Что такое PDF? Структура, история и советы по конвертации

Отправляя договор по электронной почте, вы хотите, чтобы у получателя он открылся с той же версткой, теми же шрифтами и теми же разрывами страниц. Именно для этого и создавался PDF (Portable Document Format). Сегодня большинство «окончательных» документов, от счетов и судебных решений до научных статей и посадочных талонов, передаются в виде PDF. В этой статье разберем, откуда взялся PDF, что находится внутри файла, какие существуют версии и что сохраняется или теряется при конвертации PDF в другой формат.

Что такое PDF?

PDF - это формат файла, который описывает каждую страницу документа с фиксированным внешним видом. В редактируемых форматах вроде Word текст «течет»: стоит сузить окно или сменить шрифт, и строки переносятся заново. В PDF положение каждого символа, линии и изображения на странице определено заранее. Файл содержит текст, шрифты (обычно встроенные), изображения и векторную графику в одном пакете, поэтому документ выглядит одинаково и на компьютере без исходной программы, и на телефоне, и на принтере.

У такого подхода есть цена: PDF - это выходной формат. Он не всегда содержит смысловую информацию об абзацах, заголовках или таблицах. Часто в нем есть только инструкции вида «нарисовать эти глифы в этой точке». Если помнить об этом различии, становится понятно, почему редактировать PDF или превращать его обратно в документ Word так сложно.

Краткая история

PDF ведет начало от предложения сооснователя Adobe Джона Уорнока, сделанного в 1991 году и названного «The Camelot Project». Цель состояла в том, чтобы сохранять документы из любого приложения и просматривать или печатать их на любом компьютере. По данным Adobe, к 1992 году проект превратился в PDF, а сам PDF и программа Acrobat для его чтения вышли 15 июня 1993 года.

Первые пятнадцать лет PDF оставался спецификацией Adobe и с каждой версией получал новые возможности: интерактивные формы (AcroForms) в 1.2, прозрачность и метаданные XMP в 1.4, слои, потоки объектов и потоки перекрестных ссылок в 1.5, опубликованной в августе 2003 года. Настоящий поворот случился в 2008 году: 1 июля 2008 года PDF 1.7 стал международным стандартом ISO 32000-1:2008, и управление форматом перешло к комитету ISO. В 2017 году вышел PDF 2.0 (ISO 32000-2), а в декабре 2020 года появилось исправленное второе издание. С апреля 2023 года PDF Association предлагает ISO 32000-2 для бесплатной загрузки.

Для понимания масштаба: в блоге в июне 2023 года Adobe сообщила, что ее клиенты открыли более 400 миллиардов PDF в продуктах Acrobat за предыдущий год. Эта цифра учитывает только продукты Adobe; встроенные просмотрщики браузеров и другие программы в нее не входят.

Что находится внутри PDF-файла?

Если открыть PDF в текстовом редакторе, в первой строке будет метка версии, например %PDF-1.7. Остальная часть файла состоит из четырех основных частей:

1. Заголовок (header): первая строка, в которой указаны формат и версия.
2. Тело (body): «косвенные объекты», из которых состоит документ. У каждого объекта есть номер объекта и номер поколения. Страницы, шрифты, изображения и потоки содержимого - все это объекты.
3. Таблица перекрестных ссылок (xref): хранит байтовое смещение каждого объекта, благодаря чему программа просмотра может сразу перейти к любой странице, не сканируя весь файл. Начиная с PDF 1.5 таблица может храниться и в виде сжатого «xref-потока».
4. Трейлер и конец файла: словарь со ссылкой на каталог документа (/Root), за которым следуют startxref (где начинается xref) и метка %%EOF.

Упрощенный пример выглядит так:

%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

Собственно содержимое страницы находится в потоке содержимого. В примере блок BT ... ET - это текстовый объект, Tf выбирает шрифт и размер, Td задает позицию, а Tj выводит текст. Обратите внимание: здесь нет понятий «абзац» или «заголовок», есть только размещенные глифы. Даже одна визуальная строка часто разбита на несколько фрагментов.

Еще одна особенность PDF - инкрементальное обновление. Когда вы добавляете комментарий или подпись, программа может дописать новые объекты и новый раздел xref в конец файла, не переписывая его целиком. На этом механизме основаны цифровые подписи: подписанное содержимое остается нетронутым.

Профили и подстандарты PDF

Помимо ISO 32000 существуют ограниченные профили PDF для конкретных задач. Самый известный из них - PDF/A, созданный для долговременного архивного хранения. Его первая часть, PDF/A-1, была опубликована как ISO 19005-1 в октябре 2005 года. В файле PDF/A должны быть встроены все шрифты, цвета должны быть заданы независимо от устройства, а метаданные XMP обязательны; шифрование, JavaScript, аудио, видео и внешние зависимости запрещены. Поэтому архивы и государственные учреждения часто требуют именно PDF/A.

На практике важнее другое различие: текстовые PDF и отсканированные PDF. Файл, созданный командой «Сохранить как PDF» в Word или браузере, содержит настоящий текст, который можно выделять, искать и копировать. Лист бумаги, пропущенный через сканер, - это просто изображение внутри PDF. Чтобы извлечь из него текст, нужно OCR (оптическое распознавание символов).

Где используется PDF?

• Юридическая и официальная переписка: договоры, заявления и решения, во многом благодаря поддержке цифровой подписи.
• Бухгалтерия и электронная коммерция: счета, чеки и банковские выписки.
• Издательское дело и печать: файлы для типографии, электронные книги и каталоги.
• Наука и образование: статьи, диссертации и конспекты лекций.
• Формы: заполняемые заявки и декларации.
• Архивы: документы, которые нужно хранить десятилетиями, в формате PDF/A.

Сильные и слабые стороны

Какие программы открывают PDF?

Устанавливать что-то обычно не нужно. В Chrome, Edge, Firefox и Safari есть встроенный просмотрщик PDF. В macOS PDF открывает «Просмотр», в Windows - Edge. Для сложного редактирования, создания форм и подписания чаще всего выбирают Adobe Acrobat. Microsoft Word тоже умеет открыть PDF и попытаться превратить его в редактируемый документ, но результат зависит от сложности файла. В Linux широко используются Evince, Okular и утилиты Poppler.

Частые проблемы и их решение

Текст, скопированный из PDF, перемешивается

PDF может хранить текст в порядке отрисовки, а не в порядке чтения. В статье с двумя колонками строки могут перемежаться, а некоторые шрифты встроены без сопоставления с Unicode, поэтому символы с диакритикой иногда выглядят искаженными. Конвертация PDF в TXT или Word обычно дает более чистый результат, чем копирование из программы просмотра.

Файл зашифрован и не открывается или не конвертируется

PDF может иметь два вида паролей: пароль на открытие и пароль на права доступа (для редактирования или печати). Ни один конвертер не прочитает файл с паролем на открытие, не зная этого пароля. Если пароль у вас есть, откройте файл, снимите защиту, сохраните его заново и затем конвертируйте.

В отсканированном PDF не работает поиск

Файл содержит изображения, а не текст, поэтому поиск и копирование не работают. Чтобы добавить текстовый слой, нужна программа OCR.

Шрифты выглядят не так, как в оригинале

Если программа, создавшая файл, не встроила шрифты, просмотрщик подставляет похожие. Чтобы этого избежать, включайте «встраивание шрифтов» при экспорте или сохраняйте файл в PDF/A.

Советы по конвертации PDF-файлов

Конвертировать PDF значит перестроить фиксированную верстку страницы в текучий документ, поэтому даже лучшему инструменту приходится делать обоснованные предположения. Вот как с этим работает наш конвертер: при конвертации PDF в Word файл загружается на наш сервер, инструменты с открытым исходным кодом Poppler считывают каждый фрагмент текста вместе с его положением, а строки снова собираются в абзацы. Форматирование символов, например полужирный и курсив, и порядок чтения в основном сохраняются, но многоколоночные страницы, сложные таблицы и позиционированные блоки могут не полностью совпадать с оригиналом. Загруженные файлы удаляются с сервера в течение 30 минут.

• Если нужен только текст, конвертация PDF в TXT дает самый чистый результат: форматирование отбрасывается, остается читаемый простой текст.
• Если нужно сохранить вид страницы в вебе, PDF в HTML размещает текст на исходных позициях страницы.
• Отсканированные PDF не содержат текста, поэтому наш конвертер не может извлечь из них редактируемый текст. Сначала выполните OCR.
• Зашифрованные PDF конвертировать нельзя; вы увидите сообщение с просьбой снять пароль.

В обратную сторону все проще. При конвертации Word в PDF файлы DOCX, DOC и RTF напрямую преобразуются в PDF через LibreOffice без промежуточного шага, поэтому верстка страниц, колонтитулы, таблицы и изображения сохраняются. Если вы использовали шрифт, которого нет на сервере, он может быть заменен похожим. Такие источники, как HTML, Markdown и TXT, раскладываются на страницы A4 и печатаются в PDF браузерным движком.

Часто задаваемые вопросы

Когда появился PDF?

Идея восходит к предложению Camelot, которое Джон Уорнок сделал в 1991 году. PDF и Acrobat вышли 15 июня 1993 года, а в 2008 году формат стал международным стандартом ISO 32000-1.

Чем PDF 1.7 отличается от PDF 2.0?

PDF 1.7 - последняя версия от Adobe, стандартизированная как ISO 32000-1 в 2008 году. PDF 2.0 (ISO 32000-2) полностью разработан в рамках ISO, опубликован в 2017 году и исправлен в издании 2020 года. В повседневной работе обе версии открываются в одних и тех же программах.

Что такое PDF/A и когда его использовать?

PDF/A - это ограниченный профиль PDF для долговременного архивного хранения. Он требует встроенных шрифтов и запрещает такие функции, как шифрование и JavaScript. Выбирайте его, когда документ должен открываться так же и через много лет или когда этого требует учреждение.

Почему при конвертации PDF в Word ломается верстка?

Потому что в PDF обычно нет информации об абзацах или таблицах, есть только размещенные глифы. Конвертеру приходится восстанавливать строки и абзацы из этих фрагментов. Простые одноколоночные документы конвертируются очень хорошо; страницы с несколькими колонками или множеством таблиц могут потребовать ручной доработки.

Можно ли превратить отсканированный PDF в редактируемый текст?

Для этого нужно OCR. Наш конвертер не выполняет OCR, он переносит только текст, который действительно есть в PDF. Сначала обработайте отсканированный документ программой OCR, а затем конвертируйте его.

Безопасно ли конвертировать мои PDF?

Конвертация документов выполняется на нашем сервере. Файл используется только для конвертации и удаляется в течение 30 минут. Для строго конфиденциальных материалов вы все же можете предпочесть не загружать их ни в какой онлайн-сервис.

Источники

• Adobe: What is a PDF? (The Camelot Project и рождение PDF)
• Блог Adobe: Celebrating 30 years of digital transformation with Adobe Acrobat (15 июня 2023 года)
• Библиотека Конгресса США: описание формата PDF 1.5
• Библиотека Конгресса США: PDF/A-1, ISO 19005-1:2005
• Википедия: PDF (история и структура файла, вторичный источник)
• Библиотека отрисовки PDF Poppler