Що таке PDF? Структура, історія та поради з конвертації

Надсилаючи договір електронною поштою, ви хочете, щоб в одержувача він відкрився з тією самою версткою, тими самими шрифтами й тими самими розривами сторінок. Саме для цього й створено PDF (Portable Document Format). Сьогодні більшість документів, які вважаються "остаточними", від рахунків і судових рішень до наукових статей і посадкових талонів, передають у PDF. У цій статті пояснюємо, звідки взявся PDF, що всередині файлу, які існують версії та що зберігається, а що втрачається, коли ви конвертуєте PDF в інший формат.

Що таке PDF?

PDF - це формат файлу, який описує кожну сторінку документа з фіксованим виглядом. У форматах для редагування, як-от Word, текст "тече": звузьте вікно або змініть шрифт, і рядки перенесуться інакше. У PDF положення кожного символу, лінії та зображення на сторінці визначене заздалегідь. Файл містить текст, шрифти (зазвичай вбудовані), зображення й векторну графіку в одному пакеті, тож документ відображається однаково на комп'ютері без вихідної програми, на телефоні чи на принтері.

Така будова має свою ціну: PDF - це вихідний формат. Він не завжди містить смислову інформацію на кшталт абзаців, заголовків чи таблиць. Часто в ньому є лише інструкції типу "намалюй ці гліфи в цій точці". Пам'ятаючи про цю різницю, легко зрозуміти, чому редагувати PDF або перетворювати його назад на документ Word так складно.

Коротка історія

PDF бере початок із пропозиції співзасновника Adobe Джона Ворнока 1991 року під назвою "The Camelot Project". Мета полягала в тому, щоб захоплювати документи з будь-якої програми та переглядати чи друкувати їх на будь-якому комп'ютері. За даними Adobe, до 1992 року ця робота перетворилася на PDF, а сам PDF і програму Acrobat для його читання випустили 15 червня 1993 року.

Перші п'ятнадцять років PDF залишався специфікацією Adobe і з кожним випуском отримував нові можливості: інтерактивні форми (AcroForms) у версії 1.2, прозорість і метадані XMP у 1.4, шари, потоки об'єктів і потоки перехресних посилань у 1.5, опублікованій у серпні 2003 року. Справжній поворот стався 2008 року: 1 липня 2008 року PDF 1.7 став міжнародним стандартом ISO 32000-1:2008, і контроль над форматом перейшов до комітету ISO. У 2017 році з'явився PDF 2.0 (ISO 32000-2), а в грудні 2020 року вийшло виправлене друге видання. З квітня 2023 року PDF Association пропонує ISO 32000-2 для безкоштовного завантаження.

Для розуміння масштабу: у червні 2023 року Adobe написала у своєму блозі, що за попередній рік її клієнти відкрили понад 400 мільярдів PDF у продуктах Acrobat. Ця цифра стосується лише продуктів Adobe; вбудовані переглядачі браузерів та інші програми сюди не входять.

Що всередині PDF-файлу?

Якщо відкрити PDF у текстовому редакторі, у першому рядку буде позначка версії, наприклад %PDF-1.7. Решта файлу складається з чотирьох основних частин:

1. Заголовок: перший рядок, що вказує формат і версію.
2. Тіло: "непрямі об'єкти", з яких складається документ. Кожен об'єкт має номер об'єкта та номер покоління. Сторінки, шрифти, зображення й потоки вмісту - усе це об'єкти.
3. Таблиця перехресних посилань (xref): містить байтовий зсув кожного об'єкта, завдяки чому програма перегляду може одразу перейти до будь-якої сторінки, не скануючи весь файл. Починаючи з PDF 1.5, її також можна зберігати як стиснений "потік xref".
4. Трейлер і кінець файлу: словник, що вказує на каталог документа (/Root), далі startxref (де починається xref) і позначка %%EOF.

Спрощений приклад виглядає 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

Власне вміст сторінки зберігається в потоці вмісту. У прикладі блок BT ... ET - це текстовий об'єкт, Tf вибирає шрифт і розмір, Td задає положення, а Tj виводить текст. Зверніть увагу: тут немає поняття "абзац" чи "заголовок", лише розміщені гліфи. Навіть один візуальний рядок часто розбитий на кілька фрагментів.

Ще одна особливість PDF - інкрементне оновлення. Коли ви додаєте коментар або підпис, програма може дописати нові об'єкти й новий розділ xref у кінець файлу, не переписуючи його. На цьому механізмі ґрунтуються цифрові підписи, які зберігають підписаний вміст незмінним.

Профілі та підстандарти PDF

Поряд з ISO 32000 існують обмежені профілі PDF для конкретних завдань. Найвідоміший із них - PDF/A, призначений для довгострокового архівування. Його першу частину, PDF/A-1, опублікували як ISO 19005-1 у жовтні 2005 року. Файл PDF/A має містити всі шрифти, визначати кольори незалежно від пристрою та мати метадані XMP, а шифрування, JavaScript, аудіо, відео й зовнішні залежності заборонені. Тому архіви та державні установи часто вимагають саме PDF/A.

Практичніша відмінність - між текстовими PDF і сканованими PDF. Файл, створений командою "Зберегти як PDF" у Word чи браузері, містить справжній текст, який можна виділяти, шукати й копіювати. Аркуш паперу, пропущений через сканер, - це лише зображення всередині PDF. Щоб отримати з нього текст, потрібне OCR (оптичне розпізнавання символів).

Де використовують PDF?

• Юридичне та офіційне листування: договори, заяви й рішення, зокрема завдяки підтримці цифрових підписів.
• Бухгалтерія та електронна комерція: рахунки, квитанції та банківські виписки.
• Видавнича справа та друк: файли для друку, електронні книжки й каталоги.
• Наука й освіта: статті, дисертації та конспекти лекцій.
• Форми: анкети й декларації, які можна заповнювати.
• Архівування: записи, які треба зберігати десятиліттями, у форматі PDF/A.

Переваги й недоліки

Якими програмами відкрити PDF?

Встановлювати щось доводиться рідко. Chrome, Edge, Firefox і Safari мають вбудований переглядач PDF. На macOS PDF відкриває Перегляд (Preview), на Windows - Edge. Для складного редагування, створення форм і підписування зазвичай обирають Adobe Acrobat. Microsoft Word теж може відкрити PDF і спробувати перетворити його на документ для редагування; результат залежить від складності файлу. У Linux популярні Evince, Okular та інструменти Poppler.

Типові проблеми та як їх розв'язати

Скопійований із PDF текст виходить перемішаним

PDF може зберігати текст у порядку малювання, а не в порядку читання. У статті на дві колонки рядки можуть перемішуватися, а деякі шрифти вбудовані без відповідності Unicode, тому символи з діакритикою можуть виглядати зіпсованими. Конвертація PDF у TXT або Word зазвичай дає чистіший результат, ніж копіювання з програми перегляду.

Файл зашифрований і не відкривається чи не конвертується

PDF може мати два види пароля: пароль на відкриття і пароль прав доступу (на редагування чи друк). Жоден конвертер не прочитає файл із паролем на відкриття, не знаючи цього пароля. Якщо пароль у вас є, відкрийте файл, зніміть захист, збережіть його знову, а тоді конвертуйте.

У сканованому PDF не працює пошук

Файл містить зображення, а не текст, тому пошук і копіювання не працюють. Щоб додати текстовий шар, потрібна програма OCR.

Шрифти виглядають інакше, ніж в оригіналі

Якщо програма, що створила файл, не вбудувала шрифти, переглядач підставляє схожі. Цього можна уникнути, увімкнувши "вбудовувати шрифти" під час експорту або зберігши файл як PDF/A.

Поради щодо конвертації PDF

Конвертувати PDF означає відтворити фіксовану верстку сторінки як документ із плинним текстом, тож навіть найкращий інструмент мусить робити обґрунтовані припущення. Ось як це робить наш конвертер: коли ви конвертуєте PDF у Word, файл завантажується на наш сервер, інструменти з відкритим кодом Poppler зчитують кожен фрагмент тексту разом із його положенням, а рядки знову об'єднуються в абзаци. Форматування символів, як-от жирний і курсив, та порядок читання здебільшого зберігаються, але сторінки з кількома колонками, складні таблиці й позиціоновані блоки можуть не повністю збігатися з оригіналом. Завантажені файли видаляються із сервера протягом 30 хвилин.

• Якщо вам потрібен лише текст, конвертація PDF у TXT дає найчистіший результат: форматування відкидається, і залишається читабельний звичайний текст.
• Якщо хочете зберегти вигляд сторінки у вебі, PDF у HTML розміщує текст на його початкових позиціях на сторінці.
• Скановані PDF не містять тексту, тому наш конвертер не може витягти з них текст для редагування. Спершу виконайте OCR.
• Зашифровані PDF конвертувати не можна; ви побачите повідомлення з проханням зняти пароль.

У зворотному напрямку все простіше. Через Word у PDF файли DOCX, DOC і RTF перетворюються на PDF безпосередньо за допомогою LibreOffice, без проміжного кроку, тож верстка сторінок, колонтитули, таблиці й зображення зберігаються. Якщо ви використали шрифт, якого немає на сервері, його можуть замінити схожим. Такі джерела, як HTML, Markdown і TXT, розкладаються на сторінки A4 і друкуються в PDF рушієм браузера.

Часті запитання

Коли з'явився PDF?

Ідея сягає пропозиції Camelot Джона Ворнока 1991 року. PDF і Acrobat випустили 15 червня 1993 року, а 2008 року формат став міжнародним стандартом ISO 32000-1.

Чим PDF 1.7 відрізняється від PDF 2.0?

PDF 1.7 - остання версія Adobe, стандартизована як ISO 32000-1 у 2008 році. PDF 2.0 (ISO 32000-2) повністю розробили в межах ISO, опублікували 2017 року й виправили у виданні 2020 року. У повсякденному використанні обидві версії відкриваються тими самими програмами.

Що таке PDF/A і коли його використовувати?

PDF/A - це обмежений профіль PDF для довгострокового архівування. Він вимагає вбудованих шрифтів і забороняє такі можливості, як шифрування та JavaScript. Обирайте його, коли документ має відкриватися так само через багато років або коли цього вимагає установа.

Чому під час конвертації PDF у Word ламається верстка?

Тому що PDF зазвичай не містить інформації про абзаци чи таблиці, лише розміщені гліфи. Конвертер мусить відновлювати рядки й абзаци з цих фрагментів. Прості одноколонкові документи конвертуються дуже добре; сторінки з кількома колонками або великою кількістю таблиць можуть потребувати ручного доопрацювання.

Чи можна перетворити сканований PDF на текст для редагування?

Для цього потрібне OCR. Наш конвертер не виконує OCR; він переносить лише той текст, який справді є в PDF. Спершу обробіть сканований документ програмою OCR, а потім конвертуйте його.

Чи безпечно конвертувати мої PDF?

Конвертація документів виконується на нашому сервері. Файл використовується лише для конвертації та видаляється протягом 30 хвилин. Утім, надконфіденційні матеріали ви, можливо, взагалі не захочете завантажувати в жоден онлайн-сервіс.

Джерела

• Adobe: What is a PDF? (The Camelot Project і народження PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15 червня 2023 року)
• Бібліотека Конгресу США: опис формату PDF 1.5
• Бібліотека Конгресу США: PDF/A-1, ISO 19005-1:2005
• Вікіпедія: PDF (історія та структура файлу, вторинне джерело)
• Бібліотека відображення PDF Poppler