PDF क्या है? संरचना, इतिहास और कन्वर्ज़न के टिप्स

जब आप कोई अनुबंध ईमेल करते हैं, तो आप चाहते हैं कि सामने वाले के पास वह उसी लेआउट, उन्हीं फ़ॉन्ट और उन्हीं पेज ब्रेक के साथ खुले। PDF (Portable Document Format) ठीक इसी काम के लिए बना था। आज ज़्यादातर "अंतिम" माने जाने वाले डॉक्यूमेंट, इनवॉइस और अदालती फ़ैसलों से लेकर शोध पत्रों और बोर्डिंग पास तक, PDF के रूप में ही भेजे जाते हैं। यह लेख बताता है कि PDF कहाँ से आया, फ़ाइल के अंदर क्या होता है, कौन-से संस्करण हैं, और PDF को किसी दूसरे फ़ॉर्मैट में बदलने पर क्या बचता है और क्या खो जाता है।

PDF क्या है?

PDF एक फ़ाइल फ़ॉर्मैट है जो डॉक्यूमेंट के हर पेज को एक तय रूप-रंग के साथ बयान करता है। Word जैसे एडिटिंग फ़ॉर्मैट में टेक्स्ट "बहता" है: विंडो पतली करें या फ़ॉन्ट बदलें, तो पंक्तियाँ फिर से टूटकर नई जगह पर आ जाती हैं। PDF में पेज पर हर अक्षर, रेखा और इमेज की जगह पहले से तय होती है। फ़ाइल टेक्स्ट, फ़ॉन्ट (आमतौर पर एम्बेड किए हुए), इमेज और वेक्टर ग्राफ़िक्स को एक ही पैकेज में रखती है, इसलिए डॉक्यूमेंट उस कंप्यूटर पर भी, जिसमें मूल ऐप्लिकेशन नहीं है, फ़ोन पर भी और प्रिंटर पर भी एक जैसा दिखता है।

इस डिज़ाइन की एक क़ीमत है: PDF एक आउटपुट फ़ॉर्मैट है। इसमें पैराग्राफ़, हेडिंग या टेबल जैसी अर्थ-संबंधी जानकारी हमेशा नहीं होती। अक्सर इसमें बस "इन ग्लिफ़ को इस निर्देशांक पर बनाओ" जैसे निर्देश होते हैं। यह फ़र्क़ याद रखें, तो समझ आता है कि PDF को एडिट करना या उसे वापस Word डॉक्यूमेंट बनाना मुश्किल क्यों है।

संक्षिप्त इतिहास

PDF की शुरुआत Adobe के सह-संस्थापक John Warnock के 1991 के एक प्रस्ताव से होती है, जिसका नाम "The Camelot Project" था। लक्ष्य था किसी भी ऐप्लिकेशन से डॉक्यूमेंट को कैप्चर करना और उसे किसी भी मशीन पर देखना या प्रिंट करना। Adobe के अनुसार 1992 तक यह प्रयास PDF बन चुका था, और PDF तथा उसे पढ़ने वाला Acrobat सॉफ़्टवेयर 15 जून 1993 को जारी हुए।

अपने पहले पंद्रह वर्षों तक PDF, Adobe का एक स्पेसिफ़िकेशन था और हर रिलीज़ के साथ इसमें नई सुविधाएँ जुड़ती गईं: 1.2 में इंटरैक्टिव फ़ॉर्म (AcroForms), 1.4 में पारदर्शिता और XMP मेटाडेटा, और अगस्त 2003 में प्रकाशित 1.5 में लेयर, ऑब्जेक्ट स्ट्रीम और क्रॉस-रेफ़रेंस स्ट्रीम। असली मोड़ 2008 में आया, जब 1 जुलाई 2008 को PDF 1.7 अंतरराष्ट्रीय मानक ISO 32000-1:2008 बना और फ़ॉर्मैट का नियंत्रण एक ISO समिति के पास चला गया। इसके बाद 2017 में PDF 2.0 (ISO 32000-2) आया, जिसका सुधारा हुआ दूसरा संस्करण दिसंबर 2020 में प्रकाशित हुआ। अप्रैल 2023 से PDF Association, ISO 32000-2 को मुफ़्त डाउनलोड के रूप में उपलब्ध कराती है।

पैमाने का अंदाज़ा लगाने के लिए: जून 2023 के एक ब्लॉग पोस्ट में Adobe ने बताया कि उसके ग्राहकों ने पिछले एक साल में Acrobat प्रोडक्ट्स में 400 अरब से ज़्यादा PDF खोले। यह आँकड़ा केवल Adobe प्रोडक्ट्स का है; ब्राउज़र में बने व्यूअर और दूसरे सॉफ़्टवेयर इसमें शामिल नहीं हैं।

PDF फ़ाइल के अंदर क्या होता है?

किसी PDF को टेक्स्ट एडिटर में खोलें, तो पहली पंक्ति में %PDF-1.7 जैसा संस्करण चिह्न दिखता है। फ़ाइल के बाक़ी हिस्से के चार मुख्य भाग हैं:

1. हेडर: पहली पंक्ति, जो फ़ॉर्मैट और संस्करण बताती है।
2. बॉडी: डॉक्यूमेंट बनाने वाले "इनडायरेक्ट ऑब्जेक्ट"। हर ऑब्जेक्ट की एक ऑब्जेक्ट संख्या और एक जनरेशन संख्या होती है। पेज, फ़ॉन्ट, इमेज और कंटेंट स्ट्रीम, सभी ऑब्जेक्ट हैं।
3. क्रॉस-रेफ़रेंस टेबल (xref): हर ऑब्जेक्ट का बाइट ऑफ़सेट दर्ज करती है, जिससे रीडर पूरी फ़ाइल स्कैन किए बिना सीधे किसी भी पेज पर जा सकता है। PDF 1.5 से इसे कंप्रेस की हुई "xref स्ट्रीम" के रूप में भी रखा जा सकता है।
4. ट्रेलर और फ़ाइल का अंत: एक डिक्शनरी जो डॉक्यूमेंट कैटलॉग (/Root) की ओर इशारा करती है, उसके बाद startxref (जहाँ xref शुरू होता है) और %%EOF चिह्न।

एक सरल उदाहरण कुछ ऐसा दिखता है:

%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 ...
%%EOF

पेज की असली सामग्री कंटेंट स्ट्रीम में रहती है। उदाहरण में BT ... ET ब्लॉक एक टेक्स्ट ऑब्जेक्ट है, Tf फ़ॉन्ट और साइज़ चुनता है, Td जगह तय करता है और Tj टेक्स्ट बनाता है। ध्यान दें कि यहाँ "पैराग्राफ़" या "हेडिंग" जैसी कोई अवधारणा नहीं है, केवल तय जगहों पर रखे ग्लिफ़ हैं। दिखने में एक ही पंक्ति भी अक्सर कई टुकड़ों में बँटी होती है।

PDF की एक और विशेषता इंक्रीमेंटल अपडेट है। जब आप कोई टिप्पणी या हस्ताक्षर जोड़ते हैं, तो सॉफ़्टवेयर पूरी फ़ाइल दोबारा लिखने के बजाय नए ऑब्जेक्ट और नया xref हिस्सा फ़ाइल के अंत में जोड़ सकता है। डिजिटल हस्ताक्षर इसी व्यवस्था पर निर्भर करते हैं, ताकि हस्ताक्षरित सामग्री जस की तस रहे।

PDF प्रोफ़ाइल और उप-मानक

ISO 32000 के साथ-साथ ख़ास कामों के लिए सीमित PDF प्रोफ़ाइल भी हैं। सबसे प्रसिद्ध PDF/A है, जो लंबे समय तक संग्रह (आर्काइविंग) के लिए बनाया गया। इसका पहला भाग, PDF/A-1, अक्टूबर 2005 में ISO 19005-1 के रूप में प्रकाशित हुआ। PDF/A फ़ाइल में सभी फ़ॉन्ट एम्बेड होने चाहिए, रंग डिवाइस से स्वतंत्र तरीक़े से परिभाषित होने चाहिए और XMP मेटाडेटा होना चाहिए, जबकि एन्क्रिप्शन, JavaScript, ऑडियो, वीडियो और बाहरी निर्भरताएँ वर्जित हैं। इसी कारण अभिलेखागार और सरकारी संस्थाएँ अक्सर PDF/A माँगती हैं।

ज़्यादा व्यावहारिक फ़र्क़ टेक्स्ट-आधारित PDF और स्कैन की गई PDF के बीच है। Word या ब्राउज़र से "Save as PDF" करके बनी फ़ाइल में असली टेक्स्ट होता है, जिसे आप चुन सकते हैं, खोज सकते हैं और कॉपी कर सकते हैं। स्कैनर से निकला काग़ज़ PDF के अंदर बस एक इमेज होता है। उससे टेक्स्ट निकालने के लिए OCR (ऑप्टिकल कैरेक्टर रिकग्निशन) की ज़रूरत होती है।

PDF कहाँ इस्तेमाल होता है?

• क़ानूनी और आधिकारिक पत्राचार: अनुबंध, याचिकाएँ और फ़ैसले, जिनमें डिजिटल हस्ताक्षर के सपोर्ट से मदद मिलती है।
• लेखा और ई-कॉमर्स: इनवॉइस, रसीदें और बैंक स्टेटमेंट।
• प्रकाशन और प्रिंट: प्रिंट के लिए तैयार फ़ाइलें, ई-बुक और कैटलॉग।
• शिक्षा जगत: शोध पत्र, थीसिस और लेक्चर नोट्स।
• फ़ॉर्म: भरे जा सकने वाले आवेदन और घोषणा-पत्र।
• आर्काइविंग: दशकों तक रखे जाने वाले रिकॉर्ड, PDF/A के साथ।

खूबियाँ और कमज़ोरियाँ

कौन-से प्रोग्राम PDF खोलते हैं?

आमतौर पर कुछ इंस्टॉल करने की ज़रूरत नहीं पड़ती। Chrome, Edge, Firefox और Safari, सभी में PDF व्यूअर पहले से होता है। macOS पर Preview और Windows पर Edge PDF खोलते हैं। एडवांस एडिटिंग, फ़ॉर्म डिज़ाइन और हस्ताक्षर के लिए Adobe Acrobat आम पसंद है। Microsoft Word भी PDF खोलकर उसे एडिट करने लायक डॉक्यूमेंट में बदलने की कोशिश कर सकता है, और नतीजा फ़ाइल की जटिलता पर निर्भर करता है। Linux पर Evince, Okular और Poppler टूल्स ख़ूब इस्तेमाल होते हैं।

आम समस्याएँ और उनके हल

PDF से कॉपी किया टेक्स्ट गड्डमड्ड निकलता है

PDF टेक्स्ट को पढ़ने के क्रम के बजाय बनाने के क्रम में रख सकता है। दो कॉलम वाले शोध पत्र में पंक्तियाँ आपस में गुँथ सकती हैं, और कुछ फ़ॉन्ट Unicode मैपिंग के बिना एम्बेड होते हैं, इसलिए विशेष चिह्नों वाले अक्षर टूटे दिख सकते हैं। व्यूअर से कॉपी करने के बजाय PDF को TXT या Word में बदलना आमतौर पर ज़्यादा साफ़ नतीजा देता है।

फ़ाइल एन्क्रिप्टेड है और खुलती या बदलती नहीं

PDF में दो तरह के पासवर्ड हो सकते हैं: खोलने का पासवर्ड और अनुमतियों का पासवर्ड (एडिट या प्रिंट करने के लिए)। जिस फ़ाइल पर खोलने का पासवर्ड है, उसे कोई भी कन्वर्टर पासवर्ड जाने बिना नहीं पढ़ सकता। अगर पासवर्ड आपके पास है, तो फ़ाइल खोलें, सुरक्षा हटाएँ, उसे दोबारा सेव करें और फिर कन्वर्ट करें।

स्कैन की गई PDF में खोज नहीं हो पाती

फ़ाइल में टेक्स्ट नहीं, इमेज हैं, इसलिए खोज और कॉपी काम नहीं करते। टेक्स्ट लेयर जोड़ने के लिए आपको OCR सॉफ़्टवेयर चाहिए।

फ़ॉन्ट मूल से अलग दिखते हैं

अगर बनाने वाले ऐप्लिकेशन ने फ़ॉन्ट एम्बेड नहीं किए, तो व्यूअर मिलते-जुलते फ़ॉन्ट लगा देता है। एक्सपोर्ट करते समय "फ़ॉन्ट एम्बेड करें" चालू करने या PDF/A के रूप में सेव करने से यह समस्या नहीं होती।

PDF फ़ाइलें कन्वर्ट करने के टिप्स

PDF को कन्वर्ट करने का मतलब है एक स्थिर पेज लेआउट को बहते हुए डॉक्यूमेंट के रूप में दोबारा बनाना, इसलिए सबसे अच्छे टूल को भी कुछ सोच-समझकर अनुमान लगाने पड़ते हैं। हमारा कन्वर्टर इसे ऐसे संभालता है: जब आप PDF को Word में बदलते हैं, तो फ़ाइल हमारे सर्वर पर अपलोड होती है, ओपन-सोर्स Poppler टूल्स हर टेक्स्ट टुकड़े को उसकी जगह के साथ पढ़ते हैं, और पंक्तियों को जोड़कर फिर से पैराग्राफ़ बनाए जाते हैं। बोल्ड और इटैलिक जैसी अक्षर-फ़ॉर्मैटिंग और पढ़ने का क्रम काफ़ी हद तक बना रहता है, लेकिन कई कॉलम वाले पेज, जटिल टेबल और तय जगह पर रखे बॉक्स मूल से पूरी तरह मेल नहीं खा सकते। अपलोड की गई फ़ाइलें 30 मिनट के भीतर सर्वर से हटा दी जाती हैं।

• अगर आपको सिर्फ़ टेक्स्ट चाहिए, तो PDF को TXT में बदलना सबसे साफ़ नतीजा देता है: फ़ॉर्मैटिंग हट जाती है और पढ़ने लायक सादा टेक्स्ट बचता है।
• अगर आप वेब पर पेज का रूप बनाए रखना चाहते हैं, तो PDF से HTML टेक्स्ट को पेज पर उसकी मूल जगहों पर रखता है।
• स्कैन की गई PDF में कोई टेक्स्ट नहीं होता, इसलिए हमारा कन्वर्टर उनसे एडिट करने लायक टेक्स्ट नहीं निकाल सकता। पहले OCR चलाएँ।
• एन्क्रिप्टेड PDF कन्वर्ट नहीं हो सकतीं; आपको पासवर्ड हटाने के लिए कहने वाला संदेश दिखेगा।

उलटी दिशा में बदलना आसान है। Word से PDF में DOCX, DOC और RTF फ़ाइलें बिना किसी बीच के चरण के LibreOffice के ज़रिए सीधे PDF बनती हैं, इसलिए पेज लेआउट, हेडर और फ़ुटर, टेबल और इमेज बने रहते हैं। अगर आपने ऐसा फ़ॉन्ट इस्तेमाल किया है जो सर्वर पर इंस्टॉल नहीं है, तो उसकी जगह मिलता-जुलता फ़ॉन्ट आ सकता है। HTML, Markdown और TXT जैसे स्रोत A4 पेजों पर सजाए जाते हैं और एक ब्राउज़र इंजन उन्हें PDF में प्रिंट करता है।

अक्सर पूछे जाने वाले सवाल

PDF कब बना?

इसका विचार John Warnock के 1991 के Camelot प्रस्ताव से आया। PDF और Acrobat 15 जून 1993 को जारी हुए, और 2008 में यह फ़ॉर्मैट अंतरराष्ट्रीय मानक ISO 32000-1 बना।

PDF 1.7 और PDF 2.0 में क्या अंतर है?

PDF 1.7, Adobe का आख़िरी संस्करण है, जिसे 2008 में ISO 32000-1 के रूप में मानकीकृत किया गया। PDF 2.0 (ISO 32000-2) पूरी तरह ISO के भीतर विकसित हुआ, 2017 में प्रकाशित हुआ और 2020 के संस्करण में सुधारा गया। रोज़मर्रा के इस्तेमाल में दोनों एक ही प्रोग्राम में खुलते हैं।

PDF/A क्या है और इसे कब इस्तेमाल करें?

PDF/A लंबे समय की आर्काइविंग के लिए एक सीमित PDF प्रोफ़ाइल है। इसमें फ़ॉन्ट एम्बेड करना ज़रूरी है और एन्क्रिप्शन व JavaScript जैसी सुविधाएँ वर्जित हैं। इसे तब चुनें जब डॉक्यूमेंट को बरसों बाद भी बिल्कुल वैसे ही खुलना हो, या जब कोई संस्था इसकी माँग करे।

PDF को Word में बदलने पर लेआउट क्यों बिगड़ जाता है?

क्योंकि PDF में आमतौर पर पैराग्राफ़ या टेबल की जानकारी नहीं होती, केवल तय जगहों पर रखे ग्लिफ़ होते हैं। कन्वर्टर को इन्हीं टुकड़ों से पंक्तियाँ और पैराग्राफ़ दोबारा बनाने पड़ते हैं। सरल, एक कॉलम वाले डॉक्यूमेंट बहुत अच्छी तरह बदलते हैं; कई कॉलम या ढेर सारी टेबल वाले पेजों को हाथ से ठीक करना पड़ सकता है।

क्या मैं स्कैन की गई PDF को एडिट करने लायक टेक्स्ट में बदल सकता हूँ?

इसके लिए OCR चाहिए। हमारा कन्वर्टर OCR नहीं करता; वह केवल वही टेक्स्ट लाता है जो PDF में सचमुच मौजूद है। स्कैन किए गए डॉक्यूमेंट को पहले OCR सॉफ़्टवेयर से गुज़ारें, फिर कन्वर्ट करें।

क्या अपनी PDF कन्वर्ट करना सुरक्षित है?

डॉक्यूमेंट कन्वर्ज़न हमारे सर्वर पर होता है। फ़ाइल केवल कन्वर्ज़न के लिए इस्तेमाल होती है और 30 मिनट के भीतर हटा दी जाती है। बेहद गोपनीय सामग्री के लिए आप फिर भी उसे किसी भी ऑनलाइन सेवा पर अपलोड न करना पसंद कर सकते हैं।

स्रोत

• Adobe: What is a PDF? (The Camelot Project और PDF का जन्म)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 जून 2023)
• Library of Congress: PDF 1.5 फ़ॉर्मैट विवरण
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (इतिहास और फ़ाइल संरचना, द्वितीयक स्रोत)
• Poppler PDF रेंडरिंग लाइब्रेरी