PDF là gì? Cấu trúc, lịch sử và mẹo chuyển đổi

Khi gửi một bản hợp đồng qua email, bạn muốn phía bên kia mở ra vẫn đúng bố cục, đúng phông chữ và đúng chỗ ngắt trang. PDF (Portable Document Format) được tạo ra chính vì mục đích đó. Ngày nay, phần lớn tài liệu được coi là "bản cuối cùng", từ hóa đơn, bản án cho đến bài báo khoa học và thẻ lên máy bay, đều được gửi đi dưới dạng PDF. Bài viết này giải thích PDF ra đời từ đâu, bên trong tệp có gì, có những phiên bản nào, và điều gì được giữ lại hay bị mất khi bạn chuyển PDF sang định dạng khác.

PDF là gì?

PDF là định dạng tệp mô tả từng trang của tài liệu với một diện mạo cố định. Trong các định dạng soạn thảo như Word, văn bản "chảy": thu hẹp cửa sổ hay đổi phông chữ là các dòng tự xuống hàng lại. Trong PDF, vị trí của từng ký tự, đường kẻ và hình ảnh trên trang đã được quyết định từ trước. Tệp chứa văn bản, phông chữ (thường được nhúng sẵn), hình ảnh và đồ họa vector trong cùng một gói, nên tài liệu hiển thị như nhau trên máy tính không cài ứng dụng gốc, trên điện thoại hay khi in ra.

Thiết kế này có cái giá của nó: PDF là một định dạng đầu ra. Nó không phải lúc nào cũng chứa thông tin ngữ nghĩa như đoạn văn, tiêu đề hay bảng. Thường thì nó chỉ chứa những lệnh kiểu "vẽ các ký tự này tại tọa độ này". Hiểu được sự khác biệt đó sẽ thấy vì sao sửa một tệp PDF, hay chuyển nó ngược lại thành tài liệu Word, lại khó đến vậy.

Sơ lược lịch sử

PDF bắt nguồn từ một đề xuất năm 1991 của John Warnock, đồng sáng lập Adobe, mang tên "The Camelot Project". Mục tiêu là ghi lại tài liệu từ bất kỳ ứng dụng nào rồi xem hoặc in trên bất kỳ máy nào. Theo Adobe, đến năm 1992 dự án đã trở thành PDF, và PDF cùng phần mềm đọc nó là Acrobat được phát hành ngày 15 tháng 6 năm 1993.

Trong mười lăm năm đầu, PDF là một đặc tả của Adobe và được bổ sung tính năng qua từng phiên bản: biểu mẫu tương tác (AcroForms) ở bản 1.2, độ trong suốt và siêu dữ liệu XMP ở bản 1.4, rồi các lớp (layer), luồng đối tượng và luồng tham chiếu chéo ở bản 1.5, phát hành vào tháng 8 năm 2003. Bước ngoặt thực sự đến vào năm 2008, khi PDF 1.7 trở thành tiêu chuẩn quốc tế ISO 32000-1:2008 vào ngày 1 tháng 7 năm 2008 và quyền kiểm soát định dạng được chuyển sang một ủy ban ISO. PDF 2.0 (ISO 32000-2) ra đời năm 2017, với ấn bản thứ hai có chỉnh sửa vào tháng 12 năm 2020. Từ tháng 4 năm 2023, PDF Association cho tải miễn phí ISO 32000-2.

Để hình dung quy mô: trong một bài blog tháng 6 năm 2023, Adobe cho biết khách hàng của họ đã mở hơn 400 tỷ tệp PDF trong các sản phẩm Acrobat trong năm trước đó. Con số này chỉ tính các sản phẩm của Adobe, chưa bao gồm trình xem PDF tích hợp trong trình duyệt và các phần mềm khác.

Bên trong một tệp PDF có gì?

Mở một tệp PDF bằng trình soạn thảo văn bản, dòng đầu tiên sẽ hiện dấu phiên bản như %PDF-1.7. Phần còn lại của tệp gồm bốn phần chính:

1. Header (phần đầu): dòng đầu tiên, khai báo định dạng và phiên bản.
2. Body (phần thân): các "đối tượng gián tiếp" tạo nên tài liệu. Mỗi đối tượng có số hiệu đối tượng và số thế hệ. Trang, phông chữ, hình ảnh và luồng nội dung đều là đối tượng.
3. Bảng tham chiếu chéo (xref): liệt kê vị trí byte của từng đối tượng, nhờ đó trình đọc có thể nhảy thẳng đến bất kỳ trang nào mà không phải quét cả tệp. Từ PDF 1.5, bảng này cũng có thể được lưu dưới dạng "xref stream" nén.
4. Trailer và phần kết tệp: một từ điển trỏ đến danh mục tài liệu (/Root), tiếp theo là startxref (nơi bảng xref bắt đầu) và dấu %%EOF.

Một ví dụ đơn giản hóa trông như sau:

%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

Nội dung thực sự của trang nằm trong luồng nội dung (content stream). Trong ví dụ, khối BT ... ET là một đối tượng văn bản, Tf chọn phông chữ và cỡ chữ, Td đặt vị trí và Tj vẽ văn bản. Hãy để ý rằng ở đây không hề có khái niệm "đoạn văn" hay "tiêu đề", chỉ có các ký tự được đặt vào vị trí. Ngay cả một dòng nhìn thấy trên trang cũng thường bị tách thành nhiều mảnh.

Một tính năng khác của PDF là cập nhật tăng dần (incremental update). Khi bạn thêm ghi chú hoặc chữ ký, phần mềm có thể nối thêm các đối tượng mới và một phần xref mới vào cuối tệp thay vì ghi lại toàn bộ. Chữ ký số dựa vào cơ chế này để giữ nguyên vẹn phần nội dung đã ký.

Các cấu hình và tiêu chuẩn con của PDF

Bên cạnh ISO 32000 còn có những cấu hình PDF giới hạn phục vụ các mục đích riêng. Nổi tiếng nhất là PDF/A, được thiết kế để lưu trữ lâu dài. Phần đầu tiên của nó, PDF/A-1, được công bố với tên ISO 19005-1 vào tháng 10 năm 2005. Một tệp PDF/A phải nhúng mọi phông chữ, định nghĩa màu sắc theo cách không phụ thuộc thiết bị và có siêu dữ liệu XMP, đồng thời cấm mã hóa, JavaScript, âm thanh, video và các phụ thuộc bên ngoài. Đó là lý do các cơ quan lưu trữ và cơ quan nhà nước thường yêu cầu PDF/A.

Một phân biệt thực tế hơn là giữa PDF dạng văn bản và PDF dạng scan. Tệp tạo bằng "Lưu dưới dạng PDF" từ Word hoặc trình duyệt chứa văn bản thật mà bạn có thể chọn, tìm kiếm và sao chép. Một tờ giấy chạy qua máy scan thì chỉ là một hình ảnh nằm trong PDF. Muốn lấy chữ từ đó cần đến OCR (nhận dạng ký tự quang học).

PDF được dùng ở đâu?

• Pháp lý và văn bản hành chính: hợp đồng, đơn từ và bản án, nhờ có hỗ trợ chữ ký số.
• Kế toán và thương mại điện tử: hóa đơn, biên lai và sao kê ngân hàng.
• Xuất bản và in ấn: tệp sẵn sàng để in, sách điện tử và catalog.
• Học thuật: bài báo, luận văn và giáo trình.
• Biểu mẫu: đơn đăng ký và tờ khai có thể điền.
• Lưu trữ: hồ sơ phải giữ hàng chục năm, dùng PDF/A.

Ưu điểm và nhược điểm

Những chương trình nào mở được PDF?

Bạn hiếm khi phải cài thêm gì. Chrome, Edge, Firefox và Safari đều có sẵn trình xem PDF. Trên macOS có Preview, trên Windows có Edge để mở PDF. Để chỉnh sửa nâng cao, thiết kế biểu mẫu và ký tài liệu, Adobe Acrobat là lựa chọn phổ biến. Microsoft Word cũng có thể mở PDF và cố chuyển nó thành tài liệu chỉnh sửa được, với kết quả tùy vào độ phức tạp của tệp. Trên Linux, Evince, Okular và bộ công cụ Poppler được dùng rộng rãi.

Các lỗi thường gặp và cách khắc phục

Văn bản sao chép từ PDF bị lộn xộn

PDF có thể lưu văn bản theo thứ tự vẽ chứ không theo thứ tự đọc. Trong một bài báo hai cột, các dòng có thể xen kẽ nhau, và một số phông chữ được nhúng mà không có bảng ánh xạ Unicode nên các ký tự có dấu có thể bị lỗi. Chuyển PDF sang TXT hoặc Word thường cho kết quả gọn gàng hơn so với sao chép trực tiếp từ trình xem.

Tệp bị mã hóa, không mở hay chuyển đổi được

Một tệp PDF có thể mang hai loại mật khẩu: mật khẩu mở tệp và mật khẩu phân quyền (cho việc chỉnh sửa hoặc in). Không trình chuyển đổi nào đọc được tệp có mật khẩu mở mà không biết mật khẩu đó. Nếu bạn có mật khẩu, hãy mở tệp, gỡ bảo vệ, lưu lại rồi mới chuyển đổi.

Không tìm kiếm được trong PDF scan

Tệp chứa hình ảnh chứ không chứa văn bản, nên tìm kiếm và sao chép đều không hoạt động. Bạn cần phần mềm OCR để thêm lớp văn bản.

Phông chữ trông khác bản gốc

Nếu ứng dụng tạo tệp không nhúng phông chữ, trình xem sẽ thay bằng phông tương tự. Bật tùy chọn "nhúng phông chữ" khi xuất tệp, hoặc lưu dưới dạng PDF/A, sẽ tránh được chuyện này.

Mẹo khi chuyển đổi tệp PDF

Chuyển đổi PDF nghĩa là dựng lại một bố cục trang cố định thành tài liệu có văn bản chảy, nên ngay cả công cụ tốt nhất cũng phải phỏng đoán có cơ sở. Trình chuyển đổi của chúng tôi xử lý như sau: khi bạn chuyển PDF sang Word, tệp được tải lên máy chủ của chúng tôi, bộ công cụ mã nguồn mở Poppler đọc từng mảnh văn bản cùng vị trí của nó, rồi các dòng được ghép lại thành đoạn văn. Định dạng ký tự như in đậm, in nghiêng và trình tự đọc phần lớn được giữ nguyên, nhưng trang nhiều cột, bảng phức tạp và các khung đặt vị trí cố định có thể không khớp hoàn toàn với bản gốc. Tệp tải lên được xóa khỏi máy chủ trong vòng 30 phút.

• Nếu bạn chỉ cần phần chữ, chuyển PDF sang TXT cho kết quả sạch nhất: định dạng bị bỏ đi, chỉ còn văn bản thuần dễ đọc.
• Nếu muốn giữ diện mạo trang trên web, PDF sang HTML đặt văn bản đúng vị trí ban đầu trên trang.
• PDF scan không chứa văn bản, nên trình chuyển đổi của chúng tôi không thể trích xuất văn bản chỉnh sửa được từ chúng. Hãy chạy OCR trước.
• PDF bị mã hóa không chuyển đổi được; bạn sẽ thấy thông báo yêu cầu gỡ mật khẩu.

Chiều ngược lại thì dễ hơn. Với Word sang PDF, các tệp DOCX, DOC và RTF được chuyển thẳng sang PDF qua LibreOffice mà không qua bước trung gian nào, nên bố cục trang, đầu trang và chân trang, bảng và hình ảnh đều được giữ lại. Nếu bạn dùng một phông chữ không có trên máy chủ, nó có thể bị thay bằng phông tương tự. Các nguồn như HTML, Markdown và TXT được dàn trang trên khổ A4 rồi in ra PDF bằng một công cụ hiển thị của trình duyệt.

Câu hỏi thường gặp

PDF ra đời khi nào?

Ý tưởng bắt nguồn từ đề xuất Camelot năm 1991 của John Warnock. PDF và Acrobat được phát hành ngày 15 tháng 6 năm 1993, và định dạng này trở thành tiêu chuẩn quốc tế ISO 32000-1 vào năm 2008.

PDF 1.7 và PDF 2.0 khác nhau thế nào?

PDF 1.7 là phiên bản cuối cùng của Adobe, được chuẩn hóa thành ISO 32000-1 năm 2008. PDF 2.0 (ISO 32000-2) được phát triển hoàn toàn trong ISO, công bố năm 2017 và được chỉnh sửa trong ấn bản năm 2020. Trong sử dụng hằng ngày, cả hai đều mở được bằng cùng các chương trình.

PDF/A là gì và khi nào nên dùng?

PDF/A là một cấu hình PDF giới hạn dành cho lưu trữ lâu dài. Nó bắt buộc nhúng phông chữ và cấm các tính năng như mã hóa và JavaScript. Hãy chọn PDF/A khi tài liệu phải mở ra y hệt sau nhiều năm nữa, hoặc khi cơ quan, tổ chức yêu cầu.

Vì sao bố cục bị vỡ khi chuyển PDF sang Word?

Vì PDF thường không có thông tin về đoạn văn hay bảng, chỉ có các ký tự được đặt vào vị trí. Trình chuyển đổi phải dựng lại dòng và đoạn từ những mảnh đó. Tài liệu đơn giản một cột chuyển rất tốt; trang nhiều cột hoặc nhiều bảng có thể cần chỉnh sửa thủ công.

Có thể biến PDF scan thành văn bản chỉnh sửa được không?

Việc đó cần OCR. Trình chuyển đổi của chúng tôi không thực hiện OCR; nó chỉ chuyển phần văn bản thực sự có trong PDF. Hãy cho tài liệu scan qua phần mềm OCR trước, rồi mới chuyển đổi.

Chuyển đổi PDF của tôi có an toàn không?

Việc chuyển đổi tài liệu diễn ra trên máy chủ của chúng tôi. Tệp chỉ được dùng cho việc chuyển đổi và bị xóa trong vòng 30 phút. Với tài liệu tuyệt mật, bạn vẫn có thể chọn không tải lên bất kỳ dịch vụ trực tuyến nào.

Nguồn tham khảo

• Adobe: What is a PDF? (The Camelot Project và sự ra đời của PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15/6/2023)
• Library of Congress: mô tả định dạng PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (lịch sử và cấu trúc tệp, nguồn thứ cấp)
• Thư viện hiển thị PDF Poppler