¿Por qué mi PDF pesa tanto?

Dos PDF con el mismo número de páginas pueden diferir en peso por un factor de mil. Nuestro archivo de prueba más pesado tenía 5,9 MB por página y el más ligero menos de 5 KB por página, y ambos eran documentos corrientes. La diferencia siempre está en lo que lleva el archivo, y normalmente puedes saber en pocos segundos qué tipo de archivo tienes.

Qué hay dentro de un PDF

Un PDF es un contenedor. Para cada página guarda una lista de instrucciones de dibujo (pon este texto aquí con esta fuente, traza una línea allá, coloca esta imagen) y lo que esas instrucciones usan: fuentes e imágenes. Todo lo demás, como la lista de páginas, los marcadores y el índice al final del archivo, suele ser pequeño.

Escribimos un pequeño script que recorre cada objeto de un PDF y suma los bytes de cada tipo, y lo ejecutamos con cinco archivos.

Causa 1: fotos a la resolución de la cámara

El folleto son 8 páginas de texto con cuatro fotos, cada una pegada directamente desde una cámara. Es lo que pasa cuando arrastras una foto a la mayoría de los editores de documentos: el programa conserva cada píxel, aunque la foto se muestre del tamaño de una postal.

Cada foto se muestra a 6,6 pulgadas de ancho. A 150 píxeles por pulgada, de sobra para una pantalla o una impresora de oficina, eso son unos 1000 píxeles de ancho. Las fotos tenían unos 6000, así que llevaban 36 veces más píxeles de los que la página puede mostrar. Remuestreadas a 150 ppp con nuestro compresor de PDF, las cuatro fotos ocuparon menos de 280 KB juntas, y el folleto completo pasó de 47,3 MB a 287 KB.

Causa 2: los escaneos

Un documento escaneado no tiene texto alguno, solo una imagen por página. Nuestro escaneo de un informe de 10 páginas, a 300 ppp en color, llegó a 9,4 MB, o 961 KB por página. El mismo informe guardado como PDF normal pesó 47 KB, unas 200 veces menos, porque el texto se guarda como caracteres y no como millones de píxeles.

La mayoría de los escáneres y apps de escaneo usan 300 ppp por defecto, lo correcto para archivos e impresión, pero más de lo que necesita una pantalla. Reducido a 150 ppp, el escaneo pesó 2,2 MB y el texto se leía igual de bien. Hay primeros planos de cada ajuste en nuestra prueba de compresión. Si escaneas documentos a menudo, configurar el escáner a 150 o 200 ppp te ahorra el paso.

Un escaneo tampoco permite buscar ni copiar texto. Si necesitas las palabras, el OCR las lee y añade una capa de texto invisible, así que las páginas se ven igual pero el texto se puede seleccionar.

Causa 3: fuentes incrustadas completas

El informe son 11 páginas de texto sencillo con títulos y sin imágenes, y aun así pesa 745 KB. El 89 % de eso son dos fuentes, Georgia para el texto y Arial Bold para los títulos, incrustadas completas. Un archivo de fuente contiene cada carácter que admite, a menudo miles para decenas de idiomas. Arial Bold en Windows 11 es un archivo de 967 KB por sí solo, y aquí dibuja un puñado de títulos.

La mayoría de los programas evitan esto incrustando un subconjunto: solo los caracteres que usa el documento. Un subconjunto suele pesar unas decenas de kilobytes. Cuando un PDF que es solo texto pesa inesperadamente mucho, lo más probable es que las fuentes se incrustaran completas.

Un compresor no puede arreglar esto sin cambiar el aspecto del texto, por eso el nuestro deja las fuentes en paz. La solución está en el origen: vuelve a exportar el documento con el subconjunto de fuentes activado (el valor por defecto en Word, LibreOffice y la impresión a PDF de los navegadores), o elige una fuente estándar.

Causa 4: dibujos y extras ocultos

Nuestro quinto archivo es un artículo de investigación de 14 páginas con gráficos y diagramas, el que Mozilla usa como demostración de pdf.js. Es el más equilibrado de los cinco: 49 % de contenido de las páginas, sobre todo las instrucciones de dibujo de sus gráficos, 10 % de imágenes, 9 % de fuentes y el resto estructura. Con 993 KB es un PDF bien hecho, y hay poco que cualquier herramienta pudiera quitar.

Los dibujos vectoriales suelen ser pequeños, pero hay excepciones. Los mapas, los planos de edificios y los gráficos con cientos de miles de puntos pueden hacer que el contenido de las páginas sea la parte más grande de un archivo. Si un archivo así pesa demasiado, una exportación más sencilla desde el programa que lo creó suele funcionar mejor que un compresor.

Algunas otras cosas añaden peso sin verse en ninguna página:

• Cambios guardados encima del archivo. El formato PDF permite a un programa añadir los cambios al final de un archivo en lugar de reescribirlo, así que cada versión anterior queda dentro. Guardar una copia nueva, o pasar el archivo por una herramienta que lo reescriba, las elimina.
• Adjuntos. Un PDF puede llevar otros archivos, como hojas de cálculo o documentos de origen, listados en el panel de adjuntos del visor.
• La misma imagen guardada muchas veces. Un logotipo en cada página debería guardarse una sola vez, pero algunos programas guardan una copia por página.

Cómo saber qué hay en tu PDF

No necesitas un script. Tres comprobaciones rápidas acotan la causa:

1. Divide el peso por el número de páginas. Unas decenas de KB por página es normal para texto. Varios cientos de KB o más por página indica imágenes o escaneos.
2. Intenta seleccionar una frase. Si no puedes, cada página es una imagen: un escaneo o un archivo aplanado.
3. Haz zoom al 400 % en una foto. Si sigue nítida mucho más allá de lo que necesita la página, las fotos están a resolución completa y comprimirlas ayudará mucho.

Si el peso por página es pequeño y el texto se selecciona con normalidad, probablemente el archivo está bien así. Si aun así pesa demasiado para un límite de subida, dividirlo en partes suele ser la única opción real.

Qué hacer con cada causa