PDF деген эмне? Түзүлүшү, тарыхы жана конвертациялоо

Келишимди email аркылуу жөнөткөндө, ал алуучуда ошол эле макет, ошол эле шрифттер жана ошол эле барак үзүлүштөрү менен ачылышын каалайсыз. PDF (Portable Document Format) так ушул үчүн түзүлгөн. Бүгүн «акыркы» деп эсептелген документтердин көбү, эсеп-фактуралар менен сот чечимдеринен тартып илимий макалаларга жана отургузуу талондоруна чейин, PDF түрүндө жөнөтүлөт. Бул макалада PDF кайдан чыкканы, файлдын ичинде эмне бар экени, кандай версиялары бар экени жана PDF'ти башка форматка конвертациялаганда эмне сакталып, эмне жоголору түшүндүрүлөт.

PDF деген эмне?

PDF документтин ар бир барагын өзгөрбөс көрүнүш менен сүрөттөгөн файл форматы. Word сыяктуу түзөтүү форматтарында текст «агат»: терезени тарытсаңыз же шрифтти алмаштырсаңыз, саптар кайра бөлүнөт. PDF'те болсо ар бир белгинин, сызыктын жана сүрөттүн барактагы орду алдын ала аныкталган. Файл текстти, шрифттерди (адатта камтылган), сүрөттөрдү жана вектордук графиканы бир пакетке топтойт, ошондуктан документ баштапкы программасы жок компьютерде да, телефондо да, принтерде да бирдей көрсөтүлөт.

Бул ыкманын баасы бар: PDF чыгаруу форматы. Анда абзац, аталыш же таблица сыяктуу маанилик маалымат дайыма эле боло бербейт. Көбүнчө анда «бул белгилерди ушул координатага тарт» деген буйруктар гана болот. Ушул айырманы эстен чыгарбасаңыз, PDF'ти түзөтүү же аны кайра Word документине айландыруу эмне үчүн кыйын экени түшүнүктүү болот.

Кыскача тарых

PDF Adobe компаниясынын негиздөөчүлөрүнүн бири Джон Уорноктун 1991-жылкы «The Camelot Project» деген сунушунан башталат. Максат каалаган программадагы документти кармап, аны каалаган машинада көрүү же басып чыгаруу болгон. Adobe'нин маалыматы боюнча, 1992-жылга карата бул иш PDF'ке айланган, ал эми PDF жана аны окуган Acrobat программасы 1993-жылдын 15-июнунда чыккан.

Алгачкы он беш жылда PDF Adobe'нин спецификациясы бойдон калып, ар бир чыгарылышта жаңы мүмкүнчүлүктөргө ээ болгон: 1.2 версиясында интерактивдүү формалар (AcroForms), 1.4тө тунуктук жана XMP метаберилиштери, 2003-жылдын августунда чыккан 1.5те катмарлар, объект агымдары жана кайчылаш шилтеме агымдары. Чыныгы бурулуш 2008-жылы болгон: 2008-жылдын 1-июлунда PDF 1.7 ISO 32000-1:2008 эл аралык стандарты болуп, форматты башкаруу ISO комитетине өткөн. 2017-жылы PDF 2.0 (ISO 32000-2) чыгып, 2020-жылдын декабрында анын оңдолгон экинчи басылышы жарык көргөн. 2023-жылдын апрелинен бери PDF Association ISO 32000-2ни акысыз жүктөп алууга сунуштайт.

Масштабын элестетүү үчүн: Adobe 2023-жылдын июнундагы блог жазуусунда анын кардарлары өткөн жыл ичинде Acrobat продукттарында 400 миллиарддан ашык PDF ачканын билдирген. Бул сан Adobe продукттарын гана камтыйт; браузерлердеги орнотулган көрүүчүлөр жана башка программалар кирбейт.

PDF файлдын ичинде эмне бар?

PDF'ти текст редакторунда ачсаңыз, биринчи сапта %PDF-1.7 сыяктуу версия белгиси көрүнөт. Файлдын калган бөлүгү төрт негизги бөлүктөн турат:

1. Баш бөлүк (header): форматты жана версияны жарыялаган биринчи сап.
2. Негизги бөлүк (body): документти түзгөн «кыйыр объекттер». Ар бир объекттин объект номери жана муун номери болот. Барактар, шрифттер, сүрөттөр жана мазмун агымдары баары объекттер.
3. Кайчылаш шилтеме таблицасы (xref): ар бир объекттин байт аралыгын тизмелейт, ошондуктан окуучу программа бүт файлды карап чыкпай эле каалаган баракка түз өтө алат. PDF 1.5тен бери ал кысылган «xref агымы» катары да сакталышы мүмкүн.
4. Трейлер жана файлдын аягы: документ каталогуна (/Root) шилтеме берген сөздүк, андан кийин startxref (xref кайдан башталары) жана %%EOF белгиси.

Жөнөкөйлөтүлгөн мисал мындай көрүнөт:

%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

Барактын чыныгы мазмуну мазмун агымында жайгашат. Мисалда BT ... ET блогу текст объекти, Tf шрифтти жана өлчөмдү тандайт, Td орунду белгилейт, Tj текстти тартат. Байкасаңыз, бул жерде «абзац» же «аталыш» деген түшүнүк жок, орду белгиленген белгилер гана бар. Көзгө бир сап болуп көрүнгөн текст да көп учурда бир нече бөлүккө бөлүнгөн болот.

PDF'тин дагы бир өзгөчөлүгү кошумча жаңыртуу (incremental update). Комментарий же кол тамга кошкондо программа файлды кайра жазбай, анын аягына жаңы объекттерди жана жаңы xref бөлүмүн тиркей алат. Санариптик кол тамгалар кол коюлган мазмунду бузбоо үчүн ушул механизмге таянат.

PDF профилдери жана кошумча стандарттар

ISO 32000 менен катар белгилүү бир максаттарга арналган чектелген PDF профилдери бар. Эң белгилүүсү узак мөөнөттүү архивдөө үчүн иштелип чыккан PDF/A. Анын биринчи бөлүгү PDF/A-1 2005-жылдын октябрында ISO 19005-1 катары жарыяланган. PDF/A файлы бардык шрифттерди камтышы, түстөрдү түзмөктөн көз карандысыз аныктоосу жана XMP метаберилиштерин камтышы керек, ал эми шифрлөө, JavaScript, аудио, видео жана тышкы көз карандылыктарга тыюу салынат. Ошондуктан архивдер жана мамлекеттик мекемелер көп учурда PDF/A талап кылат.

Практикада андан да маанилүү айырма тексттик PDF менен сканерленген PDFтин ортосунда. Word'дон же браузерден «PDF катары сактоо» менен түзүлгөн файлда белгилеп, издеп жана көчүрө ала турган чыныгы текст болот. Сканерден өткөрүлгөн кагаз барак болсо PDF ичиндеги сүрөт гана. Андан текст алуу үчүн OCR (оптикалык белгилерди таануу) керек.

PDF кайда колдонулат?

• Юридикалык жана расмий кат алышуу: келишимдер, арыздар жана чечимдер, буга санариптик кол тамганы колдоо да жардам берет.
• Бухгалтерия жана электрондук соода: эсеп-фактуралар, квитанциялар жана банк көчүрмөлөрү.
• Басмакана жана басып чыгаруу: басмага даяр файлдар, электрондук китептер жана каталогдор.
• Академиялык чөйрө: макалалар, диссертациялар жана лекция конспекттери.
• Формалар: толтурулуучу арыздар жана декларациялар.
• Архивдөө: ондогон жылдар сакталышы керек болгон жазуулар, PDF/A аркылуу.

Күчтүү жана алсыз жактары

PDF'ти кайсы программалар ачат?

Адатта эч нерсе орнотуунун кереги жок. Chrome, Edge, Firefox жана Safari'де PDF көрүүчү орнотулган. macOS'то PDF'ти Preview, Windows'то Edge ачат. Кеңири түзөтүү, форма түзүү жана кол коюу үчүн көбүнчө Adobe Acrobat тандалат. Microsoft Word да PDF'ти ачып, аны түзөтүлүүчү документке айландырууга аракет кыла алат, натыйжасы файлдын татаалдыгына жараша болот. Linux'та Evince, Okular жана Poppler куралдары кеңири колдонулат.

Көп кездешкен көйгөйлөр жана аларды чечүү

PDF'тен көчүрүлгөн текст аралашып чыгат

PDF текстти окуу тартибинде эмес, тартылуу тартибинде сактаган болушу мүмкүн. Эки мамычалуу макалада саптар аралашып кетиши ыктымал, ал эми айрым шрифттер Unicode дал келүүлөрүсүз камтылгандыктан, атайын белгилер бузулуп көрүнүшү мүмкүн. PDF'ти TXT же Word'го конвертациялоо адатта көрүүчүдөн көчүргөнгө караганда тазараак натыйжа берет.

Файл шифрленген, ачылбайт же конвертацияланбайт

PDF'те эки түрдүү сырсөз болушу мүмкүн: ачуу сырсөзү жана уруксат сырсөзү (түзөтүү же басып чыгаруу үчүн). Ачуу сырсөзү бар файлды эч бир конвертер сырсөздү билбей окуй албайт. Сырсөз колуңузда болсо, файлды ачып, коргоону алып салып, кайра сактаңыз да, андан кийин конвертациялаңыз.

Сканерленген PDF'тен издей албай жатам

Файлда текст эмес, сүрөттөр бар, ошондуктан издөө жана көчүрүү иштебейт. Текст катмарын кошуу үчүн OCR программасы керек.

Шрифттер түп нускадагыдан башкача көрүнөт

Файлды түзгөн программа шрифттерди камтыбаса, көрүүчү аларды окшош шрифттер менен алмаштырат. Экспорттоодо «шрифттерди камтуу» параметрин күйгүзүү же PDF/A катары сактоо мунун алдын алат.

PDF файлдарды конвертациялоо боюнча кеңештер

PDF'ти конвертациялоо бекитилген барак макетин кайра агып турган документ катары куруу дегенди билдирет, ошондуктан эң мыкты курал да божомолдоого аргасыз. Биздин конвертер муну мындайча аткарат: PDF'ти Word'го конвертациялаганда файл биздин серверге жүктөлөт, ачык булактуу Poppler куралдары ар бир текст бөлүгүн анын орду менен кошо окуйт жана саптар кайра абзацтарга бириктирилет. Калың жана курсив сыяктуу белги форматтоосу жана окуу агымы негизинен сакталат, бирок көп мамычалуу барактар, татаал таблицалар жана орду бекитилген блоктор түп нускага так дал келбеши мүмкүн. Жүктөлгөн файлдар 30 мүнөттүн ичинде серверден өчүрүлөт.

• Сизге текст гана керек болсо, PDF'ти TXT'ге конвертациялоо эң таза натыйжа берет: форматтоо алынып, окула турган жөнөкөй текст калат.
• Барактын көрүнүшүн вебде сактагыңыз келсе, PDF'тен HTML'ге конвертер текстти барактагы баштапкы ордуна жайгаштырат.
• Сканерленген PDF'терде текст жок, ошондуктан биздин конвертер алардан түзөтүлүүчү текст ала албайт. Алгач OCR'ден өткөрүңүз.
• Шифрленген PDF'тер конвертацияланбайт; сырсөздү алып салууну сураган билдирүүнү көрөсүз.

Тескери багыт жеңилирээк. Word'дон PDF'ке конвертациялоодо DOCX, DOC жана RTF файлдары LibreOffice аркылуу эч кандай ортоңку кадамсыз түз эле PDF'ке айланат, ошондуктан барак макети, колонтитулдар, таблицалар жана сүрөттөр сакталат. Серверде орнотулбаган шрифт колдонсоңуз, ал окшош шрифт менен алмаштырылышы мүмкүн. HTML, Markdown жана TXT сыяктуу булак файлдар A4 барактарына жайгаштырылып, браузер кыймылдаткычы аркылуу PDF'ке басылат.

Көп берилүүчү суроолор

PDF качан түзүлгөн?

Идея Джон Уорноктун 1991-жылкы Camelot сунушунан башталат. PDF жана Acrobat 1993-жылдын 15-июнунда чыккан, ал эми формат 2008-жылы ISO 32000-1 эл аралык стандарты болгон.

PDF 1.7 менен PDF 2.0нүн айырмасы эмнеде?

PDF 1.7 Adobe'нин акыркы версиясы, ал 2008-жылы ISO 32000-1 катары стандартташтырылган. PDF 2.0 (ISO 32000-2) толугу менен ISO ичинде иштелип чыгып, 2017-жылы жарыяланган жана 2020-жылкы басылышта оңдолгон. Күнүмдүк колдонууда экөө тең бир эле программаларда ачылат.

PDF/A деген эмне жана аны качан колдонуу керек?

PDF/A узак мөөнөттүү архивдөө үчүн чектелген PDF профили. Ал шрифттерди камтууну талап кылат жана шифрлөө, JavaScript сыяктуу мүмкүнчүлүктөргө тыюу салат. Документ жылдар өткөндөн кийин да ушундай эле ачылышы керек болгондо же мекеме аны талап кылганда тандаңыз.

PDF'ти Word'го конвертациялаганда эмне үчүн макет бузулат?

Анткени PDF'те адатта абзац же таблица тууралуу маалымат жок, орду белгиленген белгилер гана бар. Конвертер саптарды жана абзацтарды ошол бөлүктөрдөн кайра куруусу керек. Жөнөкөй бир мамычалуу документтер абдан жакшы конвертацияланат; көп мамычалуу же таблицасы көп барактарды кол менен тазалоо керек болушу мүмкүн.

Сканерленген PDF'ти түзөтүлүүчү текстке айландырса болобу?

Ал үчүн OCR керек. Биздин конвертер OCR аткарбайт; ал PDF'те чындап бар текстти гана өткөрөт. Сканерленген документти алгач OCR программасынан өткөрүп, андан кийин конвертациялаңыз.

PDF'терди конвертациялоо коопсузбу?

Документтерди конвертациялоо биздин серверде аткарылат. Файл конвертациялоо үчүн гана колдонулуп, 30 мүнөттүн ичинде өчүрүлөт. Өтө купуя материалдарды болсо эч бир онлайн кызматка жүктөбөөнү тандасаңыз болот.

Булактар

• Adobe: What is a PDF? (The Camelot Project жана PDF'тин жаралышы)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15-июнь, 2023)
• Library of Congress: PDF 1.5 форматынын сүрөттөмөсү
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (тарыхы жана файлдын түзүлүшү, экинчилик булак)
• Poppler PDF көрсөтүү китепканасы