コマンドラインで PDF 文書を２値（白黒）に圧縮する

コピー機でスキャンした PDF 文書のファイルサイズが大きいので，コマンドラインで圧縮する方法を調べた．
今回は ImageMagick というソフトウェアを用いて，グレースケールでスキャンした PDF 文書を２値（白黒）画像で構成された PDF 文書に圧縮する．

必要なもの

• ImageMagick
• pdfimages （あると便利）

pdfimages は Poppler（あるいはそれをバックエンドに用いた PDF ビューア Evince など）をインストールすると，付いてくる．

やり方

まず pdfimages で PDF 文書内の画像の形式や PPI を調べられる．

$ pdfimages -list in.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    5732  4054  gray    1   8  jpeg   no        25  0   400   400 1384K 6.1%
   2     1 image    5732  4054  gray    1   8  jpeg   no        29  0   400   400 1460K 6.4%
...

今回はコピー機で 400DPI・グレースケールに設定し，本をスキャンした．画像形式は JPEG になっている．

ImageMagick で PDF 文書を一旦，2値 TIFF 画像に圧縮し，さらに PDF に変換する．density には先程調べた PPI を指定すればよい．compress に指定されている group4 は２値画像用の圧縮アルゴリズムで，FAX で利用されているらしい．

magick -density 400 in.pdf -compress group4 tif:- | magick - out1.pdf

$ pdfimages -list out1.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    5732  4054  gray    1   1  ccitt  no         8  0   400   400 84.3K 3.0%
   2     1 image    5732  4054  gray    1   1  ccitt  no        22  0   400   400 96.9K 3.4%
...

PPI はそのまま，エンコードが JPEG から CCITT（2値画像）に変換されている．

影によって文字が潰れてしまうような，過剰に黒い場合は閾値 threshold を下げる．逆に文字が消えてしまうような，過剰に白い場合は threshold を上げる．

magick -density 400 in.pdf -threshold 40% -compress group4 tif:- | magick - out2.pdf

さらに圧縮したい場合は density を下げると，PPI を下げることができる．

magick -density 200 in.pdf -compress group4 tif:- | magick - out3.pdf

$ pdfimages -list out3.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    2866  2027  gray    1   1  ccitt  no         8  0   200   200 43.0K 6.1%
   2     1 image    2866  2027  gray    1   1  ccitt  no        22  0   200   200 49.5K 7.0%
...

結果

Size	Name
18M	in.pdf
1.2M	out1.pdf
1.2M	out2.pdf
606K	out3.pdf

PPI そのままで圧縮率は 93% となり，かなりファイルサイズを削減できた．