Was ist PDF?

Portable Document Format, standardisiert als ISO 32000, beschreibt Dokumente mit festem Layout unabhängig von Anwendungssoftware, Hardware und Betriebssystemen. Eine PDF-Datei kann Text, Schriftarten, Grafiken, Formulare, Anmerkungen und eingebettete Dateien enthalten.

PDF serialisiert einen seitenorientierten Objektgraphen mit Inhaltsstreams, Ressourcen, Schriftarten, Bildern, Anmerkungen und Dokumentstruktur. Querverweisinformationen ermöglichen Leseprogrammen, indirekte Objekte zu finden. Inkrementelle Aktualisierungen können Änderungen anhängen, ohne die bisherigen Bytes neu zu schreiben. Eine Seite kann echten Text und Vektorelemente mit gescannten Rasterinhalten kombinieren. Visuelle Ähnlichkeit bedeutet daher nicht, dass Inhalte gleichermaßen extrahierbar oder barrierefrei sind. Dokumentenpipelines wählen Vorgänge zum Rendern, Parsen, Optimieren, Signieren oder Archivieren anhand der tatsächlichen Merkmale und Konformitätsziele.

Beim inkrementellen Speichern einer PDF-Datei werden die geänderten Objekte, ein neuer Querverweisabschnitt und ein neuer Trailer angehängt. Jedes bisherige Byte bleibt erhalten. Die PDF-Referenz weist darauf hin, dass gespeicherte Änderungen durch Entfernen der angehängten Abschnitte rückgängig gemacht werden können und gelöschte Objekte in der Datei verbleiben und lediglich als gelöscht markiert werden. Inhalte, die in der neuesten Revision entfernt oder verdeckt wurden, lassen sich daher weiterhin wiederherstellen, sofern die Datei nicht ohne die alten Objekte neu geschrieben wird.
Eine signierte PDF-Datei lässt sich nur durch inkrementelle Aktualisierungen ändern, da jede Änderung eines vorhandenen Bytes ihre Signaturen ungültig macht. Ein Verarbeitungsschritt, der die Datei neu schreibt, etwa eine erneute Komprimierung oder Optimierung, macht die Signaturen ungültig. Entscheiden Sie vor dem Hinzufügen eines solchen Schritts, ob Signaturen erhalten bleiben müssen.
Die Anzeige und die Extraktion von Text nutzen unterschiedliche Daten. Ein Anzeigeprogramm benötigt nur Glyphen. Suche, Kopieren und Indexierung benötigen dagegen eine Zuordnung von Zeichencodes zu Unicode, die aus einer standardmäßigen Zeichenkodierung, einer CMap namens ToUnicode oder ActualText stammt. Ohne eine solche Zuordnung sieht die Seite weiterhin korrekt aus, doch die Extraktion liefert falsche oder fehlende Zeichen. Auch das Einbetten der Schriftart ändert daran nichts. Die Dokumentation von pdfminer.six nennt einen schnellen Test: Kopieren Sie den Text aus einem Anzeigeprogramm in einen Editor. Ist das Ergebnis unleserlich, wird eine Extraktionsbibliothek kein besseres liefern. Eine gescannte Seite enthält überhaupt keine Textobjekte und benötigt OCR.
PDF/A ist eine Familie von Profilen nach ISO 19005 und keine Dateiendung. Die Teile 1 bis 3 verlangen vollständig eingebettete Schriftarten, geräteunabhängige Farben und standardbasierte Metadaten. Sie verbieten Verschlüsselung, Audio, Video und JavaScript. Das Einbetten von Schriftarten allein macht eine Datei daher nicht konform. Eine Datei deklariert ihren Teil und ihre Konformitätsstufe in XMP-Metadaten (pdfaid:part und pdfaid:conformance). Um diese Deklaration zu bestätigen, ist ein Validator wie veraPDF erforderlich. Stufe B deckt nur das visuelle Erscheinungsbild ab. Eine Datei der Stufe B aus gescannten Seiten enthält daher möglicherweise keinen extrahierbaren Text.
Die Headerzeile %PDF- gibt nicht immer die Version der Datei an: Seit PDF 1.4 kann ein Eintrag namens Version im Dokumentkatalog diese überschreiben. So erhöht eine inkrementelle Aktualisierung die Version. ISO 32000-1 standardisierte PDF 1.7. ISO 32000-2, erstmals 2017 veröffentlicht und 2020 überarbeitet, definiert PDF 2.0.

Prüfen Sie den tatsächlichen Inhalt einer PDF-Datei, bevor Sie Schritte zur Thumbnail-Erstellung, Extraktion, Zusammenführung oder Optimierung wählen. Eingebettete Schriftarten, interaktive Funktionen, Verschlüsselung und gescannte Seiten können die Kompatibilität einschränken oder eine spezielle Verarbeitung erfordern.

Transloadits Dokumenten-Robots verarbeiten PDF als Eingabe oder erzeugen es: /document/thumbs rendert Seiten als Bilder, /document/extract liefert auswählbaren Text und eingebettete Rasterbilder, /document/ocr erkennt Text in gescannten Dokumenten, /document/split und /document/merge extrahieren Seiten und fügen sie aneinander, /document/optimize reduziert die Dateigröße und /document/convert erzeugt PDF aus anderen Dokumentformaten.

Im Modus für nativen Text liefert /document/extract bei gescannten PDF-Dateien wenig oder keinen Text. Seine OCR-Modi lassen sich nicht mit einem Passwort kombinieren. /document/convert konvertiert Dateien in PDF, nicht aus PDF. Die Robot-Dokumentation erwähnt weder PDF/A-Ausgabe noch den Erhalt von Signaturen. Setzen Sie daher beides nicht voraus.

Entdecken Sie Transloadits Möglichkeiten für Dateiformate & Komprimierung

Was ist PDF?

So funktioniert PDF

Wichtige Fakten

Wann PDF relevant ist

So hilft Transloadit bei PDF

Quellen

Machen Sie aus Medienwissen eine funktionierende Pipeline