PDF保护功能使用指南

本指南说明如何使用PDF保护功能来防止文本复制和OCR识别。

功能说明

PDF保护功能通过以下方式保护PDF：

1. 防止直接复制文本：将PDF页面转换为图像，文本不再是可选择的文本层
2. 防止OCR识别：可以添加噪声和干扰模式，使OCR工具难以识别

快速开始

基本保护（转换为图像）

# 单个章节
bubble-convert 11 --protect

# 所有章节
bubble-convert --protect

高级保护（添加噪声和干扰模式）

# 添加噪声
bubble-convert 11 --protect --protect-noise

# 添加干扰模式
bubble-convert 11 --protect --protect-pattern

# 最大保护（噪声+干扰模式）
bubble-convert 11 --protect --protect-noise --protect-pattern

高质量保护

# 使用更高DPI（更清晰但文件更大）
bubble-convert 11 --protect --protect-dpi 400

选项说明

保护选项

• --protect: 启用PDF保护（将文本转换为图像）
• --protect-dpi DPI: 设置图像DPI（默认：300，越高质量越好但文件越大）
• --protect-noise: 添加细微噪声使OCR更困难
• --protect-pattern: 添加反OCR干扰模式（细微线条）

性能优化选项（高级）

• --protect-batch-size N: 每批处理的页数（默认：自动检测）
• --protect-max-batches N: 最大并发批次数（默认：自动检测）
• --protect-workers N: 图像处理worker数量（默认：自动检测）
• --protect-pdf-threads N: PDF转图像时的线程数（默认：自动检测）

建议：大多数情况下使用默认自动检测即可，脚本会根据你的系统自动优化。

使用示例

示例1：基本保护

bubble-convert 1 --protect

- 将PDF转换为图像 - 防止直接复制文本 - 文件大小会增加（因为图像比文本大）

示例2：高质量保护

bubble-convert 1 --protect --protect-dpi 400

- 使用400 DPI（更清晰） - 适合需要高质量输出的情况 - 文件会更大

示例3：最大保护

bubble-convert 1 --protect --protect-noise --protect-pattern

- 转换为图像 - 添加噪声干扰 - 添加干扰模式 - 最大程度防止OCR

示例4：保护+水印

bubble-convert 1 --protect --watermark "DRAFT"

- 同时应用保护和水印 - 双重保护

系统要求

PDF保护功能需要以下依赖：

# Python包
pip install pdf2image pillow reportlab numpy

# 系统依赖（poppler-utils）
sudo apt-get install poppler-utils

工作原理

1. PDF转图像：使用pdf2image将PDF每一页转换为高分辨率图像
2. 图像处理（可选）：
3. 添加噪声：在图像上添加随机噪声
4. 添加干扰模式：添加细微的线条模式
5. 图像转PDF：将处理后的图像重新组合成PDF

性能影响

• 处理时间：每页约1-3秒（取决于DPI和页面复杂度）
• 批次并行处理：脚本自动检测系统资源，使用批次并行处理，充分利用多核CPU
• 自动优化：根据CPU核心数和内存自动配置批次大小和并发数
• 可以通过 --protect-batch-size 和 --protect-max-batches 手动调整
• 内存使用：
• 自动控制：通过批次处理控制内存使用，避免一次性加载所有页面
• 32核系统：从45GB+降低到4-8GB（约80-90%的内存节省）
• 智能分配：根据系统内存自动计算最优批次大小
• 文件大小：会增加2-5倍（因为图像比文本大）
• 质量：使用300 DPI时，视觉质量与原始PDF几乎相同

自动检测和优化

PDF保护脚本现在支持自动检测系统资源并优化配置：

自动检测功能

• CPU核心数：自动检测并使用60-75%的可用核心
• 内存大小：自动检测系统总内存并计算最优批次大小
• 批次处理：自动将PDF页面分成批次并行处理
• 内存控制：限制内存使用，防止系统过载

自动配置示例

# 完全自动（推荐）- 脚本会自动检测并优化
bubble-build --protect

# 对于32核系统，脚本会自动：
# - 使用约24个并发批次（75%的CPU核心）
# - 批次大小：10-30页/批次
# - 预估内存：4-8GB（而不是45GB+）

系统资源检测

脚本会自动显示检测到的系统资源：

🖥️  System resources detected:
   CPU cores: 32
   Total memory: 64.0 GB
   Auto-configured: batch_size=20, max_concurrent_batches=24

不同系统的自动配置

32+核 + 64+GB内存： - 批次大小：10-30页 - 并发批次：最多24个（使用75%的CPU核心） - 每批内存：最多2GB

16+核 + 32+GB内存： - 批次大小：8-25页 - 并发批次：最多22个（使用70%的CPU核心） - 每批内存：最多1.5GB

其他系统： - 根据CPU和内存自动调整

并行处理

PDF保护脚本使用批次并行处理，可以显著加速处理并控制内存使用：

# 使用自动检测（推荐）
bubble-build --protect

# 手动指定批次大小和并发数
bubble-build --protect --protect-batch-size 20 --protect-max-batches 24

# 直接使用脚本
python3 scripts/protect_pdf.py input.pdf output.pdf

批次处理优势

• 内存控制：分批处理避免一次性加载所有页面
• 并行加速：多个批次同时处理，充分利用多核CPU
• 动态调整：根据系统资源自动优化配置

性能提升： - 串行处理：100页约需5-10分钟，内存45GB+ - 批次并行处理（24 workers）：100页约需1-2分钟，内存4-8GB - 加速比：约4-5倍（取决于CPU核心数） - 内存节省：约80-90%（通过批次处理）

注意事项

⚠️ 重要提示：

1. 文件大小：保护后的PDF文件会显著增大（因为图像比文本大）
2. 处理时间：保护过程需要额外时间，特别是大文件
3. 质量平衡：DPI越高质量越好，但文件也越大
4. 不可逆：保护后的PDF无法恢复为可编辑文本
5. 建议：保留原始PDF作为备份

最佳实践

1. 开发阶段：不使用保护，保持文件小且处理快
2. 发布阶段：使用保护，防止未授权复制
3. DPI选择：
4. 300 DPI：平衡质量和大小（推荐）
5. 400+ DPI：高质量输出（文件较大）
6. 200 DPI：文件较小但可能影响清晰度

与单独脚本使用

你也可以直接使用保护脚本：

# 保护已生成的PDF
python3 scripts/protect_pdf.py input.pdf output.pdf

# 带选项
python3 scripts/protect_pdf.py input.pdf output.pdf \
  --dpi 300 --noise --pattern

常见问题

Q: 保护后文件太大怎么办？ A: 降低DPI（如使用--protect-dpi 250）或只保护关键章节

Q: 保护会影响打印质量吗？ A: 使用300+ DPI时，打印质量与原始PDF相同

Q: 可以同时使用水印和保护吗？ A: 可以，两者可以同时使用，提供双重保护

Q: 保护是100%安全的吗？ A: 没有绝对安全，但可以显著增加复制和OCR的难度

Q: 自动检测是如何工作的？ A: 脚本会自动检测CPU核心数和系统内存，然后计算最优的批次大小和并发批次数。对于32核系统，会自动使用约24个并发批次，显著提升处理速度并控制内存使用。

Q: 我可以覆盖自动检测的配置吗？ A: 可以，使用 --protect-batch-size 和 --protect-max-batches 参数可以手动指定配置。但建议先使用自动检测，通常已经是最优配置。

Q: 为什么内存使用从45GB降到了4-8GB？ A: 通过批次处理，不再一次性加载所有PDF页面到内存。而是分批处理，每批处理完成后释放内存，从而大幅降低峰值内存使用。