Compressão sem perdas

Compressão sem perdas é reversível: ao descomprimir, os dados voltam exatamente como eram. Ela procura repetições e as descreve de forma mais curta. Em um exemplo simples, uma sequência de dez letras “A” pode ser guardada como “10 vezes A” (técnica chamada de codificação por repetição), e ao descomprimir os dez “A” reaparecem onde estavam.

Para texto, código, planilhas e documentos em geral, só faz sentido compressão sem perdas: se um byte mudar, o conteúdo muda.

Como funciona

O algoritmo DEFLATE, descrito na RFC 1951, combina duas ideias: o algoritmo LZ77 e a codificação de Huffman. Ele é usado no ZIP, no PNG e, com o nome de FlateDecode (zlib/deflate), em fluxos de dados do PDF.

O LZ77 troca sequências repetidas por referências a trechos anteriores, que podem estar até 32 KB para trás. A codificação de Huffman atribui códigos curtos aos símbolos mais frequentes e códigos longos aos mais raros.

O ganho depende do conteúdo. Dados com muita repetição, como texto, comprimem bem. Dados que já foram comprimidos, como um JPEG ou um vídeo MP4, quase não têm redundância sobrando, e comprimir de novo rende pouco: nenhum método sem perdas consegue reduzir todos os dados possíveis, e arquivos já comprimidos estão entre os que menos encolhem.

Na prática

A especificação do PDF prevê filtros sem perdas como o FlateDecode e o LZW para os fluxos de dados. Em um PDF gerado a partir de um editor de texto (com texto e gráficos vetoriais), o conteúdo pode já estar comprimido por eles, e comprimir de novo tende a render pouco.

Um PDF digitalizado é diferente: o conteúdo são imagens, e o tamanho depende da resolução, da cor e do tipo de compressão das imagens. Para reduzir muito esse tipo de arquivo, o caminho normalmente passa por compressão com perdas ou por diminuir o DPI.

Para saber qual é o seu caso, tente selecionar uma palavra no PDF. Se o texto seleciona, ele tem camada de texto. Se não seleciona, é imagem, e o OCR é o passo que cria a camada de texto.

Onde ela é exigida

O Anexo I do Decreto 10.278/2020, que fixa os padrões técnicos mínimos para digitalização de documentos, determina que, se o arquivo digitalizado for comprimido, a compressão seja sem perda, de modo que a informação após a descompressão seja idêntica à de antes. As diretrizes do FADGI, para digitalização de acervos, dizem que a melhor prática é que os arquivos mestre sejam sem perdas.

No FacilPDF, a ferramenta de comprimir PDF reduz imagens com perdas (recompressão JPEG), então não serve quando o documento precisa seguir esse tipo de exigência. O tutorial de reduzir tamanho de PDF traz outras saídas.