pdf-optimize

name	pdf-optimize
description	Guide for processing scanned textbook PDFs with tools/pdf_optimize (pdfopt) — ad removal before rasterization, MRC/JBIG2 compression for size limits, OCR text layer decisions, and when NOT to re-encode. Use when cleaning, compressing, or OCR-ing PDFs under tools/pdf_optimize, or before uploading textbook PDFs to the site.

pdfopt — 扫描版 PDF 处理

工具在 tools/pdf_optimize/，CLI 入口 ./pdfopt.sh。把扫描版教材压到体积上限、让文字更清晰、附可搜中文文本层；也覆盖只清广告不动像素的路径。

实测 626 页医学教材：584MB → 45MB（13×），文字 300 DPI，彩色图区原样保留。

动手前先读对应的那一份

你要做的事	读这个
装依赖、跑 probe/run/verify	setup-and-usage.md
压体积、调 --dpi / --photo-* / --mode	compression.md
去广告、水印、超星信息页（必须在 run 之前）	ad-removal.md
要不要 --ocr、已有文本层怎么处理	ocr.md
产物校验、输出路径、勿提交大文件	integrity.md

不确定从哪开始：先 ./pdfopt.sh probe 某.pdf，再对照上表。

决策顺序（别跳步）

1. probe — 页数、原生 DPI、有没有文本层、该用哪个 --mode。
2. 查广告 — 见 ad-removal.md。有二次加工痕迹就先清副本；栅格化会把广告烧进像素。
3. 决定要不要 run — 文件已经很小、或 probe 推荐 color 且体积可接受 → 可能只需第 2 步（普通地质学：150 DPI / 50MB，只清广告）。
4. 已有文本层时 — 见 ocr.md 用书签算召回率；70% 以上别重做 OCR。
5. run → verify — 见 setup-and-usage.md、integrity.md。

三条铁律

一、广告必须在 run 之前清。 pdfopt 会栅格化整页，之后广告摘不出来。

二、别假设字一定烧进像素。 封面红字网盘链接可以是 PDF 文本对象（0 Tr 可见块），删内容流即可，图像流一个字节不动。

三、已有 Acrobat OCR 层时，重做常常是倒退。 150 DPI 源图上采样到 300 DPI 喂 tesseract 不会增加信息。标题页错得离谱的可以手工重打几行，正文层别整本替换。

收录到站点时

清完/压完的 PDF 由维护者上传拿 filekey；文档条目格式见 .agents/skills/cqu-openlib-docs/。ISBN 和出版社以书上印的为准，不要照抄流传文件名。