PDFとは？仕組み・歴史・変換のコツを解説

契約書をメールで送るとき、相手の画面でも同じレイアウト、同じフォント、同じ改ページで開いてほしいものです。PDF（Portable Document Format）はまさにそのために作られました。請求書や判決文から論文、搭乗券まで、「完成版」とされる文書の多くは今やPDFでやり取りされています。この記事では、PDFの生い立ち、ファイルの中身、存在するバージョン、そしてPDFを別の形式に変換したときに残るものと失われるものを説明します。

PDFとは

PDFは、文書の各ページを固定された見た目で記述するファイル形式です。Wordのような編集用の形式では、テキストは「流れる」もので、ウィンドウを狭めたりフォントを変えたりすると行が折り返し直されます。PDFでは、ページ上のすべての文字、線、画像の位置があらかじめ決まっています。ファイルにはテキスト、フォント（通常は埋め込み）、画像、ベクター図形がひとまとめに入っているため、元のアプリケーションがないパソコンでも、スマートフォンでも、プリンターでも同じように表示されます。

この設計には代償があります。PDFは出力用の形式なのです。段落、見出し、表といった意味的な情報を常に持っているとは限らず、多くの場合「この座標にこれらのグリフを描く」という命令しか入っていません。この違いを押さえておくと、PDFの編集や、PDFをWord文書に戻す作業がなぜ難しいのかが分かります。

簡単な歴史

PDFの起源は、Adobeの共同創業者ジョン・ワーノックが1991年に出した「The Camelot Project」という提案にさかのぼります。目的は、どのアプリケーションで作った文書でも取り込み、どのマシンでも表示や印刷ができるようにすることでした。Adobeによれば、この取り組みは1992年までにPDFとなり、PDFとそれを読むAcrobatソフトウェアは1993年6月15日に公開されました。

最初の15年間、PDFはAdobeの仕様であり、リリースのたびに機能が増えていきました。1.2でインタラクティブフォーム（AcroForms）、1.4で透明効果とXMPメタデータ、2003年8月に公開された1.5でレイヤー、オブジェクトストリーム、クロスリファレンスストリームが加わりました。本当の転機は2008年で、PDF 1.7が2008年7月1日に国際規格ISO 32000-1:2008となり、形式の管理はISOの委員会に移りました。2017年にはPDF 2.0（ISO 32000-2）が続き、2020年12月に修正版の第2版が出ています。2023年4月からは、PDF AssociationがISO 32000-2を無料でダウンロードできるようにしています。

規模の目安として、Adobeは2023年6月のブログ記事で、顧客が直近1年間にAcrobat製品で4,000億件を超えるPDFを開いたと述べています。この数字はAdobe製品だけのもので、ブラウザー内蔵のビューアーやその他のソフトウェアは含まれていません。

PDFファイルの中身

PDFをテキストエディターで開くと、1行目に%PDF-1.7のようなバージョン表記が見えます。残りの部分は主に4つに分かれます。

1. ヘッダー：形式とバージョンを宣言する最初の行です。
2. 本体：文書を構成する「間接オブジェクト」です。各オブジェクトにはオブジェクト番号と世代番号があります。ページ、フォント、画像、コンテンツストリームはすべてオブジェクトです。
3. クロスリファレンステーブル（xref）：各オブジェクトのバイト位置を一覧にしたもので、ファイル全体を読まなくても任意のページへ直接移動できます。PDF 1.5以降は、圧縮された「xrefストリーム」として格納することもできます。
4. トレーラーとファイル終端：文書カタログ（/Root）を指す辞書と、その後に続くstartxref（xrefの開始位置）と%%EOFマーカーです。

単純化した例は次のとおりです。

%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

実際のページの内容はコンテンツストリームにあります。例のBT ... ETブロックはテキストオブジェクトで、Tfがフォントとサイズを選び、Tdが位置を決め、Tjがテキストを描きます。ここには「段落」や「見出し」という概念はなく、位置が決まったグリフがあるだけです。見た目では1行でも、いくつもの断片に分かれていることがよくあります。

PDFのもう一つの特徴が増分更新です。コメントや署名を追加するとき、ソフトウェアはファイルを書き直さずに、新しいオブジェクトと新しいxrefセクションを末尾に追記できます。デジタル署名は、この仕組みを使って署名済みの内容をそのまま保ちます。

PDFのプロファイルと下位規格

ISO 32000と並んで、特定の目的のために制限を加えたPDFプロファイルがあります。最もよく知られているのは長期保存向けに設計されたPDF/Aです。その第1部であるPDF/A-1は、2005年10月にISO 19005-1として公開されました。PDF/Aファイルでは、すべてのフォントを埋め込み、色をデバイスに依存しない方法で定義し、XMPメタデータを含める必要があります。一方、暗号化、JavaScript、音声、動画、外部への依存は禁止されています。アーカイブ機関や公的機関がPDF/Aを求めることが多いのはこのためです。

より実用的な区別は、テキストベースのPDFとスキャンしたPDFの違いです。Wordやブラウザーの「PDFとして保存」で作ったファイルには、選択、検索、コピーができる本物のテキストが入っています。紙をスキャナーに通したものは、PDFの中に画像が入っているだけです。そこからテキストを取り出すにはOCR（光学文字認識）が必要です。

PDFが使われる場面

• 法務・公的なやり取り：契約書、申立書、判決文など。デジタル署名に対応していることが後押ししています。
• 経理・EC：請求書、領収書、銀行の取引明細書。
• 出版・印刷：入稿用データ、電子書籍、カタログ。
• 学術：論文、学位論文、講義ノート。
• フォーム：入力できる申込書や申告書。
• 長期保存：数十年保管が必要な記録（PDF/Aを使用）。

長所と短所

PDFを開けるソフト

何かをインストールする必要はほとんどありません。Chrome、Edge、Firefox、SafariにはどれもPDFビューアーが入っています。macOSではプレビュー、WindowsではEdgeでPDFを開けます。高度な編集、フォームの作成、署名にはAdobe Acrobatがよく使われます。Microsoft WordもPDFを開いて編集可能な文書に変換しようとしますが、結果はファイルの複雑さ次第です。LinuxではEvince、Okular、Popplerのツールが広く使われています。

よくあるトラブルと対処法

PDFからコピーしたテキストがバラバラになる

PDFはテキストを読む順番ではなく描画した順番で保存していることがあります。2段組みの論文では行が入れ替わって混ざることがあり、Unicodeとの対応表なしで埋め込まれたフォントでは、記号やアクセント付きの文字が化けることもあります。ビューアーからコピーするより、PDFをTXTやWordに変換したほうがたいていきれいな結果になります。

暗号化されていて開けない・変換できない

PDFには2種類のパスワードがあります。開くためのパスワードと、編集や印刷のための権限パスワードです。開くためのパスワードがかかったファイルは、そのパスワードを知らなければどの変換ツールでも読めません。パスワードが分かる場合は、ファイルを開いて保護を外し、保存し直してから変換してください。

スキャンしたPDFを検索できない

ファイルに入っているのはテキストではなく画像なので、検索もコピーもできません。テキストレイヤーを追加するにはOCRソフトが必要です。

フォントが元と違って見える

作成したアプリケーションがフォントを埋め込んでいないと、ビューアーは似たフォントで代用します。書き出し時に「フォントを埋め込む」を有効にするか、PDF/Aで保存すれば防げます。

PDFファイルを変換するときのコツ

PDFの変換とは、固定されたページレイアウトを流れる文書として組み立て直すことなので、どんなに優れたツールでもある程度は推測に頼ることになります。当サイトの変換ツールの仕組みは次のとおりです。PDFをWordに変換すると、ファイルは当サイトのサーバーにアップロードされ、オープンソースのPopplerツールが各テキスト断片をその位置とともに読み取り、行をつなげて段落に戻します。太字や斜体などの文字書式と読む順番はおおむね保たれますが、段組みのページ、複雑な表、位置指定されたボックスは元と完全には一致しないことがあります。アップロードされたファイルは30分以内にサーバーから削除されます。

• テキストだけが必要なら、PDFをTXTに変換するのが最もきれいです。書式は落ち、読みやすいプレーンテキストが残ります。
• Web上でページの見た目を保ちたいなら、PDFをHTMLに変換すると、テキストがページ上の元の位置に配置されます。
• スキャンしたPDFにはテキストがないため、当サイトの変換ツールでは編集可能なテキストを取り出せません。先にOCRにかけてください。
• 暗号化されたPDFは変換できず、パスワードを外すよう求めるメッセージが表示されます。

逆方向の変換はもっと簡単です。WordをPDFに変換では、DOCX、DOC、RTFファイルが中間ステップなしでLibreOfficeを通じて直接PDFになるため、ページレイアウト、ヘッダーとフッター、表、画像が保たれます。サーバーにインストールされていないフォントを使っていた場合は、似たフォントに置き換わることがあります。HTML、Markdown、TXTなどの元データは、A4ページにレイアウトされ、ブラウザーエンジンでPDFに印刷されます。

よくある質問

PDFはいつ生まれたのですか？

アイデアは1991年のジョン・ワーノックによるCamelotの提案にさかのぼります。PDFとAcrobatは1993年6月15日に公開され、2008年に国際規格ISO 32000-1になりました。

PDF 1.7とPDF 2.0の違いは何ですか？

PDF 1.7はAdobeによる最後のバージョンで、2008年にISO 32000-1として標準化されました。PDF 2.0（ISO 32000-2）は完全にISOの中で策定され、2017年に公開、2020年の版で修正されています。普段使う分には、どちらも同じソフトで開けます。

PDF/Aとは何で、いつ使うべきですか？

PDF/Aは長期保存のために制限を加えたPDFプロファイルです。フォントの埋め込みが必須で、暗号化やJavaScriptなどの機能は禁止されています。何年後でも同じように開ける必要がある文書や、提出先の機関が求めている場合に選びましょう。

PDFをWordに変換するとレイアウトが崩れるのはなぜですか？

PDFには通常、段落や表の情報がなく、位置が決まったグリフしかないからです。変換ツールはその断片から行と段落を組み立て直す必要があります。単純な1段組みの文書はとてもきれいに変換できますが、段組みや表の多いページは手作業での修正が必要になることがあります。

スキャンしたPDFを編集可能なテキストにできますか？

それにはOCRが必要です。当サイトの変換ツールはOCRを行わず、PDFに実際に存在するテキストだけを移します。スキャンした文書はまずOCRソフトにかけ、その後で変換してください。

PDFを変換しても安全ですか？

文書の変換は当サイトのサーバーで行われます。ファイルは変換のためだけに使われ、30分以内に削除されます。それでも、機密性の非常に高い資料は、どのオンラインサービスにもアップロードしないほうがよい場合があります。

出典

• Adobe: What is a PDF?（The Camelot ProjectとPDFの誕生）
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat（2023年6月15日）
• Library of Congress: PDF 1.5の形式解説
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF（歴史とファイル構造、二次資料）
• Poppler PDFレンダリングライブラリ