PDF 拆页与页面顺序：几个反直觉的细节

很多人以为 PDF 里的页面是像 Word 那样从头排到尾的。不是。

PDF 的页面组织在一个叫页面树（page tree）的结构里，每个页面对象存的是「内容流画什么、用什么资源」，而页面在文档里的先后顺序由树节点上的 /Kids 数组决定。这意味着两件事：

1. 调整顺序不改动内容。把第 5 页拖到第 1 位，改的只是树里的引用顺序，页面里的文字一个字节都没动。
2. 删掉一页不等于删掉它的资源。字体、图片这些资源可能被多个页面共享，只要还有一页在用，它就得留在文件里。

这两点解释了后面几乎所有的「奇怪现象」。

拆分之后，总体积为什么反而变大了

一份 100 页、20MB 的 PDF，按每页一个文件拆开，合起来常常有 40MB 甚至更多。

原因是共享资源被复制了。原文件里同一套字体只存一份，所有页都引用它；拆成 100 个文件后，每个文件都得自带一份。扫描件更明显：每页本来就是独立的大图，拆分不会涨太多，但电子文档（一套中文字体动辄 10MB）一拆就膨胀。

这不算 bug，是文件格式的必然。要控制体积，拆分后再对单个文件做压缩处理，而不是指望拆分本身省空间。

旋转改的是「看的角度」，不是「内容方向」

PDF 页面有一个 /Rotate 属性（0 / 90 / 180 / 270），表示「显示时转多少度」。旋转一页只是改这个数字。

于是出现两种完全不同的「转正」：

做法	结果
改 /Rotate	看起来正了，但页面内容流里的坐标没变。用别的工具提取文字，可能还是横的
真正重排内容	文字变成了竖向书写，看上去一样，实际是另一份内容

绝大多数工具做的是第一种。日常看没问题，但如果拿去做 OCR 或者被下游系统解析，方向可能又变回去。

判断题：旋转后选中文字复制，粘出来是不是正的。如果粘出来还是横的，说明只改了 /Rotate。

扫描件的页码对不上，是因为有两个「页码」

一份带封面的合同，物理上第 3 页是正文第 1 页。于是「转到第 12 页」这句话有两层意思：

• 物理页序（PDF 阅读器显示的 12/50）
• 文档里印的页码（「- 12 -」）

拆分、打印指定页、引用条款时，说清楚用哪一套。给同事发「第 12 页」而对方翻到的是封面那套序号，是最常见的沟通事故。

拆分方式的选择

需求	做法
每页一个文件	按页拆。适合发票、单据归档
按区间拆成几段	指定首页和末页。适合把一本合集拆成章节
只留其中几页	删掉不要的页，剩下的另存。比拆分再合并简单
相邻两页拼成一页	属于「版面重排」，多数工具做不到，需要打印成小册子模式

站内的 PDF 页面整理 处理的就是这一层：预览缩略图、拖动排序、旋转、删除、按区间导出。它的定位是「不动内容，只动页面组织」，正好对应上面说的页面树操作 —— 所以它不会降低画质，也不会重排文字。

如果目标是把多张照片打包成一份 PDF（比如报销单、证件照），那是另一件事，用 PDF 工具箱 里的「图片转 PDF」；同一处还有加密解密、加水印、加页码、改元数据。

加密和权限会挡住拆分

加密的 PDF 分两种：

• 打开密码：没有密码连内容都看不到
• 权限密码：能看，但不能复制、不能打印、不能改

第二种最容易被误解成「文件坏了」—— 页面显示正常，工具却报错。遇到拆不开的 PDF，先确认它是不是被设了权限限制。有权限密码的文件，正规工具不会绕过它，需要文件提供方给未加密版本。

提取文本和 OCR 不是一回事

拆完页，下一步常常是要里面的文字。这里有个分水岭：

• 文件本身有文字层（Word 导出、排版软件导出）→ 直接提取，快且准
• 文件是扫描件（拍照、复印机扫的）→ 里面只有图片，必须走 OCR

判断方法：在阅读器里试着选中一段文字。选不中，就是扫描件。

PDF 文本提取 走的是第一条路，速度快、保留原有段落；扫描件要识别文字，得用 图片转文字（OCR），把页导出成图再识别。

落地建议

1. 拆分前先看页面树：缩略图顺序就是最终顺序，别信文件名。
2. 要交出去的文件，旋转后检查一次文字方向，别只信眼睛。
3. 给文件命名带页区间，比如 合同-正文-p12-18.pdf，避免「页码」歧义。
4. 不要指望拆分压缩体积，共享资源会复制。
5. 拆不开先怀疑权限密码，再怀疑文件损坏。

PDF 的结构决定了它能做的事：页面可以任意重排、旋转、增删，但文字和版式是一个整体，改字就是重排。这条边界在另一篇讲 PDF 为什么改不了文字里说得更细。