Cos'è il PDF? Struttura, storia e consigli

Quando invii un contratto via email, vuoi che dall'altra parte si apra con la stessa impaginazione, gli stessi caratteri e le stesse interruzioni di pagina. Il PDF (Portable Document Format) è nato proprio per questo. Oggi gran parte dei documenti considerati "definitivi", dalle fatture alle sentenze, dagli articoli scientifici alle carte d'imbarco, circola in formato PDF. In questo articolo vediamo da dove viene il PDF, cosa contiene il file, quali versioni esistono e cosa si conserva o si perde quando lo si converte in un altro formato.

Cos'è il PDF?

Il PDF è un formato di file che descrive ogni pagina di un documento con un aspetto fisso. Nei formati di modifica come Word il testo "scorre": se restringi la finestra o cambi carattere, le righe si ridistribuiscono. In un PDF, invece, la posizione di ogni carattere, linea e immagine sulla pagina è stabilita in anticipo. Il file racchiude in un unico pacchetto il testo, i caratteri (di solito incorporati), le immagini e la grafica vettoriale, così il documento viene visualizzato allo stesso modo su un computer privo dell'applicazione originale, su uno smartphone o su una stampante.

Questa scelta ha un prezzo: il PDF è un formato di output. Non sempre contiene informazioni semantiche come paragrafi, titoli o tabelle; spesso contiene solo istruzioni del tipo "disegna questi glifi a queste coordinate". Tenere presente questa differenza aiuta a capire perché modificare un PDF, o riportarlo a documento Word, sia complicato.

Breve storia

Il PDF risale a una proposta del 1991 del cofondatore di Adobe John Warnock, chiamata "The Camelot Project". L'obiettivo era catturare documenti da qualsiasi applicazione e poterli visualizzare o stampare su qualsiasi macchina. Secondo Adobe, nel 1992 il progetto era già diventato il PDF, e il PDF insieme al software Acrobat per leggerlo fu pubblicato il 15 giugno 1993.

Per i primi quindici anni il PDF è stato una specifica di Adobe e si è arricchito di funzioni a ogni versione: moduli interattivi (AcroForms) nella 1.2, trasparenza e metadati XMP nella 1.4, livelli, object stream e cross-reference stream nella 1.5, pubblicata nell'agosto 2003. La vera svolta arrivò nel 2008, quando il 1° luglio 2008 il PDF 1.7 divenne lo standard internazionale ISO 32000-1:2008 e il controllo del formato passò a un comitato ISO. Nel 2017 seguì il PDF 2.0 (ISO 32000-2), con una seconda edizione corretta nel dicembre 2020. Da aprile 2023 la PDF Association offre lo standard ISO 32000-2 in download gratuito.

Per avere un'idea delle dimensioni: in un post del giugno 2023 Adobe ha dichiarato che i suoi clienti avevano aperto più di 400 miliardi di PDF nei prodotti Acrobat nel corso dell'anno precedente. Il dato riguarda solo i prodotti Adobe; non sono inclusi i visualizzatori integrati nei browser né altri software.

Cosa c'è dentro un file PDF?

Se apri un PDF con un editor di testo, la prima riga mostra un indicatore di versione come %PDF-1.7. Il resto del file è composto da quattro parti principali:

1. Intestazione (header): la prima riga, che dichiara il formato e la versione.
2. Corpo (body): gli "oggetti indiretti" che compongono il documento. Ogni oggetto ha un numero di oggetto e un numero di generazione. Pagine, caratteri, immagini e flussi di contenuto sono tutti oggetti.
3. Tabella dei riferimenti incrociati (xref): riporta la posizione in byte di ogni oggetto, così il lettore può saltare direttamente a qualsiasi pagina senza scorrere tutto il file. Dal PDF 1.5 può essere salvata anche come "xref stream" compresso.
4. Trailer e fine del file: un dizionario che punta al catalogo del documento (/Root), seguito da startxref (dove inizia la xref) e dal marcatore %%EOF.

Un esempio semplificato:

%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

Il contenuto vero e proprio della pagina si trova nel flusso di contenuto. Nell'esempio il blocco BT ... ET è un oggetto di testo, Tf seleziona carattere e dimensione, Td imposta la posizione e Tj disegna il testo. Come vedi, non esiste il concetto di "paragrafo" o di "titolo", solo glifi posizionati. Spesso anche una singola riga visiva è divisa in più frammenti.

Un'altra caratteristica del PDF è l'aggiornamento incrementale. Quando aggiungi un commento o una firma, il software può accodare nuovi oggetti e una nuova sezione xref alla fine del file invece di riscriverlo. Le firme digitali si basano su questo meccanismo per mantenere intatto il contenuto firmato.

Profili e sottostandard PDF

Accanto a ISO 32000 esistono profili PDF ristretti per scopi specifici. Il più noto è il PDF/A, pensato per l'archiviazione a lungo termine. La sua prima parte, PDF/A-1, è stata pubblicata come ISO 19005-1 nell'ottobre 2005. Un file PDF/A deve incorporare tutti i caratteri, definire i colori in modo indipendente dal dispositivo e includere metadati XMP, mentre crittografia, JavaScript, audio, video e dipendenze esterne sono vietati. Per questo archivi ed enti pubblici richiedono spesso il PDF/A.

Una distinzione più pratica è quella tra PDF basati su testo e PDF scansionati. Un file creato con "Salva come PDF" da Word o da un browser contiene testo reale che puoi selezionare, cercare e copiare. Un foglio passato allo scanner, invece, è solo un'immagine dentro un PDF: per estrarne il testo serve l'OCR (riconoscimento ottico dei caratteri).

Dove si usa il PDF?

• Corrispondenza legale e ufficiale: contratti, istanze e sentenze, anche grazie al supporto per la firma digitale.
• Contabilità ed e-commerce: fatture, ricevute ed estratti conto.
• Editoria e stampa: file pronti per la stampa, e-book e cataloghi.
• Università e ricerca: articoli, tesi e dispense.
• Moduli: domande e dichiarazioni compilabili.
• Archiviazione: documenti da conservare per decenni, con il PDF/A.

Punti di forza e punti deboli

Quali programmi aprono i PDF?

Raramente serve installare qualcosa. Chrome, Edge, Firefox e Safari includono tutti un visualizzatore PDF. Su macOS i PDF si aprono con Anteprima, su Windows con Edge. Per modifiche avanzate, creazione di moduli e firma, la scelta più diffusa è Adobe Acrobat. Anche Microsoft Word può aprire un PDF e provare a trasformarlo in un documento modificabile, con risultati che dipendono dalla complessità del file. Su Linux sono molto usati Evince, Okular e gli strumenti Poppler.

Problemi comuni e come risolverli

Il testo copiato da un PDF esce in disordine

Un PDF può memorizzare il testo nell'ordine in cui viene disegnato anziché in quello di lettura. In un articolo a due colonne le righe possono mescolarsi, e alcuni caratteri sono incorporati senza corrispondenze Unicode, per cui le lettere accentate possono apparire danneggiate. Convertire il PDF in TXT o in Word di solito dà un risultato più pulito rispetto a copiare dal visualizzatore.

Il file è protetto e non si apre né si converte

Un PDF può avere due tipi di password: una password di apertura e una password dei permessi (per modifica o stampa). Nessun convertitore può leggere un file protetto da password di apertura senza conoscerla. Se hai la password, apri il file, rimuovi la protezione, salvalo di nuovo e poi convertilo.

Non riesco a fare ricerche in un PDF scansionato

Il file contiene immagini, non testo, quindi ricerca e copia non funzionano. Serve un software OCR che aggiunga un livello di testo.

I caratteri sono diversi dall'originale

Se l'applicazione che ha creato il file non ha incorporato i caratteri, il visualizzatore li sostituisce con altri simili. Attivare l'opzione "incorpora caratteri" in esportazione, oppure salvare in PDF/A, evita il problema.

Consigli per convertire i file PDF

Convertire un PDF significa ricostruire un'impaginazione fissa come documento a flusso, quindi anche lo strumento migliore deve fare delle ipotesi ragionate. Ecco come funziona il nostro convertitore: quando converti da PDF a Word, il file viene caricato sul nostro server, gli strumenti open source Poppler leggono ogni frammento di testo insieme alla sua posizione e le righe vengono ricomposte in paragrafi. La formattazione dei caratteri, come grassetto e corsivo, e il flusso di lettura vengono in gran parte mantenuti, ma pagine a più colonne, tabelle complesse e riquadri posizionati potrebbero non corrispondere esattamente all'originale. I file caricati vengono eliminati dal server entro 30 minuti.

• Se ti serve solo il testo, la conversione da PDF a TXT dà il risultato più pulito: la formattazione viene eliminata e resta testo semplice e leggibile.
• Se vuoi mantenere l'aspetto della pagina sul web, la conversione da PDF a HTML colloca il testo nelle posizioni originali della pagina.
• I PDF scansionati non contengono testo, quindi il nostro convertitore non può estrarne testo modificabile. Esegui prima l'OCR.
• I PDF protetti non possono essere convertiti: vedrai un messaggio che ti chiede di rimuovere la password.

Nella direzione opposta è più semplice. Con Word in PDF, i file DOCX, DOC e RTF passano direttamente a PDF tramite LibreOffice senza passaggi intermedi, quindi impaginazione, intestazioni e piè di pagina, tabelle e immagini vengono mantenuti. Se hai usato un carattere non installato sul server, potrebbe essere sostituito con uno simile. Formati come HTML, Markdown e TXT vengono invece impaginati su fogli A4 e stampati in PDF da un motore di browser.

Domande frequenti

Quando è nato il PDF?

L'idea risale alla proposta Camelot di John Warnock del 1991. Il PDF e Acrobat sono stati pubblicati il 15 giugno 1993 e nel 2008 il formato è diventato lo standard internazionale ISO 32000-1.

Che differenza c'è tra PDF 1.7 e PDF 2.0?

Il PDF 1.7 è l'ultima versione di Adobe, standardizzata come ISO 32000-1 nel 2008. Il PDF 2.0 (ISO 32000-2) è stato sviluppato interamente in ambito ISO, pubblicato nel 2017 e corretto con un'edizione del 2020. Nell'uso quotidiano entrambi si aprono con gli stessi programmi.

Cos'è il PDF/A e quando conviene usarlo?

Il PDF/A è un profilo PDF ristretto per l'archiviazione a lungo termine. Richiede i caratteri incorporati e vieta funzioni come crittografia e JavaScript. Sceglilo quando un documento deve aprirsi nello stesso modo tra molti anni, o quando un ente lo richiede.

Perché l'impaginazione si rovina quando converto un PDF in Word?

Perché di solito un PDF non contiene informazioni su paragrafi o tabelle, ma solo glifi posizionati. Il convertitore deve ricostruire righe e paragrafi a partire da quei frammenti. I documenti semplici a una colonna si convertono molto bene; le pagine a più colonne o piene di tabelle possono richiedere una sistemazione manuale.

Posso trasformare un PDF scansionato in testo modificabile?

Per farlo serve l'OCR. Il nostro convertitore non esegue l'OCR: trasferisce solo il testo effettivamente presente nel PDF. Passa prima il documento scansionato in un software OCR, poi convertilo.

È sicuro convertire i miei PDF?

La conversione dei documenti avviene sul nostro server. Il file viene usato solo per la conversione ed eliminato entro 30 minuti. Per materiale molto riservato potresti comunque preferire di non caricarlo su nessun servizio online.

Fonti

• Adobe: What is a PDF? (The Camelot Project e la nascita del PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 giugno 2023)
• Library of Congress: descrizione del formato PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (storia e struttura del file, fonte secondaria)
• Libreria di rendering PDF Poppler