Wat is PDF? Opbouw, geschiedenis en conversietips

Als je een contract mailt, wil je dat het aan de andere kant opent met dezelfde opmaak, dezelfde lettertypen en dezelfde pagina-einden. Precies daarvoor is PDF (Portable Document Format) gemaakt. Tegenwoordig gaan de meeste documenten die als "definitief" gelden, van facturen en vonnissen tot wetenschappelijke artikelen en instapkaarten, als PDF de wereld in. Dit artikel legt uit waar PDF vandaan komt, wat er in het bestand zit, welke versies er zijn en wat er behouden blijft of verloren gaat als je een PDF naar een ander formaat converteert.

Wat is PDF?

PDF is een bestandsformaat dat elke pagina van een document met een vaste weergave beschrijft. In bewerkingsformaten zoals Word "vloeit" tekst: maak je het venster smaller of kies je een ander lettertype, dan lopen de regels opnieuw door. In een PDF ligt de positie van elk teken, elke lijn en elke afbeelding op de pagina vooraf vast. Het bestand bevat de tekst, de lettertypen (meestal ingesloten), de afbeeldingen en de vectorafbeeldingen in één pakket, zodat het document er hetzelfde uitziet op een computer zonder het oorspronkelijke programma, op een telefoon of op een printer.

Dat ontwerp heeft een prijs: PDF is een uitvoerformaat. Het bevat niet altijd semantische informatie zoals alinea's, koppen of tabellen. Vaak staan er alleen instructies in als "teken deze glyphs op deze coördinaat". Wie dat onderscheid in gedachten houdt, begrijpt waarom het bewerken van een PDF, of het terugzetten naar een Word-document, lastig is.

Een korte geschiedenis

PDF gaat terug op een voorstel uit 1991 van Adobe-medeoprichter John Warnock, "The Camelot Project" genoemd. Het doel was documenten uit elk programma vast te leggen en op elke machine te bekijken of af te drukken. Volgens Adobe was daar in 1992 PDF uit voortgekomen, en PDF en de bijbehorende lezer Acrobat verschenen op 15 juni 1993.

De eerste vijftien jaar was PDF een specificatie van Adobe, en bij elke versie kwamen er functies bij: interactieve formulieren (AcroForms) in 1.2, transparantie en XMP-metadata in 1.4, en lagen, objectstreams en cross-referencestreams in 1.5, gepubliceerd in augustus 2003. Het echte keerpunt kwam in 2008: op 1 juli 2008 werd PDF 1.7 de internationale norm ISO 32000-1:2008 en ging het beheer van het formaat over naar een ISO-commissie. PDF 2.0 (ISO 32000-2) volgde in 2017, met een gecorrigeerde tweede editie in december 2020. Sinds april 2023 biedt de PDF Association ISO 32000-2 gratis aan als download.

Om een idee te geven van de schaal: in een blogpost van juni 2023 schreef Adobe dat zijn klanten het jaar daarvoor meer dan 400 miljard PDF's in Acrobat-producten hadden geopend. Dat cijfer gaat alleen over producten van Adobe; ingebouwde viewers in browsers en andere software tellen niet mee.

Wat zit er in een PDF-bestand?

Open je een PDF in een teksteditor, dan zie je op de eerste regel een versieaanduiding zoals %PDF-1.7. De rest van het bestand bestaat uit vier hoofddelen:

1. Header: de eerste regel, die het formaat en de versie vermeldt.
2. Body: de "indirecte objecten" waaruit het document bestaat. Elk object heeft een objectnummer en een generatienummer. Pagina's, lettertypen, afbeeldingen en contentstreams zijn allemaal objecten.
3. Cross-referencetabel (xref): geeft voor elk object de byte-offset, zodat een lezer direct naar elke pagina kan springen zonder het hele bestand te doorlopen. Sinds PDF 1.5 kan deze ook als gecomprimeerde "xref-stream" worden opgeslagen.
4. Trailer en bestandseinde: een woordenboek dat naar de documentcatalogus (/Root) verwijst, gevolgd door startxref (waar de xref begint) en de markering %%EOF.

Een vereenvoudigd voorbeeld ziet er zo uit:

%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

De eigenlijke pagina-inhoud staat in de contentstream. In het voorbeeld is het blok BT ... ET een tekstobject: Tf kiest lettertype en grootte, Td bepaalt de positie en Tj tekent de tekst. Je ziet dat er geen begrip "alinea" of "kop" bestaat, alleen gepositioneerde glyphs. Zelfs één zichtbare regel is vaak in meerdere fragmenten opgesplitst.

Een andere eigenschap van PDF is de incrementele update. Voeg je een opmerking of een handtekening toe, dan kan software nieuwe objecten en een nieuwe xref-sectie aan het einde van het bestand toevoegen in plaats van alles te herschrijven. Digitale handtekeningen leunen op dit mechanisme om de ondertekende inhoud intact te houden.

PDF-profielen en subnormen

Naast ISO 32000 bestaan er beperkte PDF-profielen voor specifieke doeleinden. Het bekendste is PDF/A, bedoeld voor langdurige archivering. Het eerste deel, PDF/A-1, verscheen in oktober 2005 als ISO 19005-1. Een PDF/A-bestand moet alle lettertypen insluiten, kleuren apparaatonafhankelijk definiëren en XMP-metadata bevatten, terwijl versleuteling, JavaScript, audio, video en externe afhankelijkheden verboden zijn. Daarom vragen archieven en overheidsinstanties vaak om PDF/A.

Een praktischer onderscheid is dat tussen tekstgebaseerde PDF's en gescande PDF's. Een bestand dat je met "Opslaan als PDF" uit Word of een browser maakt, bevat echte tekst die je kunt selecteren, doorzoeken en kopiëren. Een vel papier dat door een scanner is gegaan, is gewoon een afbeelding in een PDF. Om daar tekst uit te halen heb je OCR (optische tekenherkenning) nodig.

Waar wordt PDF gebruikt?

• Juridische en officiële correspondentie: contracten, verzoekschriften en vonnissen, mede dankzij de ondersteuning voor digitale handtekeningen.
• Boekhouding en e-commerce: facturen, kassabonnen en bankafschriften.
• Uitgeverij en drukwerk: drukklare bestanden, e-books en catalogi.
• Wetenschap en onderwijs: artikelen, scripties en collegeaantekeningen.
• Formulieren: invulbare aanvragen en verklaringen.
• Archivering: stukken die tientallen jaren bewaard moeten blijven, met PDF/A.

Sterke en zwakke punten

Met welke programma's open je een PDF?

Je hoeft zelden iets te installeren. Chrome, Edge, Firefox en Safari hebben allemaal een ingebouwde PDF-viewer. Op macOS opent Voorvertoning PDF's, op Windows doet Edge dat. Voor geavanceerd bewerken, formulieren ontwerpen en ondertekenen is Adobe Acrobat de gangbare keuze. Ook Microsoft Word kan een PDF openen en proberen er een bewerkbaar document van te maken, met een resultaat dat afhangt van hoe complex het bestand is. Op Linux zijn Evince, Okular en de Poppler-tools veel gebruikt.

Veelvoorkomende problemen en oplossingen

Tekst die ik uit een PDF kopieer, komt door elkaar

Een PDF kan tekst in tekenvolgorde opslaan in plaats van in leesvolgorde. In een artikel met twee kolommen kunnen de regels door elkaar lopen, en sommige lettertypen zijn zonder Unicode-koppeling ingesloten, waardoor letters met accenten kapot kunnen lijken. De PDF naar TXT of Word converteren geeft meestal een schoner resultaat dan kopiëren vanuit de viewer.

Het bestand is versleuteld en wil niet openen of converteren

Een PDF kan twee soorten wachtwoorden hebben: een openingswachtwoord en een machtigingenwachtwoord (voor bewerken of afdrukken). Geen enkele converter kan een bestand met een openingswachtwoord lezen zonder dat wachtwoord te kennen. Heb je het wachtwoord, open het bestand dan, verwijder de beveiliging, sla het opnieuw op en converteer het daarna.

Ik kan niet zoeken in een gescande PDF

Het bestand bevat afbeeldingen en geen tekst, dus zoeken en kopiëren werkt niet. Je hebt OCR-software nodig om een tekstlaag toe te voegen.

Lettertypen zien er anders uit dan in het origineel

Als het programma waarmee de PDF is gemaakt de lettertypen niet heeft ingesloten, vervangt de viewer ze door vergelijkbare. Zet bij het exporteren "lettertypen insluiten" aan, of sla op als PDF/A, dan voorkom je dit.

Tips voor het converteren van PDF-bestanden

Een PDF converteren betekent een vaste pagina-opmaak herbouwen tot een doorlopend document, dus zelfs de beste tool moet onderbouwde gissingen maken. Zo pakt onze converter het aan: als je PDF naar Word converteert, wordt het bestand naar onze server geüpload, lezen de opensource Poppler-tools elk tekstfragment samen met zijn positie uit en worden de regels weer tot alinea's samengevoegd. Tekenopmaak zoals vet en cursief en de leesvolgorde blijven grotendeels behouden, maar pagina's met meerdere kolommen, complexe tabellen en gepositioneerde kaders komen mogelijk niet precies overeen met het origineel. Geüploade bestanden worden binnen 30 minuten van de server verwijderd.

• Heb je alleen de tekst nodig, dan geeft PDF naar TXT het schoonste resultaat: de opmaak verdwijnt en er blijft leesbare platte tekst over.
• Wil je de paginaweergave op het web behouden, dan plaatst PDF naar HTML de tekst op de oorspronkelijke posities op de pagina.
• Gescande PDF's bevatten geen tekst, dus onze converter kan er geen bewerkbare tekst uit halen. Gebruik eerst OCR.
• Versleutelde PDF's kunnen niet worden geconverteerd; je krijgt dan een melding dat je het wachtwoord moet verwijderen.

De andere kant op is makkelijker. Met Word naar PDF gaan DOCX-, DOC- en RTF-bestanden zonder tussenstap via LibreOffice rechtstreeks naar PDF, zodat pagina-opmaak, kop- en voetteksten, tabellen en afbeeldingen behouden blijven. Heb je een lettertype gebruikt dat niet op de server staat, dan kan het door een vergelijkbaar lettertype worden vervangen. Bronnen zoals HTML, Markdown en TXT worden op A4-pagina's opgemaakt en door een browserengine naar PDF afgedrukt.

Veelgestelde vragen

Wanneer is PDF ontstaan?

Het idee gaat terug op het Camelot-voorstel van John Warnock uit 1991. PDF en Acrobat verschenen op 15 juni 1993, en in 2008 werd het formaat de internationale norm ISO 32000-1.

Wat is het verschil tussen PDF 1.7 en PDF 2.0?

PDF 1.7 is de laatste versie van Adobe, in 2008 gestandaardiseerd als ISO 32000-1. PDF 2.0 (ISO 32000-2) is volledig binnen ISO ontwikkeld, verscheen in 2017 en kreeg in 2020 een gecorrigeerde editie. In de dagelijkse praktijk openen beide in dezelfde programma's.

Wat is PDF/A en wanneer gebruik ik het?

PDF/A is een beperkt PDF-profiel voor langdurige archivering. Het vereist ingesloten lettertypen en verbiedt functies zoals versleuteling en JavaScript. Kies het als een document over jaren nog precies zo moet openen, of als een instantie het verplicht stelt.

Waarom raakt de opmaak in de war als ik een PDF naar Word converteer?

Omdat een PDF meestal geen informatie over alinea's of tabellen bevat, alleen gepositioneerde glyphs. De converter moet regels en alinea's uit die fragmenten opnieuw opbouwen. Eenvoudige documenten met één kolom converteren heel goed; pagina's met meerdere kolommen of veel tabellen hebben soms handmatig nawerk nodig.

Kan ik een gescande PDF omzetten naar bewerkbare tekst?

Daarvoor is OCR nodig. Onze converter doet geen OCR; hij neemt alleen tekst over die echt in de PDF staat. Haal het gescande document eerst door OCR-software en converteer het daarna.

Is het veilig om mijn PDF's te converteren?

Documentconversie draait op onze server. Het bestand wordt alleen voor de conversie gebruikt en binnen 30 minuten verwijderd. Voor zeer vertrouwelijk materiaal kun je er toch voor kiezen het naar geen enkele onlinedienst te uploaden.

Bronnen

• Adobe: What is a PDF? (The Camelot Project en het ontstaan van PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 juni 2023)
• Library of Congress: formaatbeschrijving van PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (geschiedenis en bestandsopbouw, secundaire bron)
• Poppler, bibliotheek voor het renderen van PDF