قالب‌های فایل
PDF چیست؟ ساختار، تاریخچه و نکته‌های تبدیل
PDF یک فرمت توصیف صفحه است که سند را طوری تثبیت میکند که روی هر دستگاهی یکسان دیده شود. این مقاله تاریخچه، ساختار درونی، نسخه‌ها و نکته‌های مهم هنگام تبدیل آن را بررسی میکند.
نویسنده: Hemen Dönüştür Editör Ekibiتاریخ انتشار: 10 دقیقه مطالعه
وقتی قراردادی را ایمیل می‌کنید، می‌خواهید در طرف مقابل با همان صفحه‌آرایی، همان قلم‌ها و همان شکست صفحه‌ها باز شود. PDF (Portable Document Format) دقیقاً برای همین ساخته شد. امروز بیشتر اسنادی که «نهایی» به شمار می‌آیند، از فاکتور و حکم دادگاه گرفته تا مقالهٔ پژوهشی و کارت پرواز، به صورت PDF جابه‌جا می‌شوند. این مقاله توضیح می‌دهد PDF از کجا آمده، درون فایل چه چیزی هست، چه نسخه‌هایی دارد و هنگام تبدیل PDF به فرمتی دیگر چه چیزی حفظ میشود یا از دست می‌رود.
PDF چیست؟
PDF فرمتی است که هر صفحهٔ سند را با ظاهری ثابت توصیف میکند. در فرمت‌های ویرایشی مانند Word متن «جاری» است: پنجره را باریک کنید یا قلم را عوض کنید، خط‌ها دوباره چیده می‌شوند. در PDF جای هر نویسه، خط و تصویر روی صفحه از پیش تعیین شده است. فایل، متن، قلم‌ها (معمولاً جاسازی‌شده)، تصاویر و گرافیک‌های برداری را در یک بسته حمل میکند؛ به همین دلیل سند روی کامپیوتری که برنامهٔ اصلی را ندارد، روی گوشی یا در چاپگر به یک شکل نمایش داده میشود.
این طراحی هزینه‌ای هم دارد: PDF یک فرمت خروجی است. همیشه اطلاعات معنایی مانند پاراگراف، عنوان یا جدول را در خود ندارد. اغلب فقط دستورهایی مثل «این نویسه‌ها را در این مختصات رسم کن» در آن هست. در نظر داشتن همین تفاوت توضیح می‌دهد چرا ویرایش PDF یا برگرداندن آن به سند Word دشوار است.
تاریخچهٔ کوتاه
ریشهٔ PDF به پیشنهادی در سال 1991 از جان وارناک (John Warnock)، یکی از بنیان‌گذاران Adobe، با نام «The Camelot Project» برمیگردد. هدف این بود که اسناد از هر برنامه‌ای ثبت شوند و روی هر دستگاهی دیده یا چاپ شوند. به گفتهٔ Adobe، این تلاش تا سال 1992 به PDF تبدیل شده بود و PDF و نرمافزار Acrobat که آن را می‌خواند در 15 ژوئن 1993 منتشر شدند.
PDF در پانزده سال نخست یک مشخصهٔ اختصاصی Adobe بود و با هر نسخه قابلیت‌های تازه‌ای پیدا کرد: فرم‌های تعاملی (AcroForms) در نسخهٔ 1.2، شفافیت و فرادادهٔ XMP در 1.4، و لایه‌ها، جریان‌های شیء و جریان‌های ارجاع متقابل در نسخهٔ 1.5 که در اوت 2003 منتشر شد. نقطهٔ عطف واقعی سال 2008 بود: PDF 1.7 در 1 ژوئیهٔ 2008 به استاندارد بینالمللی ISO 32000-1:2008 تبدیل شد و کنترل فرمت به یک کمیتهٔ ISO رسید. PDF 2.0 (ISO 32000-2) در سال 2017 آمد و ویرایش دوم اصلاح‌شدهٔ آن در دسامبر 2020 منتشر شد. از آوریل 2023، PDF Association استاندارد ISO 32000-2 را به‌صورت رایگان برای دانلود ارائه می‌دهد.
برای درک مقیاس: Adobe در یک پست وبلاگ در ژوئن 2023 گفت مشتریانش در سال پیش از آن بیش از 400 میلیارد PDF را در محصولات Acrobat باز کرده‌اند. این رقم فقط محصولات Adobe را در بر می‌گیرد؛ نمایشگرهای داخلی مرورگرها و نرم‌افزارهای دیگر در آن حساب نشده‌اند.
درون فایل PDF چه چیزی هست؟
اگر یک PDF را در ویرایشگر متن باز کنید، خط اول نشانگر نسخه‌ای مثل %PDF-1.7 را نشان می‌دهد. بقیهٔ فایل چهار بخش اصلی دارد:
- سرآیند (Header): خط اول که فرمت و نسخه را اعلام میکند.
- بدنه (Body): «اشیای غیرمستقیم» که سند را می‌سازند. هر شیء یک شمارهٔ شیء و یک شمارهٔ نسل دارد. صفحه‌ها، قلم‌ها، تصاویر و جریان‌های محتوا همه شیء هستند.
- جدول ارجاع متقابل (xref): فاصلهٔ بایتی (offset) هر شیء را فهرست میکند تا نمایشگر بتواند بدون پیمایش کل فایل مستقیم به هر صفحه برود. از PDF 1.5 این جدول می‌تواند به شکل یک «xref stream» فشرده هم ذخیره شود.
- Trailer و پایان فایل: دیکشنری‌ای که به کاتالوگ سند (
/Root) اشاره میکند و پس از آنstartxref(محل شروع xref) و نشانگر%%EOFمی‌آید.
یک نمونهٔ ساده‌شده چنین است:
%PDF-1.7
1 0 obj << /Type /Catalog /Pages 2 0 R >> endobj
2 0 obj << /Type /Pages /Kids [3 0 R] /Count 1 >> endobj
3 0 obj << /Type /Page /Parent 2 0 R /Contents 4 0 R >> endobj
4 0 obj << /Length 44 >> stream
BT /F1 12 Tf 72 720 Td (Hello) Tj ET
endstream endobj
xref ...
trailer << /Root 1 0 R /Size 5 >>
startxref ...
%%EOFمحتوای واقعی صفحه در جریان محتوا (content stream) قرار دارد. در این نمونه، بلوک BT ... ET یک شیء متنی است، Tf قلم و اندازه را انتخاب میکند، Td موقعیت را تعیین میکند و Tj متن را رسم میکند. دقت کنید که اینجا هیچ مفهومی از «پاراگراف» یا «عنوان» وجود ندارد؛ فقط نویسه‌هایی که در جای مشخصی قرار گرفته‌اند. حتی یک خط دیداری هم اغلب به چند تکه تقسیم شده است.
ویژگی دیگر PDF به‌روزرسانی افزایشی (incremental update) است. وقتی یادداشت یا امضایی اضافه می‌کنید، نرمافزار می‌تواند به‌جای بازنویسی فایل، اشیای جدید و یک بخش xref تازه را به انتهای فایل بیفزاید. امضاهای دیجیتال برای دست‌نخورده ماندن محتوای امضاشده به همین سازوکار تکیه دارند.
پروفایل‌ها و زیراستانداردهای PDF
در کنار ISO 32000، پروفایل‌های محدودشده‌ای از PDF برای کاربردهای خاص وجود دارد. شناخته‌شده‌ترین آنها PDF/A است که برای بایگانی بلندمدت طراحی شده است. نخستین بخش آن، PDF/A-1، در اکتبر 2005 با شمارهٔ ISO 19005-1 منتشر شد. در فایل PDF/A همهٔ قلم‌ها باید جاسازی شوند، رنگ‌ها به شکلی مستقل از دستگاه تعریف شوند و فرادادهٔ XMP وجود داشته باشد؛ رمزگذاری، JavaScript، صدا، ویدیو و وابستگی‌های بیرونی ممنوع‌اند. به همین دلیل بایگانی‌ها و نهادهای دولتی اغلب PDF/A می‌خواهند.
تمایز کاربردی‌تر میان PDFهای متنی و PDFهای اسکنشده است. فایلی که با «ذخیره به‌صورت PDF» در Word یا مرورگر ساخته میشود متن واقعی دارد که می‌توانید آن را انتخاب، جست‌وجو و کپی کنید. برگه‌ای که از اسکنر عبور کرده فقط تصویری درون یک PDF است. بیرون کشیدن متن از آن به OCR (نویسه‌خوانی نوری) نیاز دارد.
PDF کجا به کار می‌رود؟
- مکاتبات حقوقی و اداری: قرارداد، دادخواست و حکم، با کمک پشتیبانی از امضای دیجیتال.
- حسابداری و تجارت الکترونیک: فاکتور، رسید و صورت‌حساب بانکی.
- نشر و چاپ: فایل‌های آمادهٔ چاپ، کتاب‌های الکترونیکی و کاتالوگ‌ها.
- دانشگاه: مقاله، پایان‌نامه و جزوهٔ درسی.
- فرم‌ها: درخواست‌نامه‌ها و اظهارنامه‌های قابل پر کردن.
- بایگانی: سوابقی که باید ده‌ها سال نگهداری شوند، با استفاده از PDF/A.
نقاط قوت و ضعف
| نقاط قوت | نقاط ضعف |
|---|---|
| نمایش یکسان روی همهٔ دستگاه‌ها | ویرایش محتوا دست‌وپاگیر است |
| استاندارد باز ISO و نمایشگرهای رایگان فراوان | خواندن روی صفحه‌های کوچک دشوار است (متن دوباره چیده نمی‌شود) |
| جاسازی قلم و کیفیت چاپ بالا | ساختار معنایی (عنوان، جدول) اغلب وجود ندارد |
| امضای دیجیتال، رمزگذاری و فرم | فایل‌های اسکنشده قابل جست‌وجو نیستند |
| بایگانی بلندمدت با PDF/A | تصاویر جاسازی‌شده می‌توانند حجم فایل را زیاد کنند |
چه برنامه‌هایی PDF را باز می‌کنند؟
به‌ندرت لازم است چیزی نصب کنید. Chrome، Edge، Firefox و Safari همه نمایشگر PDF دارند. در macOS برنامهٔ Preview و در ویندوز Edge فایل‌های PDF را باز می‌کنند. برای ویرایش پیشرفته، طراحی فرم و امضا، Adobe Acrobat انتخاب رایج است. Microsoft Word هم می‌تواند PDF را باز کند و بکوشد آن را به سندی ویرایشپذیر تبدیل کند؛ نتیجه به پیچیدگی فایل بستگی دارد. در Linux، برنامه‌های Evince و Okular و ابزارهای Poppler پرکاربردند.
مشکلات رایج و راه‌حل آنها
متنی که از PDF کپی میشود به‌هم‌ریخته است
ممکن است PDF متن را به ترتیب رسم ذخیره کرده باشد نه به ترتیب خواندن. در یک مقالهٔ دوستونی خط‌ها می‌توانند در هم بروند و برخی قلم‌ها بدون نگاشت Unicode جاسازی شده‌اند، بنابراین حروف خاص ممکن است خراب دیده شوند. تبدیل PDF به TXT یا Word معمولاً نتیجهٔ تمیزتری از کپی کردن در نمایشگر می‌دهد.
فایل رمزگذاری شده و باز یا تبدیل نمی‌شود
PDF می‌تواند دو نوع گذرواژه داشته باشد: گذرواژهٔ باز کردن و گذرواژهٔ مجوزها (برای ویرایش یا چاپ). هیچ مبدلی نمی‌تواند فایلی را که گذرواژهٔ باز کردن دارد بدون دانستن آن بخواند. اگر گذرواژه را دارید، فایل را باز کنید، محافظت را بردارید، دوباره ذخیره کنید و سپس تبدیل کنید.
در PDF اسکنشده نمی‌توانم جست‌وجو کنم
فایل به‌جای متن تصویر دارد، بنابراین جست‌وجو و کپی کار نمی‌کند. برای افزودن لایهٔ متنی به نرمافزار OCR نیاز دارید.
قلم‌ها با نسخهٔ اصلی فرق دارند
اگر برنامهٔ سازنده قلم‌ها را جاسازی نکرده باشد، نمایشگر قلم‌های مشابهی جایگزین میکند. فعال کردن گزینهٔ «جاسازی قلم‌ها» هنگام خروجی گرفتن یا ذخیره به‌صورت PDF/A از این مشکل جلوگیری میکند.
نکته‌هایی برای تبدیل فایل‌های PDF
تبدیل PDF یعنی بازسازی یک صفحه‌آرایی ثابت به شکل سندی جاری؛ بنابراین حتی بهترین ابزار هم ناچار است حدس‌های سنجیده بزند. مبدل ما این کار را این‌گونه انجام می‌دهد: وقتی PDF را به Word تبدیل می‌کنید، فایل روی سرور ما آپلود میشود، ابزارهای متن‌باز Poppler هر تکهٔ متن را همراه با موقعیتش می‌خوانند و خط‌ها دوباره به پاراگراف تبدیل می‌شوند. قالب‌بندی نویسه‌ها مانند پررنگ و کج و همچنین روند خواندن تا حد زیادی حفظ میشود، اما صفحه‌های چندستونی، جدول‌های پیچیده و کادرهای موقعیت‌دار ممکن است دقیقاً با نسخهٔ اصلی یکی نباشند. فایل‌های آپلودشده ظرف 30 دقیقه از سرور حذف می‌شوند.
- اگر فقط متن را لازم دارید، تبدیل PDF به TXT تمیزترین نتیجه را می‌دهد: قالب‌بندی کنار گذاشته میشود و متن سادهٔ خوانا باقی می‌ماند.
- اگر می‌خواهید ظاهر صفحه را در وب حفظ کنید، تبدیل PDF به HTML متن را در موقعیت‌های اصلی‌اش روی صفحه قرار می‌دهد.
- PDFهای اسکنشده متنی ندارند، بنابراین مبدل ما نمی‌تواند از آنها متن ویرایشپذیر استخراج کند. ابتدا OCR را اجرا کنید.
- PDFهای رمزگذاری‌شده تبدیل نمی‌شوند؛ پیامی می‌بینید که از شما می‌خواهد گذرواژه را بردارید.
جهت عکس ساده‌تر است. با تبدیل Word به PDF، فایل‌های DOCX، DOC و RTF بدون مرحلهٔ میانی و مستقیم از طریق LibreOffice به PDF تبدیل می‌شوند؛ بنابراین صفحه‌آرایی، سرصفحه و پاصفحه، جدول‌ها و تصاویر حفظ می‌شوند. اگر از قلمی استفاده کرده باشید که روی سرور نصب نیست، ممکن است با قلم مشابهی جایگزین شود. منابعی مانند HTML، Markdown و TXT روی صفحه‌های A4 چیده می‌شوند و یک موتور مرورگر آنها را به PDF چاپ میکند.
پرسش‌های متداول
PDF کی ساخته شد؟
ایدهٔ آن به پیشنهاد Camelot جان وارناک در سال 1991 برمیگردد. PDF و Acrobat در 15 ژوئن 1993 منتشر شدند و این فرمت در سال 2008 به استاندارد بینالمللی ISO 32000-1 تبدیل شد.
تفاوت PDF 1.7 و PDF 2.0 چیست؟
PDF 1.7 آخرین نسخهٔ Adobe است که در سال 2008 با عنوان ISO 32000-1 استاندارد شد. PDF 2.0 (ISO 32000-2) به‌طور کامل در ISO توسعه یافت، در سال 2017 منتشر شد و در ویرایش 2020 اصلاح شد. در استفادهٔ روزمره هر دو در همان برنامه‌ها باز می‌شوند.
PDF/A چیست و کی باید از آن استفاده کنم؟
PDF/A یک پروفایل محدودشدهٔ PDF برای بایگانی بلندمدت است. جاسازی قلم‌ها را الزامی میکند و قابلیت‌هایی مانند رمزگذاری و JavaScript را ممنوع میکند. وقتی سندی باید سال‌ها بعد هم به همین شکل باز شود یا نهادی آن را الزامی کرده است، آن را انتخاب کنید.
چرا وقتی PDF را به Word تبدیل می‌کنم صفحه‌آرایی به هم می‌ریزد؟
چون PDF معمولاً اطلاعاتی دربارهٔ پاراگراف یا جدول ندارد و فقط نویسه‌های موقعیت‌دار در آن هست. مبدل باید خط‌ها و پاراگراف‌ها را از همین تکه‌ها بازسازی کند. اسناد سادهٔ تک‌ستونی بسیار خوب تبدیل می‌شوند؛ صفحه‌های چندستونی یا پر از جدول ممکن است به اصلاح دستی نیاز داشته باشند.
آیا میتوانم PDF اسکنشده را به متن ویرایشپذیر تبدیل کنم؟
این کار به OCR نیاز دارد. مبدل ما OCR انجام نمیدهد و فقط متنی را منتقل میکند که واقعاً در PDF وجود دارد. ابتدا سند اسکنشده را با یک نرمافزار OCR پردازش کنید و سپس تبدیلش کنید.
آیا تبدیل PDFهایم امن است؟
تبدیل اسناد روی سرور ما انجام میشود. فایل فقط برای تبدیل استفاده میشود و ظرف 30 دقیقه حذف میشود. با این حال، برای مطالب بسیار محرمانه شاید ترجیح دهید آنها را در هیچ سرویس آنلاینی آپلود نکنید.
