
页宽：595.32 x 841.92分（A4）
页码：0
文件大小：378779436字节
答：没有
PDF版本：1.7

听起来可能很悲伤，但这是正确的。拆分时，每个文件都会获得所需的资源（例如字体和公司徽标图形）。当合并回PDFBox时，PDFBox不知道这些文件在整个文档中可能是相同的，因此这些文件现在被大量复制

---

我为您看到的唯一解决方案是使用PDFBox java API一步创建邮件文件和最终打印文件，即不创建合并回来的单个文件。

这确实可能发生。在原始文件中，最有可能的资源是共享的，例如，所有页面所引用的图像只有一个副本。分割文件时，每个部分PDF都会获得每个共享资源的自己副本。因此，在再次合并这些部分PDF之后，每个页面都有自己的以前共享资源的副本。这会使文件大小爆炸。不幸的是，PDFBox（尚未？）没有智能合并功能来识别相同的资源并将其缩减为单个副本。因此，与其拆分原始PDF并将拆分的页面重新组合在一起，不如始终从原始文件开始，并通过删除所有不需要的页面来缩减它。另请参阅