PDG转PDF注定会文件膨胀、质量下降吗？[转贴]

electronic

作者：马健
邮箱：stronghorse@tom.com
主页：http://stronghorse.yeah.net
发布：2006.07.16
  m1 \- F/ K7 b  p% S6 }更新：2006.07.20
$ \# m8 Q. Y' ?/ A+ ~* i( R
8 c, e% r4 N# R! G事先声明：

PDG文件是超星公司电子图书的专有格式，需要用超星公司的专用浏览器才能阅读。本文讨论PDG转PDF的方法，仅出于技术研究目的，并无意对超星公司的版权进行任何形式的侵犯，也不希望任何人用本文讨论的工具或方法从事侵权活动。如果需要浏览PDG电子书，请通过购买点卡等方式，以合法的途径获得。本文 认为用户通过合法的手段获得PDG文件，只是由于希望能够在比超星浏览器更好、更方便的浏览器上阅读，并且不对转换出来的文件进行扩散的情况下，才需要将PDG文件转换成PDF文件。
1 j: A" v' z; U( A8 ~& K- T9 f本文所说PDG，是指最常见的纯图像格式PDG文件，不包括罕见的文本、PDF、HTML等格式的PDG文件。
对于标题所提问题，我的回答是：大多数情况下转换后文件长度应该相当，略有增加或减少，质量应该保持不变。如果文件长度、画面质量差很多，多半是用错了方法或软件。本文将说明理由。

4 Y+ Y1 {5 ?8 ?; F* b注意在上面的回答中我使用了“大多数”等表示概率的词汇，因此在讨论答案之前，需要先对PDG文件格式进行分类，并估计每种PDG文件出现的可能性。
) P" g  G/ v3 S( J- h! Z. z
* e3 ?2 F. d" m1 I0 O$ y3 L* p- ]目前比较流行的分类方法是按照PDG文件第16字节分类，通常PDG文件格式检查软件都是按照这个字节的16进制报告文件类型，如00H、02H、03H、04H、05H、10H、11H、AAH、ACH、64H、66H等等。由于这种分类法分出来的类型较多（理论上有256种），所以通常也按字节高4位进行归类，简称0xH、1xH、AxH、6xH等。
0 t( \; `2 m: e8 c; m
这种分类方法可以表示出PDG文件的加密特征：
2 t9 t4 j# H2 O% ^9 y- `
( I- I6 T/ b8 I/ U% `/ }00H是最早，也是最原始的PDG格式，其格式为：PDG文件头＋原始图像数据流。原始图像数据流包括CCITT G4（黑白图像）、JPG（彩色/灰度）、DjVu（黑白/彩色/灰度）。在超星服务器上，这种格式的文件已经非常少见，但是由于这种格式阅读的时候不需要解密，因此阅读 时的速度感觉比其它格式的要快，所以也有人用第三方软件自己将其它格式转换成00H格式。
, _: ?' ?8 @! x3 a0xH是对00H的弱加密格式，通常02H、03H用来加密CCITT G4图像，04H加密JPG，05加密DjVu。顺便说一句，可能是为了尽量减小文件长度，超星在压制DjVu时，用的都是有损压缩，可能会对汉字笔划造成损伤，这也是为什么经常听到有人说05H不如02H清晰的原因之一。
1xH是比0xH更强的加密，加密方法不再与原始图像格式对应，如11H可以加密CCITT G4，也可以加密JPG、DjVu。
AxH的加密强度比1xH更强，加密方法也不与原始图像格式对应。正版超星浏览器如果下载到AxH格式的PDG，会将其完全破坏后变成FFH格式的PDG。
/ C. x4 n) G! R$ P: ?# l6xH是正版超星浏览器从服务器下载到PDG文件后在本地加密生成的文件。由于6xH加密使用了本地硬盘“指纹”，因此只能在下载的机器上看，换一台就不能看。
但是加密方法毕竟是超星自己的事，用这种分类方法往PDF格式上套未免有点难。所以我更愿意用另一种分类标准：超星浏览器自带的Pdg2控件的GetImageType方法的返回值。这个方法通常返回1、2、3，在Pdg2Pic中分别用T1、T2、T3表示，即Type1、Type2、Typ3的意思，分别对应三种图像：

2 ~! a. K7 t4 a* DT1：黑白图像，原始图像格式为CCITT G4或DjVu。
: f9 k# d+ \: s- o+ @  `! rT2：灰度/彩色图像，原始图像格式为JPG或DjVu。可能超星觉得扫描时区别灰度、彩色太麻烦了，所以灰度图像一律按彩色存储，这 也是国内扫描外包商的通常做法，但是对技术较真的客户一般会要求外包商举行区别。
T3：多层图像，底层黑白文字层通常用CCITT G4，上层插图用JPG。我猜测这种类型应该是在DjVu基础上发展出来的，符合“按需存储”的原则：对于重要的文字层使用无损压缩，对于相对不重要的插图则用有损压缩存储。
从出现的概率来说，这三种格式按从高到低排列依次是T1、T3、T2：
: F" E, d% D+ f
0 k2 H' h7 ]  V' X9 X% X最常见的格式还是T1，毕竟大多数书籍都是白纸黑字。
4 D2 c. B# o# }4 d6 V8 E0 F! oT3出现的概率比T1小，一般用于图文混排的插图页，或某些彩印书籍。
# H& y. ]7 A. U6 AT2出现的概率最小，毕竟除了封面和某些特殊书籍外，整页都是图的情况在一本书里也不会有几页，而封面、封底还有很大一部分直接用JPG文件存储。
1 L$ w6 I- a( Z在转换成PDF时，正常情况下这三种格式与PDF中压缩算法的对应关系为：
( L+ T5 M% w- }3 O/ _  J. J0 w
9 i1 o  B: v. L+ w3 ~+ ~T1：CCITT G4或JBig2。
T2：JPEG或JPEG 2000。
1 x3 w: |/ c1 u: g# ~" d8 p& WT3：这个比较复杂，取决于转换软件：可以转换成多层PDF，也可以将PDG中的所有层合并成一个图像再放入PDF。
' R$ e' \4 J1 K& i. b如果T1原始图像是CCITT G4，转换成PDF的CCITT G4后文件尺寸会略有膨胀，因为PDF文件本身要增加一些必要的格式信息；如果转换成PDF的JBig2，通常文件尺寸不会增加，只会减少，毕竟JBig2的压缩算法要比CCITT G4更先进。

, V+ x( X6 G( j2 ?, x2 o4 n如果T1原始图像是DjVu，转换成PDF的CCITT G4后文件无疑将会膨胀；转换成JBig2则取决于是有损JBig2还是无损JBig2。理论上说，DjVu对黑白图像的压缩能力与JBig2相当，但由于超星用的全是有损DjVu，因此转换成PDF时只有选有损JBig2才能保持二者尺寸 大致相当，选无损JBig2则会造成文件膨胀。由于有损压缩会对汉字笔划造成损伤，因此我宁愿文件长度膨胀，也不愿选择有损。
) V0 |# a/ c6 {* M
0 ]; E, Y: b* Q  [* E! A! V, ]如果T2原始格式是JPG，转换结果取决于转换软件：如果转换软件能够直接从PDG文件中提取原始JPG数据流嵌入PDF，则PDF文件只会略有膨胀 ，质量不变；如果转换软件非要把PDG先解码成BMP再压缩成JPG或JPEG 2000放到PDF里，文件长度可能增加也可能减小，取决于所选的压缩比，但是在缺省的压缩比下，质量下降是注定了的。
) }  a/ b9 v7 y% X8 x$ I& A4 K1 [1 e
如果T2原始格式是DjVu，用于目前的PDF规范不支持DjVu（不排除将来会支持），因此只能将DjVu先解码成BMP再压缩成JPG或JPEG 2000放到PDF里，文件长度可能增加也可能减小，质量多半会下降。
8 x& Z6 g1 b5 b' Y- w5 }# c: ]
! B6 b4 M; e( N5 l5 {对于T3，如果转换软件能够直接从PDG文件中提取原始JPG数据流嵌入PDF文件，并且用无损JBig2压缩原CCITT G4图像，则PDF文件尺寸会减小，同时质量不变；如果转换软件非要把多层合并成一层，再压缩成JPG或JPEG 2000放到PDF里，通常文件长度会增加，质量会下降：JPG或JPEG 2000都不适合压缩文字图像。
& l5 D( B  m4 O, v
综上所述，从原理上说，对于最常见的黑白PDG，转换成PDF后应该长度略有减少，质量保持不变；对于带插图的多层PDG，转换成PDF后应该长度略有减少，质量保持不变；对于纯图像页面的PDG，转换后长度可能略有增加而质量不变，也可能长度、质量都有较大变化，但是这种页面毕竟不多。

. J3 T" c5 U7 P% R0 s8 j现在各位明白我在本文开始部分给出的回答的含义了吧？
1 P( B8 A, s. ~! o0 T  M) s
. B. t6 ]7 q, u5 G在明白的同时，我相信也会有人合理地引伸出另外一个问题：为什么现在大家看到从PDG转出来的PDF，会和原始PDG差那么多？
  q. W- s/ g* o3 i
我认为这方面最大的罪魁祸首就是广为流传的“打印大法”：将PDG文件直接从超星浏览器打印到虚拟PDF打印机。这种方法的制约因素我已经在《PDG转图像、PDF的若干方法》一文中加以说明，对转换出来的PDF举行分析所需的工具和方法，也在《图像转PDF的问题、方法及题外话》一文中详细说明，喜欢较真的人不妨自己验证，这里我只说我的结论：只要用打印的方法，不论如何石皮解、如何发现新的突破方法，打出来的PDF文件膨胀、质量下降那是注定了的，想改都难，更何况还会受到软件方面的种种限制 ，所以奉劝各位还是趁早放弃。
- j! C3 S! J3 f7 p
另外一种所谓“利用中间BMP”的转换方法也会产生问题：有人先用BooX Viewer或其它软件将PDG转换成BMP，再用Acrobat或其它软件将BMP转换成PDF。这种方法只能将T1图像无损转换成PDF；对于T2、T3，由于很难将BMP图像无损存入PDF（那样尺寸膨胀太过厉害），只能再压缩成JPG或JPEG 2000后存入PDF，因此质量下降、尺寸膨胀等问题是免不了的。

4 o. X# C' b! b6 [5 H4 _那么什么样的方法才是正确的转换方法呢？

我的回答是：条条大道通罗马，只要抛弃表层皮毛的束缚，直接深入到文件格式内部，就可以找到好的方法。就我自己来说，最常用的组合是Pdg2Pic＋FreePic2Pdf：
% o) N2 l* O& o( q
先用Pdg2Pic将PDG直接解码成常规图像文件。能够将PDG转图像的软件不少，但是Pdg2Pic对除彩色/灰度DjVu外的图像都能无损转换，尤其是对多层PDG的无损分解，目前是独一无二的。
再用FreePic2Pdf将Pdg2Pic的结果合并成PDF，黑白图像用缺省的Jbig2无损就好。

norika

但是现在超星好像也变聪明了，以前书可以下载到机子上，用onetwo传的哪个先转图片，再转PDF的方法是可以。现在有的书好像已经不能下载到机子上，只能在线看了，在这种情况下怎么办呢？