Co to jest PDF? Budowa, historia i konwersja

Kiedy wysyłasz umowę mailem, chcesz, żeby po drugiej stronie otworzyła się z tym samym układem, tymi samymi czcionkami i tymi samymi podziałami stron. Właśnie do tego powstał PDF (Portable Document Format). Dziś większość dokumentów uznawanych za „ostateczne”, od faktur i orzeczeń sądowych po artykuły naukowe i karty pokładowe, krąży jako pliki PDF. W tym artykule wyjaśniamy, skąd wziął się PDF, co jest w środku pliku, jakie istnieją wersje i co zostaje zachowane, a co ginie, gdy konwertujesz PDF do innego formatu.

Czym jest PDF?

PDF to format pliku, który opisuje każdą stronę dokumentu w niezmiennej postaci. W formatach edycyjnych, takich jak Word, tekst „płynie”: zwęź okno albo zmień czcionkę, a wiersze ułożą się na nowo. W PDF-ie położenie każdego znaku, linii i obrazu na stronie jest ustalone z góry. Plik zawiera w jednym pakiecie tekst, czcionki (zwykle osadzone), obrazy i grafikę wektorową, dzięki czemu dokument wygląda tak samo na komputerze bez oryginalnego programu, na telefonie i na drukarce.

Ta konstrukcja ma swoją cenę: PDF jest formatem wyjściowym. Nie zawsze zawiera informacje semantyczne, takie jak akapity, nagłówki czy tabele. Często ma tylko polecenia w rodzaju „narysuj te znaki w tym miejscu”. Pamiętając o tym, łatwo zrozumieć, dlaczego edycja PDF-a albo zamiana go z powrotem na dokument Worda jest trudna.

Krótka historia

PDF wywodzi się z propozycji, którą współzałożyciel Adobe John Warnock przedstawił w 1991 roku pod nazwą „The Camelot Project”. Celem było przechwytywanie dokumentów z dowolnej aplikacji oraz ich wyświetlanie i drukowanie na dowolnym komputerze. Według Adobe w 1992 roku projekt przybrał już postać PDF, a sam PDF i odczytujący go program Acrobat zostały wydane 15 czerwca 1993 roku.

Przez pierwsze piętnaście lat PDF był specyfikacją Adobe i z każdym wydaniem zyskiwał nowe funkcje: interaktywne formularze (AcroForms) w wersji 1.2, przezroczystość i metadane XMP w 1.4 oraz warstwy, strumienie obiektów i strumienie odsyłaczy w 1.5, opublikowanej w sierpniu 2003 roku. Prawdziwy przełom nastąpił w 2008 roku: 1 lipca 2008 roku PDF 1.7 stał się międzynarodową normą ISO 32000-1:2008, a kontrola nad formatem przeszła do komitetu ISO. W 2017 roku pojawił się PDF 2.0 (ISO 32000-2), a w grudniu 2020 roku jego poprawione drugie wydanie. Od kwietnia 2023 roku PDF Association udostępnia normę ISO 32000-2 do bezpłatnego pobrania.

Dla porównania skali: w czerwcu 2023 roku Adobe napisało na swoim blogu, że jego klienci otworzyli w ciągu poprzedniego roku ponad 400 miliardów plików PDF w produktach Acrobat. Ta liczba dotyczy tylko produktów Adobe; wbudowane przeglądarki PDF i inne programy nie są w niej uwzględnione.

Co jest w środku pliku PDF?

Jeśli otworzysz PDF w edytorze tekstu, w pierwszym wierszu zobaczysz znacznik wersji, na przykład %PDF-1.7. Reszta pliku składa się z czterech głównych części:

1. Nagłówek: pierwszy wiersz, który deklaruje format i wersję.
2. Treść (body): „obiekty pośrednie” tworzące dokument. Każdy obiekt ma numer obiektu i numer generacji. Strony, czcionki, obrazy i strumienie zawartości to obiekty.
3. Tablica odsyłaczy (xref): podaje przesunięcie w bajtach każdego obiektu, dzięki czemu czytnik może od razu przejść do dowolnej strony bez przeszukiwania całego pliku. Od PDF 1.5 może być też zapisana jako skompresowany „strumień xref”.
4. Trailer i koniec pliku: słownik wskazujący katalog dokumentu (/Root), a po nim startxref (miejsce, gdzie zaczyna się xref) i znacznik %%EOF.

Uproszczony przykład wygląda tak:

%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

Właściwa zawartość strony znajduje się w strumieniu zawartości. W przykładzie blok BT ... ET to obiekt tekstowy, Tf wybiera czcionkę i rozmiar, Td ustawia pozycję, a Tj rysuje tekst. Zwróć uwagę, że nie ma tu pojęcia „akapitu” ani „nagłówka”, są tylko umieszczone w konkretnych miejscach znaki. Nawet jeden wizualny wiersz bywa podzielony na kilka fragmentów.

Kolejną cechą PDF-a jest aktualizacja przyrostowa (incremental update). Gdy dodajesz komentarz lub podpis, program może dopisać nowe obiekty i nową sekcję xref na końcu pliku, zamiast zapisywać go od nowa. Na tym mechanizmie opierają się podpisy cyfrowe, które dzięki temu zachowują podpisaną treść w nienaruszonym stanie.

Profile i podnormy PDF

Obok ISO 32000 istnieją ograniczone profile PDF do konkretnych zastosowań. Najbardziej znany jest PDF/A, zaprojektowany do długoterminowej archiwizacji. Jego pierwsza część, PDF/A-1, została opublikowana jako ISO 19005-1 w październiku 2005 roku. Plik PDF/A musi mieć osadzone wszystkie czcionki, kolory zdefiniowane niezależnie od urządzenia i metadane XMP, a szyfrowanie, JavaScript, dźwięk, wideo i zależności zewnętrzne są zabronione. Dlatego archiwa i instytucje publiczne często wymagają PDF/A.

Bardziej praktyczne jest rozróżnienie między PDF-ami tekstowymi a zeskanowanymi. Plik utworzony poleceniem „Zapisz jako PDF” w Wordzie lub przeglądarce zawiera prawdziwy tekst, który można zaznaczać, przeszukiwać i kopiować. Kartka przepuszczona przez skaner to tylko obraz w PDF-ie. Żeby wydobyć z niej tekst, potrzebne jest OCR (optyczne rozpoznawanie znaków).

Gdzie używa się PDF?

• Korespondencja prawna i urzędowa: umowy, pisma i orzeczenia, czemu sprzyja obsługa podpisów cyfrowych.
• Księgowość i e-commerce: faktury, paragony i wyciągi bankowe.
• Wydawnictwa i druk: pliki gotowe do druku, e-booki i katalogi.
• Nauka: artykuły, prace dyplomowe i notatki z wykładów.
• Formularze: wypełniane wnioski i deklaracje.
• Archiwizacja: dokumenty, które trzeba przechowywać przez dziesięciolecia, z użyciem PDF/A.

Zalety i wady

Jakie programy otwierają PDF?

Rzadko trzeba cokolwiek instalować. Chrome, Edge, Firefox i Safari mają wbudowaną przeglądarkę PDF. Na macOS PDF-y otwiera Podgląd, a w Windows robi to Edge. Do zaawansowanej edycji, projektowania formularzy i podpisywania najczęściej wybiera się Adobe Acrobat. Microsoft Word także potrafi otworzyć PDF i spróbować zamienić go na edytowalny dokument, z efektem zależnym od złożoności pliku. W systemie Linux popularne są Evince, Okular i narzędzia Poppler.

Typowe problemy i jak je rozwiązać

Tekst skopiowany z PDF-a wkleja się pomieszany

PDF może przechowywać tekst w kolejności rysowania, a nie czytania. W artykule z dwiema kolumnami wiersze mogą się przeplatać, a niektóre czcionki są osadzone bez mapowania na Unicode, więc znaki diakrytyczne mogą wyglądać na uszkodzone. Konwersja PDF-a do TXT lub Worda zwykle daje czystszy wynik niż kopiowanie z przeglądarki.

Plik jest zaszyfrowany i nie chce się otworzyć ani przekonwertować

PDF może mieć dwa rodzaje haseł: hasło otwarcia i hasło uprawnień (do edycji lub drukowania). Żaden konwerter nie odczyta pliku z hasłem otwarcia, jeśli go nie zna. Jeśli masz hasło, otwórz plik, usuń zabezpieczenie, zapisz go ponownie i dopiero wtedy przekonwertuj.

Nie mogę przeszukiwać zeskanowanego PDF-a

Plik zawiera obrazy, a nie tekst, więc wyszukiwanie i kopiowanie nie działają. Potrzebujesz programu OCR, który doda warstwę tekstową.

Czcionki wyglądają inaczej niż w oryginale

Jeśli program, w którym utworzono plik, nie osadził czcionek, przeglądarka podstawia podobne. Zapobiega temu włączenie opcji „osadź czcionki” przy eksporcie albo zapis jako PDF/A.

Wskazówki dotyczące konwersji plików PDF

Konwersja PDF-a oznacza odbudowanie stałego układu strony jako płynnego dokumentu, więc nawet najlepsze narzędzie musi coś zgadywać. Tak radzi sobie z tym nasz konwerter: gdy konwertujesz PDF do Worda, plik jest wysyłany na nasz serwer, otwartoźródłowe narzędzia Poppler odczytują każdy fragment tekstu wraz z jego położeniem, a wiersze są z powrotem łączone w akapity. Formatowanie znaków, takie jak pogrubienie i kursywa, oraz kolejność czytania są w dużej mierze zachowane, ale strony wielokolumnowe, złożone tabele i pozycjonowane ramki mogą nie odpowiadać dokładnie oryginałowi. Przesłane pliki są usuwane z serwera w ciągu 30 minut.

• Jeśli potrzebujesz tylko tekstu, konwersja PDF do TXT daje najczystszy wynik: formatowanie znika, a zostaje czytelny zwykły tekst.
• Jeśli chcesz zachować wygląd strony w sieci, PDF do HTML umieszcza tekst w jego pierwotnych miejscach na stronie.
• Zeskanowane PDF-y nie zawierają tekstu, więc nasz konwerter nie wydobędzie z nich edytowalnej treści. Najpierw użyj OCR.
• Zaszyfrowanych PDF-ów nie da się przekonwertować; zobaczysz komunikat z prośbą o usunięcie hasła.

W drugą stronę jest łatwiej. Przy konwersji Word do PDF pliki DOCX, DOC i RTF trafiają do PDF bezpośrednio przez LibreOffice, bez etapu pośredniego, więc układ strony, nagłówki i stopki, tabele oraz obrazy zostają zachowane. Jeśli użyłeś czcionki, której nie ma na serwerze, może zostać zastąpiona podobną. Źródła takie jak HTML, Markdown i TXT są składane na stronach A4 i drukowane do PDF przez silnik przeglądarki.

Najczęściej zadawane pytania

Kiedy powstał PDF?

Pomysł sięga propozycji Camelot Johna Warnocka z 1991 roku. PDF i Acrobat zostały wydane 15 czerwca 1993 roku, a w 2008 roku format stał się międzynarodową normą ISO 32000-1.

Czym różni się PDF 1.7 od PDF 2.0?

PDF 1.7 to ostatnia wersja Adobe, znormalizowana jako ISO 32000-1 w 2008 roku. PDF 2.0 (ISO 32000-2) powstał w całości w ramach ISO, został opublikowany w 2017 roku i poprawiony w wydaniu z 2020 roku. Na co dzień oba otwierają się w tych samych programach.

Czym jest PDF/A i kiedy go używać?

PDF/A to ograniczony profil PDF do długoterminowej archiwizacji. Wymaga osadzonych czcionek i zabrania funkcji takich jak szyfrowanie i JavaScript. Wybierz go, gdy dokument ma się otwierać tak samo za wiele lat albo gdy wymaga tego instytucja.

Dlaczego układ się rozjeżdża, gdy konwertuję PDF do Worda?

Bo PDF zwykle nie ma informacji o akapitach ani tabelach, tylko znaki umieszczone w konkretnych miejscach. Konwerter musi odbudować z tych fragmentów wiersze i akapity. Proste, jednokolumnowe dokumenty konwertują się bardzo dobrze; strony wielokolumnowe lub pełne tabel mogą wymagać ręcznych poprawek.

Czy mogę zamienić zeskanowany PDF na edytowalny tekst?

Do tego potrzebne jest OCR. Nasz konwerter nie wykonuje OCR; przenosi tylko tekst, który faktycznie istnieje w PDF-ie. Najpierw przepuść zeskanowany dokument przez program OCR, a potem go przekonwertuj.

Czy konwertowanie moich PDF-ów jest bezpieczne?

Konwersja dokumentów odbywa się na naszym serwerze. Plik jest używany wyłącznie do konwersji i zostaje usunięty w ciągu 30 minut. Materiałów ściśle poufnych możesz mimo to nie chcieć wysyłać do żadnej usługi online.

Źródła

• Adobe: What is a PDF? (The Camelot Project i narodziny PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 czerwca 2023)
• Library of Congress: opis formatu PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (historia i budowa pliku, źródło wtórne)
• Biblioteka renderująca PDF Poppler