Что такое DjVu: формат, который сжимает сканы книг лучше PDF

Что такое DjVu простыми словами

DjVu (произносится «дежа-вю», от французского déjà vu) — это формат для хранения отсканированных документов: книг, журналов, старых учебников, чертежей. Его единственная цель — сделать так, чтобы скан бумажной страницы занимал как можно меньше места, но при этом оставался читаемым.

Если PDF — это универсальный «контейнер на все случаи жизни» (текст, вёрстка, формы, подписи), то DjVu — узкий специалист. Он не умеет почти ничего, кроме одного: показывать сканы. Зато делает это так, что страница книги в нём часто весит в 5–10 раз меньше, чем тот же скан, сохранённый в обычном PDF или в виде JPEG.

Откуда взялся формат: учёные из AT&T Labs

DjVu появился не в недрах какой-то корпорации ради коммерции, а в исследовательской лаборатории. Его разработали в AT&T Labs в городе Ред-Банк, штат Нью-Джерси, с 1996 по 2001 год. Среди авторов — учёные, чьи имена сегодня знает весь мир искусственного интеллекта: Янн ЛеКун и Йошуа Бенжио (оба позже получили премию Тьюринга), а также Леон Ботту, Патрик Хаффнер и другие.

Задача стояла очень конкретная для своего времени. На дворе конец 1990-х, широкополосного интернета почти ни у кого нет, страницы грузятся по модему. А оцифровать хочется целые библиотеки. Скан книжной страницы в хорошем качестве (это называют разрешением — например, 300–600 точек на дюйм, или DPI) в формате JPEG весил сотни килобайт — выкладывать такое в сеть было мучительно. Нужен был формат, который ужмёт скан в десятки раз, не превратив текст в кашу.

Главная идея: три слоя одной страницы

Вот в чём гениальность DjVu. Авторы заметили простую вещь: на странице книги соседствуют две совершенно разные «сущности». Есть чёткий чёрный текст — острые края, всего два цвета. И есть фон — желтоватая бумага, иллюстрации, пятна, плавные переходы цвета. Сжимать их одним алгоритмом — ошибка: то, что хорошо для текста, плохо для фотографии, и наоборот.

Поэтому DjVu при кодировании разбирает каждую страницу на три слоя:

• Маска (mask) — чёрно-белый слой высокого разрешения (например, 300 DPI). Здесь живёт текст: острые контуры букв, которые должны остаться идеально резкими.
• Передний план (foreground) — цвет самих букв, обычно в низком разрешении. Цвет шрифта меняется плавно, ему не нужна высокая детализация.
• Фон (background) — цвет бумаги и иллюстрации, тоже в низком разрешении (около 100 DPI). Глаз всё равно не замечает мелких деталей фона за текстом.

Дальше каждый слой сжимается своим алгоритмом, идеально подходящим под его природу. Резкий текст — одним, размытый фон — другим. Именно это разделение и есть источник магии маленького размера.

JB2 и IW44: как достигается крошечный размер

За сжатие отвечают два разных кодека — по одному на тип содержимого.

JB2 сжимает чёрно-белую маску с текстом (это родственник стандарта JBIG2). Его трюк остроумен: алгоритм находит на странице повторяющиеся фигуры — например, все буквы «а» в одном шрифте и кегле выглядят почти одинаково. Вместо того чтобы хранить тысячу отдельных «а», JB2 сохраняет форму буквы один раз, а потом просто записывает: «вот здесь стоит „а“, и здесь, и здесь». Текст — это бесконечное повторение одних и тех же знаков, поэтому экономия колоссальная.

IW44 — это второй способ сжатия, он отвечает за цветной фон и цвет букв. Он специально придуман для плавных, размытых картинок: убирает мелочи, которые глаз всё равно не различит, и почти не «съедает» качество там, где это важно. Поскольку фон хранится в низком разрешении, он сжимается до сущих крох.

OCR-слой: картинка, в которой можно искать

На первый взгляд DjVu — это просто набор картинок-страниц. Но у формата есть приятная суперспособность: скрытый текстовый слой. Когда книгу оцифровывают, программа распознавания текста (OCR) «прочитывает» сканы и прикрепляет к ним невидимый текст, точно совмещённый со словами на изображении.

Результат: вы видите фотографию страницы со всеми её пятнышками и шрифтом эпохи, но при этом можете выделять слова, копировать их и искать по всей книге, как в обычном документе. Картинка для глаз — текст для поиска. Важная оговорка: этот слой есть не во всех файлах. Если книгу сканировали «на скорую руку» без OCR, искать в ней не получится — только листать.

DjVu сегодня: жив или мёртв?

Честный ответ — где-то посередине. Развитие формата фактически остановилось: новых версий не выходит, а компания LizardTech, владевшая коммерческой версией, давно свернула её. Поворотным стал 2002 год, когда Internet Archive выбрал DjVu для проекта «Миллион книг» и оцифровал в нём миллионы изданий. Но в 2016 году тот же Internet Archive объявил, что больше не делает в DjVu новые публикации: браузеры перестали поддерживать старые плагины, а Java-просмотрщик стало тяжело сопровождать.

И всё же формат не исчез. Миллионы уже оцифрованных книг продолжают жить в DjVu — в библиотеках, научных архивах, частных коллекциях. Поэтому, охотясь за редким учебником или старой монографией, вы вполне можете наткнуться на .djvu. Формат не развивается, но и не умирает — он просто стал хранителем огромного наследия.

Как открыть и что делать с DjVu

Двойной клик по .djvu на свежей системе чаще всего ничем не заканчивается — нужна программа-читалка. Вариантов хватает: на Windows это WinDjView или SumatraPDF, на Mac — MacDjView, на телефоне — FullReader или PocketBook.

Но если ставить отдельную программу ради одного файла не хочется, есть путь проще — конвертировать DjVu в PDF. PDF открывает буквально всё: любой компьютер, смартфон, браузер, читалка. Вы превращаете нишевый формат в универсальный и больше не зависите от специальной читалки.

Хотите глубже разобраться в различиях? Прочитайте наше подробное сравнение DjVu и PDF или практический гид, чем открыть DjVu на любом устройстве. А полный список доступных преобразований всегда есть на странице всех форматов.