扫描件、截图、加密 PDF：三类特殊文件怎么处理
手机拍的合同、微信收到的截图、带打开密码的文件 —— 这三类在用常规 PDF 工具处理时都会踩到不同的坑。它们的共同点是：都不是「标准 PDF」，得先想清楚代价。
- 图片转 PDF 先把所有图片转成 JPEG（质量 0.92）再嵌入，所以透明 PNG 会铺白底、文字截图有轻微压缩损失
- 原图尺寸模式下页面大小等于图片像素乘以 0.75（96dpi 换算成 PDF 的 pt），长边超过 14400pt 会被等比压到上限
- 带打开密码的 PDF 无法合并也无法拆分，因为内容流仍是加密的，强行复制页面只会产出打不开的文件
- 合并与拆分都不重新压缩，页面对象原样复制，所以画质不变，但拆出的体积也不是原文件的等分
- 扫描件本身是图片而不是文字，PDF 里没有可搜索的文本层，要提取文字必须另外做 OCR
#三类特殊文件，三个不同的坑
扫描件的问题是「没有文字」，截图的问题是「分辨率与比例」，加密 PDF 的问题是「内容流打不开」。 三者互不相干，用同一套操作去处理只会白费时间。
判断一份文件属于哪一类，看两点就够了：能不能选中里面的文字、打开时要不要密码。
| 文件类型 | 特征 | 处理时的主要代价 |
|---|---|---|
| 扫描件 / 拍照件 | 选不中文字，整页是一张图 | 无法搜索、无法编辑、OCR 才能提字 |
| 截图 | 有文字层但分辨率由屏幕决定 | 放大就模糊，比例与 A4 不符 |
| 加密 PDF | 打开要密码 | 合并、拆分、提取全部失败 |
| 正常 PDF | 有文字层、无密码 | 无额外代价 |
#图片转 PDF：尺寸换算与文字损失
用 图片转 PDF 时，所有图片会先转成 JPEG（质量 0.92）再嵌进 PDF。 这意味着两件事：透明 PNG 会先铺白底（所以不会变黑），而文字截图、扫描件会有轻微的压缩损失。
PDF 格式本身支持无损嵌入图片，但内嵌 JPEG 能把几十张大图的体积控制住 —— 这是明确的取舍。追求极致清晰就选「原图尺寸」并接受更大的文件。
两种页面尺寸的算法很实际：
- 原图尺寸：页大小 = 图片像素 × 0.75（96dpi 的像素换算成 PDF 的 pt），长边超过 14400pt 会等比压到上限，这是 PDF 格式本身的限制
- A4：595.28 × 841.89 pt（210 × 297 mm），四边留 24pt（约 8.5mm）边距，图片等比缩放后居中，不裁切也不拉伸
要打印就用 A4，要当图片档案存档就用原图尺寸。用 A4 装一张竖拍的长图，两侧会留大片白边；用原图尺寸打印一张截图，出来的纸可能只有半个巴掌大。
处理是逐张串行的，状态栏会显示「第几张 / 共几张」。个别图片解码失败会被跳过，结束后单独报出失败数量，不会因为一张坏图中断整批。
#扫描件：它其实是图片
扫描件在 PDF 里就是一张整页图片，没有文字层，所以搜索、复制、编辑全都做不到。 这不是工具的限制，是文件本身没有那些信息。
要判断一份 PDF 是不是扫描件，用最原始的办法：
- 打开它，试着用鼠标选中一段文字
- 选不中就是扫描件；选得中就是原生 PDF
想把扫描件变成可搜索的文字，只有 OCR 这一条路。那不是格式转换，是识别 —— 识别率受拍摄角度、光照、分辨率影响，重要文件建议人工校对一遍。
用 PDF 合并 把扫描件和原生 PDF 拼在一起是完全可以的，合并只是在文档层面拼接页面。但拼完之后，你仍然只能搜到原来那份原生 PDF 里的文字。
#加密 PDF：必须跳过而不是硬来
带打开密码的 PDF 内容流仍然是加密的，强行复制页面会产出一个打不开的文档 —— 所以正确处理是跳过并说明，不是硬试。 这是最容易让人以为「工具坏了」的地方。
处理方式的差异：
「能读进内存」不等于「能处理」。某些库允许用忽略加密的选项把文件读进来，但页面内容依然是密文，导出的新文档双击就报错。看到「处理成功但文件打不开」，八成就是这个原因。
正确做法只有一个：用原始密码解除保护，再处理。没有密码就只能放弃，不要指望绕过 —— 那是加密本身的目的。
#合并与拆分的体积直觉
合并和拆分都不重新压缩：页面对象原样复制，图片、字体、矢量图都不动，所以画质一致，体积也不会按页数均分。 这点和「截图再转 PDF」是两件完全不同的事，后者必然掉画质。
体积上的三个反直觉现象：
- 拆出来的一页可能比想象中大，因为它引用的共享资源（字体、图片）本来就在文件里
- 两份内容几乎相同的 PDF 合并，体积接近两份之和，不会去重
- 合并后体积小于两份之和，往往说明其中一份原本就有冗余或未清理对象
用 PDF 拆分 时还有两个细节值得记：输出顺序按你输入的顺序（写 3,1,2 就是第 3 页在前），重复页码只保留一次，倒序区间 5-3 会被理解成 3-5。
它一次只输出一个 PDF。要拆成每页一个文件，需要分次提取，或者用命令行的 qpdf --split-pages。
#发图之前，先看一眼照片的元数据
手机拍的原图里带着精确到米级的 GPS 坐标、机型、拍摄时间，用 EXIF 信息查看 一眼能看到。 发合同照片、二手商品图、租房照片之前值得查一次。
它支持三种容器：JPEG 的 APP1 段、PNG 的 eXIf 块、WebP 的 EXIF 块。HEIC 和 AVIF 读不了；截图与被微信微博转发过的图片多半已经被抹掉元数据，读不到属于正常。
两个容易误判的读数：曝光时间显示成 1/159 秒 是因为相机存的是 1/160 的近似值；「等效 35mm 焦距」和「焦距」不是一回事，判断算不算长焦要看前者。
这个工具只读不写，不提供「清除 EXIF」。要彻底去掉元数据，得用图片编辑器重新导出（重新编码会连缩略图和 GPS 一起丢掉），或者用 exiftool -all= 处理。
#什么时候该用哪个工具
| 你想做的事 | 用哪个 | 注意 |
|---|---|---|
| 把拍照件、截图做成 PDF | 图片转 PDF | 会转 JPEG，文字截图有轻微损失 |
| 把多份合同拼成一份 | PDF 合并 | 加密文件会被跳过 |
| 从报告里抽出几页 | PDF 拆分 | 输出顺序按你写的顺序 |
| 确认照片有没有带定位 | EXIF 信息查看 | 只读，不能清除 |
| 换个格式重新压缩图片 | 图片格式转换 | 重新编码会丢 EXIF |
顺序建议：先确认文件类型，再选工具。 加密的先解除保护，扫描件先想清楚要不要 OCR，截图先确认分辨率够不够打印。
#常见问题
#图片转 PDF 后文字变模糊了，能避免吗？
有轻微损失，因为工具会先把图片转成 JPEG（质量 0.92）再嵌入。要尽量保留清晰度，选「原图尺寸」而不是 A4 —— A4 会等比缩放，小图放大、大图缩小，缩放的插值本身也会损失。另外源图分辨率决定了上限，低分辨率的截图放大只会更糊。
#为什么合并时我的 PDF 被跳过了？
它带打开密码。加密 PDF 的内容流仍是密文，强行复制会产出打不开的文件，所以工具选择跳过并在结果里注明个数。用原始密码解除保护后再合并。
#扫描件能不能直接搜索文字？
不能，除非做过 OCR。扫描件在 PDF 里是一张整页图片，没有任何字符信息，所以搜索、复制、编辑都无从下手。OCR 属于文字识别，不改变文件格式，识别结果需要校对。
#拆分后体积为什么不是原来的几分之一？
因为拆分不重新压缩，提取出来的页面原样复制，仍然引用文件里的共享资源（字体、图片）。所以体积取决于被提取页面实际引用多少内容，而不是页数比例。
#手机拍的文件算扫描件吗？
从处理角度看算 —— 本质都是一张图片放进 PDF，没有文字层。区别在质量：手机拍的文件容易有透视变形、阴影和光照不均，OCR 识别率明显低于平板扫描仪。