PDF дегеніміз не? Құрылымы, тарихы және түрлендіру

Келісімшартты электрондық поштамен жібергенде, ол екінші жақта дәл сол беттеу, сол қаріптер және сол бет үзілімдерімен ашылғанын қалайсыз. PDF (Portable Document Format) дәл осы мақсатқа жасалған. Бүгінде «соңғы нұсқа» саналатын құжаттардың көбі, шот-фактуралар мен сот шешімдерінен бастап ғылыми мақалалар мен отырғызу талондарына дейін, PDF түрінде жіберіледі. Бұл мақалада PDF-тің қайдан шыққаны, файлдың ішінде не бар екені, қандай нұсқалары бар екені және PDF-ті басқа форматқа түрлендіргенде не сақталып, не жоғалатыны түсіндіріледі.

PDF дегеніміз не?

PDF құжаттың әр бетін тұрақты көрініспен сипаттайтын файл форматы. Word сияқты өңдеу форматтарында мәтін «ағып» тұрады: терезені тарылтсаңыз не қаріпті өзгертсеңіз, жолдар қайта бөлінеді. PDF-те беттегі әр таңбаның, сызықтың және суреттің орны алдын ала анықталған. Файл мәтінді, қаріптерді (әдетте ендірілген), суреттерді және векторлық графиканы бір бумада сақтайды, сондықтан құжат бастапқы бағдарламасы жоқ компьютерде де, телефонда да, принтерде де бірдей көрінеді.

Бұл тәсілдің өз бағасы бар: PDF шығыс форматы. Онда абзацтар, тақырыптар не кестелер сияқты мағыналық ақпарат әрдайым бола бермейді. Көбінесе тек «мына глифтерді осы координатқа сал» деген нұсқаулар ғана болады. Осы айырмашылықты есте ұстасаңыз, PDF-ті өңдеудің не оны қайтадан Word құжатына айналдырудың неге қиын екені түсінікті болады.

Қысқаша тарих

PDF Adobe компаниясының негізін қалаушылардың бірі Джон Уорноктың 1991 жылғы «The Camelot Project» атты ұсынысынан бастау алады. Мақсат кез келген бағдарламадан құжатты алып, оны кез келген машинада көру не басып шығару еді. Adobe мәліметі бойынша, 1992 жылы бұл жоба PDF-ке айналды, ал PDF пен оны оқитын Acrobat бағдарламасы 1993 жылғы 15 маусымда шықты.

Алғашқы он бес жылда PDF Adobe спецификациясы болып қалды және әр нұсқамен жаңа мүмкіндіктерге ие болды: 1.2 нұсқасында интерактивті формалар (AcroForms), 1.4 нұсқасында мөлдірлік пен XMP метадеректері, ал 2003 жылдың тамызында жарияланған 1.5 нұсқасында қабаттар, объект ағындары және айқас сілтеме ағындары пайда болды. Нағыз бетбұрыс 2008 жылы болды: PDF 1.7 2008 жылғы 1 шілдеде ISO 32000-1:2008 халықаралық стандартына айналып, форматты басқару ISO комитетіне өтті. 2017 жылы PDF 2.0 (ISO 32000-2) шықты, ал 2020 жылдың желтоқсанында оның түзетілген екінші басылымы жарияланды. 2023 жылдың сәуірінен бастап PDF Association ISO 32000-2 стандартын тегін жүктеп алуға ұсынады.

Ауқымын көрсету үшін: Adobe 2023 жылғы маусымдағы блог жазбасында өз клиенттерінің өткен жылы Acrobat өнімдерінде 400 миллиардтан астам PDF ашқанын айтты. Бұл сан тек Adobe өнімдерін қамтиды; браузерлердегі кіріктірілген қарау құралдары мен басқа бағдарламалар есепке кірмейді.

PDF файлының ішінде не бар?

PDF-ті мәтіндік редакторда ашсаңыз, бірінші жолда %PDF-1.7 сияқты нұсқа белгісін көресіз. Файлдың қалған бөлігі төрт негізгі бөліктен тұрады:

1. Тақырып (header): форматты және нұсқаны жариялайтын бірінші жол.
2. Дене (body): құжатты құрайтын «жанама объектілер». Әр объектінің объект нөмірі мен буын нөмірі болады. Беттер, қаріптер, суреттер және мазмұн ағындары түгел объектілер.
3. Айқас сілтеме кестесі (xref): әр объектінің байттық ығысуын тізеді, сондықтан оқу бағдарламасы бүкіл файлды қарап шықпай-ақ кез келген бетке бірден өте алады. PDF 1.5 нұсқасынан бері ол қысылған «xref ағыны» түрінде де сақтала алады.
4. Трейлер және файл соңы: құжат каталогын (/Root) көрсететін сөздік, одан кейін startxref (xref басталатын орын) және %%EOF белгісі.

Жеңілдетілген мысал мынадай:

%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

Беттің нақты мазмұны мазмұн ағынында тұрады. Мысалдағы BT ... ET блогы мәтін объектісі: Tf қаріп пен өлшемді таңдайды, Td орынды белгілейді, ал Tj мәтінді салады. Мұнда «абзац» не «тақырып» ұғымы жоқ екеніне назар аударыңыз, тек орны белгіленген глифтер бар. Көзге бір жол болып көрінетін мәтіннің өзі көбінесе бірнеше бөлікке бөлінеді.

PDF-тің тағы бір ерекшелігі инкременттік жаңарту. Түсініктеме не қолтаңба қосқанда, бағдарлама файлды қайта жазудың орнына оның соңына жаңа объектілер мен жаңа xref бөлімін қоса алады. Цифрлық қолтаңбалар қол қойылған мазмұнды бүтін сақтау үшін осы механизмге сүйенеді.

PDF профильдері мен ішкі стандарттары

ISO 32000 стандартымен қатар белгілі бір мақсаттарға арналған шектелген PDF профильдері бар. Ең танымалы ұзақ мерзімді мұрағаттауға арналған PDF/A. Оның бірінші бөлігі PDF/A-1 2005 жылдың қазанында ISO 19005-1 ретінде жарияланды. PDF/A файлы барлық қаріптерді ендіруі, түстерді құрылғыға тәуелсіз түрде анықтауы және XMP метадеректерін қамтуы тиіс, ал шифрлау, JavaScript, дыбыс, бейне және сыртқы тәуелділіктерге тыйым салынған. Сондықтан мұрағаттар мен мемлекеттік мекемелер жиі PDF/A талап етеді.

Практикада маңыздырақ айырмашылық мәтіндік PDF пен сканерленген PDF арасында. Word-тан не браузерден «PDF ретінде сақтау» арқылы жасалған файлда ерекшелеуге, іздеуге және көшіруге болатын нағыз мәтін бар. Сканерден өткізілген қағаз парағы PDF ішіндегі жай сурет қана. Одан мәтін алу үшін OCR (таңбаларды оптикалық тану) қажет.

PDF қайда қолданылады?

• Заңдық және ресми хат алмасу: цифрлық қолтаңбаны қолдаудың арқасында келісімшарттар, өтініштер және шешімдер.
• Бухгалтерия және электрондық сауда: шот-фактуралар, түбіртектер және банк үзінділері.
• Баспа ісі: баспаға дайын файлдар, электрондық кітаптар және каталогтар.
• Академиялық орта: мақалалар, диссертациялар және дәріс конспектілері.
• Формалар: толтырылатын өтінімдер мен декларациялар.
• Мұрағаттау: PDF/A арқылы ондаған жыл сақталуы тиіс құжаттар.

Күшті және әлсіз жақтары

PDF-ті қандай бағдарламалар ашады?

Әдетте ештеңе орнатудың қажеті жоқ. Chrome, Edge, Firefox және Safari браузерлерінде PDF қарау құралы бар. macOS жүйесінде PDF-ті Preview (Қарап шығу), ал Windows жүйесінде Edge ашады. Кеңейтілген өңдеу, форма жасау және қол қою үшін көбінесе Adobe Acrobat таңдалады. Microsoft Word та PDF-ті ашып, оны өңделетін құжатқа айналдыруға тырыса алады, нәтижесі файлдың күрделілігіне байланысты. Linux жүйесінде Evince, Okular және Poppler құралдары кең қолданылады.

Жиі кездесетін мәселелер және оларды шешу

PDF-тен көшірілген мәтін шатасып шығады

PDF мәтінді оқу ретімен емес, салу ретімен сақтауы мүмкін. Екі бағанды мақалада жолдар араласып кетеді, ал кейбір қаріптер Unicode сәйкестігінсіз ендірілгендіктен, диакритикалық белгілері бар әріптер бұзылып көрінуі мүмкін. PDF-ті TXT не Word форматына түрлендіру әдетте қарау құралынан көшіргеннен гөрі таза нәтиже береді.

Файл шифрланған, ашылмайды не түрлендірілмейді

PDF-те құпиясөздің екі түрі болуы мүмкін: ашу құпиясөзі және рұқсаттар құпиясөзі (өңдеуге не басып шығаруға). Ашу құпиясөзі бар файлды ешбір түрлендіргіш құпиясөзді білмейінше оқи алмайды. Құпиясөз сізде болса, файлды ашып, қорғауды алып тастаңыз, қайта сақтаңыз, содан кейін түрлендіріңіз.

Сканерленген PDF-тен іздей алмаймын

Файлда мәтін емес, суреттер бар, сондықтан іздеу мен көшіру жұмыс істемейді. Мәтін қабатын қосу үшін OCR бағдарламасы керек.

Қаріптер түпнұсқадан өзгеше көрінеді

Файлды жасаған бағдарлама қаріптерді ендірмесе, қарау құралы оларды ұқсас қаріптермен алмастырады. Экспорттау кезінде «қаріптерді ендіру» параметрін қосу не PDF/A ретінде сақтау мұның алдын алады.

PDF файлдарын түрлендіру бойынша кеңестер

PDF-ті түрлендіру тұрақты бет орналасуын қайтадан ағынды құжат ретінде құрастыру дегенді білдіреді, сондықтан ең жақсы құралдың өзі болжам жасауға мәжбүр. Біздің түрлендіргіш мұны былай орындайды: PDF-ті Word-қа түрлендіргенде файл біздің серверге жүктеледі, ашық бастапқы кодты Poppler құралдары әр мәтін бөлігін оның орнымен бірге оқиды, ал жолдар қайтадан абзацтарға біріктіріледі. Қалың және көлбеу сияқты таңба пішімі мен оқу ағыны негізінен сақталады, бірақ көп бағанды беттер, күрделі кестелер және орны бекітілген блоктар түпнұсқаға дәл сәйкес келмеуі мүмкін. Жүктелген файлдар серверден 30 минут ішінде жойылады.

• Сізге тек мәтін керек болса, PDF-ті TXT-ге түрлендіру ең таза нәтиже береді: пішім алынып тасталып, оқылатын қарапайым мәтін қалады.
• Беттің көрінісін вебте сақтағыңыз келсе, PDF-ті HTML-ге түрлендіру мәтінді беттегі бастапқы орындарына қояды.
• Сканерленген PDF-те мәтін жоқ, сондықтан біздің түрлендіргіш олардан өңделетін мәтін ала алмайды. Алдымен OCR жасаңыз.
• Шифрланған PDF түрлендірілмейді; құпиясөзді алып тастауды сұрайтын хабарлама көресіз.

Кері бағыт оңайырақ. Word-ты PDF-ке түрлендіргенде DOCX, DOC және RTF файлдары LibreOffice арқылы аралық қадамсыз тікелей PDF-ке айналады, сондықтан бет орналасуы, жоғарғы және төменгі колонтитулдар, кестелер мен суреттер сақталады. Серверде орнатылмаған қаріпті қолдансаңыз, ол ұқсас қаріппен алмастырылуы мүмкін. HTML, Markdown және TXT сияқты көздер A4 беттерге орналастырылып, браузер қозғалтқышы арқылы PDF-ке басылады.

Жиі қойылатын сұрақтар

PDF қашан пайда болды?

Идея Джон Уорноктың 1991 жылғы Camelot ұсынысынан басталады. PDF пен Acrobat 1993 жылғы 15 маусымда шықты, ал 2008 жылы формат ISO 32000-1 халықаралық стандартына айналды.

PDF 1.7 мен PDF 2.0 арасында қандай айырмашылық бар?

PDF 1.7 Adobe-тың соңғы нұсқасы, ол 2008 жылы ISO 32000-1 ретінде стандартталды. PDF 2.0 (ISO 32000-2) толығымен ISO аясында әзірленіп, 2017 жылы жарияланды және 2020 жылғы басылымда түзетілді. Күнделікті қолданыста екеуі де бір бағдарламаларда ашылады.

PDF/A дегеніміз не және оны қашан қолдану керек?

PDF/A ұзақ мерзімді мұрағаттауға арналған шектелген PDF профилі. Ол қаріптерді ендіруді талап етеді және шифрлау мен JavaScript сияқты мүмкіндіктерге тыйым салады. Құжат жылдар өткен соң да дәл солай ашылуы керек болса не мекеме оны талап етсе, осы форматты таңдаңыз.

PDF-ті Word-қа түрлендіргенде беттеу неге бұзылады?

Себебі PDF-те әдетте абзац не кесте туралы ақпарат болмайды, тек орны белгіленген глифтер болады. Түрлендіргіш жолдар мен абзацтарды осы бөліктерден қайта құрастыруы керек. Қарапайым бір бағанды құжаттар өте жақсы түрлендіріледі; көп бағанды не кестесі көп беттерді қолмен түзету қажет болуы мүмкін.

Сканерленген PDF-ті өңделетін мәтінге айналдыруға бола ма?

Ол үшін OCR керек. Біздің түрлендіргіш OCR жасамайды; ол тек PDF-те шын мәнінде бар мәтінді ғана көшіреді. Алдымен сканерленген құжатты OCR бағдарламасынан өткізіп, содан кейін түрлендіріңіз.

PDF файлдарымды түрлендіру қауіпсіз бе?

Құжаттарды түрлендіру біздің серверде орындалады. Файл тек түрлендіру үшін қолданылады және 30 минут ішінде жойылады. Аса құпия материалдарды бәрібір ешбір онлайн қызметке жүктемеуді жөн көруіңіз мүмкін.

Дереккөздер

• Adobe: What is a PDF? (The Camelot Project және PDF-тің пайда болуы)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 маусым 2023)
• Library of Congress: PDF 1.5 форматының сипаттамасы
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (тарихы және файл құрылымы, қосымша дереккөз)
• Poppler PDF рендеринг кітапханасы