¿Qué es PDF?

Portable Document Format, estandarizado como ISO 32000, describe documentos de diseño fijo con independencia del software de aplicación, el hardware y los sistemas operativos. Un PDF puede contener texto, fuentes, gráficos, formularios, anotaciones y archivos integrados.

PDF serializa un grafo de objetos orientado a páginas que contiene flujos de contenido, recursos, fuentes, imágenes, anotaciones y la estructura del documento. La información de referencias cruzadas permite a los lectores localizar objetos indirectos, mientras que las actualizaciones incrementales pueden añadir cambios sin reescribir los bytes anteriores. Una página puede combinar texto real y trazos vectoriales con contenido ráster escaneado, por lo que la similitud visual no implica que la extracción o la accesibilidad sean idénticas. Los pipelines de documentos eligen operaciones de renderizado, análisis, optimización, firma o archivo según las características reales y los objetivos de conformidad.

Guardar un PDF de forma incremental añade los objetos modificados, una nueva sección de referencias cruzadas y un nuevo bloque final, y conserva todos los bytes anteriores en su lugar. La referencia de PDF señala que los cambios guardados pueden deshacerse eliminando las secciones añadidas y que los objetos eliminados permanecen en el archivo y solo se marcan como eliminados. Por tanto, el contenido eliminado u oculto en la última revisión aún puede recuperarse, a menos que el archivo se reescriba sin los objetos antiguos.
Un PDF firmado solo puede modificarse mediante actualizaciones incrementales, porque alterar cualquier byte existente invalida sus firmas. Un paso de procesamiento que reescriba el archivo, como una recompresión u optimización, las invalidará; decide si las firmas deben conservarse antes de añadir un paso de ese tipo.
La visualización y la extracción de texto utilizan datos diferentes. Un visor solo necesita glifos, mientras que la búsqueda, la copia y la indexación necesitan una correspondencia entre los códigos de caracteres y Unicode, que procede de un encoding de caracteres estándar, un CMap ToUnicode o ActualText. Sin esa correspondencia, la página sigue viéndose correctamente, pero la extracción devuelve caracteres incorrectos o ausentes, y la integración de la fuente no cambia eso. La documentación de pdfminer.six propone una prueba rápida: copia el texto de un visor a un editor y, si el resultado es ilegible, una biblioteca de extracción no lo hará mejor. Una página escaneada no tiene ningún objeto de texto y necesita OCR.
PDF/A es una familia de perfiles ISO 19005, no una extensión de archivo. Las partes de 1 a 3 exigen que todas las fuentes estén integradas, que el color sea independiente del dispositivo y que los metadatos se basen en estándares, y prohíben el cifrado, el audio, el video y JavaScript, por lo que integrar las fuentes por sí solo no hace que un archivo sea conforme. Un archivo declara su parte y nivel en los metadatos XMP (pdfaid:part y pdfaid:conformance); confirmar esa declaración requiere un validador como veraPDF. El nivel B solo abarca la apariencia visual, por lo que un archivo de nivel B creado a partir de páginas escaneadas puede no tener texto extraíble.
La línea de encabezado %PDF- no siempre indica la versión del archivo: desde PDF 1.4, una entrada Version en el catálogo del documento puede prevalecer sobre ella, lo que permite aumentar la versión mediante una actualización incremental. ISO 32000-1 estandarizó PDF 1.7, e ISO 32000-2, publicada por primera vez en 2017 y revisada en 2020, define PDF 2.0.

Inspecciona el contenido real de un PDF antes de elegir pasos de generación de miniaturas, extracción, combinación u optimización. Las fuentes integradas, las funciones interactivas, el cifrado y las páginas escaneadas pueden limitar la compatibilidad o requerir un tratamiento especializado.

Los Robots de documentos de Transloadit reciben PDF como entrada o lo producen como salida: /document/thumbs renderiza páginas como imágenes, /document/extract devuelve texto seleccionable e imágenes ráster integradas, /document/ocr reconoce texto en documentos escaneados, /document/split y /document/merge extraen y concatenan páginas, /document/optimize reduce el tamaño del archivo y /document/convert produce PDF a partir de otros formatos de documento.

En su modo de texto nativo, /document/extract devuelve poco o ningún texto de los PDF escaneados, y sus modos OCR no pueden combinarse con una contraseña. /document/convert convierte archivos a PDF, no desde PDF. La documentación de los Robots no menciona la salida PDF/A ni la conservación de firmas, así que no des por hecho ninguna de las dos.

Explora los formatos de archivo y las capacidades de compresión de Transloadit

¿Qué es PDF?

Cómo funciona PDF

Datos clave

Cuándo es importante PDF

Cómo ayuda Transloadit con PDF

Fuentes

Convierte tus conocimientos sobre multimedia en un pipeline funcional