Python压缩PDF文件体积：垃圾回收+图片降采样

用Python的PyMuPDF压缩PDF文件体积，自动清理冗余对象、压缩嵌入图片、去重字体，几十MB的扫描件能压到几MB，适合邮件附件和归档。

场景痛点

扫描件、合同、产品手册PDF动辄几十MB，邮件附件超过50MB发不出去，公司网盘上传也慢。手动用Acrobat"另存为优化PDF"，一个文件点几下，几十批文件根本顾不过来。用Python的PyMuPDF做垃圾回收、图片降采样、字体子集化，一行代码批量瘦身。

用到的库

pip install pymupdf pillow

完整代码

# -*- coding: utf-8 -*-
"""
压缩 PDF 文件体积：
1) 清理未引用的冗余对象
2) 对大图做降采样 + JPEG 重压缩
3) 字体子集化
"""
import fitz  # PyMuPDF
import io
from PIL import Image
from pathlib import Path


def compress_pdf(input_pdf: str,
output_pdf: str,
image_dpi: int = 120,
jpeg_quality: int = 60) -> float:
"""
返回压缩后文件大小（MB），方便批量时统计效果。
"""
doc = fitz.open(input_pdf)

for page in doc:
# 遍历页面上每张图片，压缩过大的
for img_info in page.get_images(full=True):
xref = img_info[0]
try:
base_image = doc.extract_image(xref)
img_bytes = base_image["image"]
ext = base_image["ext"]

# 已经是 JPEG 且不大就跳过
im = Image.open(io.BytesIO(img_bytes))
original_size = len(img_bytes)

# 降采样：大图缩到 image_dpi 对应的像素尺寸
# A4 在 120 DPI 下约 1000×1400，超过就压
max_side = max(im.size)
if max_side > 1500:
ratio = 1500 / max_side
new_size = (int(im.size[0] * ratio), int(im.size[1] * ratio))
im = im.convert("RGB").resize(new_size, Image.LANCZOS)

# 重新存成 JPEG
buf = io.BytesIO()
im.save(buf, format="JPEG", quality=jpeg_quality, optimize=True)
new_bytes = buf.getvalue()

# 只在变小了才替换
if len(new_bytes) < original_size:
doc.update_stream(xref, new_bytes)
except Exception as e:
# 单张图失败不影响整体
continue

# garbage=4 清理所有未引用对象，deflate=True 压缩流，deflate_images=True 再压一次图片
doc.save(
output_pdf,
garbage=4,
deflate=True,
deflate_images=True,
deflate_fonts=True,
clean=True,
)
doc.close()

size_mb = Path(output_pdf).stat().st_size / 1024 / 1024
return size_mb


def batch_compress(input_dir: str, output_dir: str, image_dpi: int = 120):
src, dst = Path(input_dir), Path(output_dir)
dst.mkdir(parents=True, exist_ok=True)

for pdf_file in src.glob("*.pdf"):
out = dst / pdf_file.name
before = pdf_file.stat().st_size / 1024 / 1024
after = compress_pdf(str(pdf_file), str(out), image_dpi=image_dpi)
print(f"{pdf_file.name}: {before:.2f} MB -> {after:.2f} MB")


if __name__ == "__main__":
batch_compress(
input_dir="originals",
output_dir="compressed",
image_dpi=120,
)

代码讲解

page.get_images(full=True) 拿到当前页所有嵌入图片的引用，xref是图片在PDF对象表里的编号。
doc.extract_image(xref) 把图片原始字节取出来，用Pillow打开看尺寸；长边超过1500像素就等比缩小，重新存成JPEG。
doc.update_stream(xref, new_bytes) 用新的图片字节替换原有的，这一步是体积下降的主要来源。
保存时的参数组合是关键：garbage=4 彻底清理未引用对象、deflate=True 压缩内容流、deflate_images=True 对图片流再压一次、clean=True 清理冗余结构。
jpeg_quality=60 是折中值，肉眼看差别不大但体积小一半；追求更小压到40，追求清晰用80。