Qu’est-ce que le PDF ?

Portable Document Format, normalisé sous la référence ISO 32000, décrit des documents à mise en page fixe indépendamment des applications, du matériel et des systèmes d’exploitation. Un PDF peut contenir du texte, des polices, des éléments graphiques, des formulaires, des annotations et des fichiers intégrés.

PDF sérialise un graphe d’objets organisé par pages, contenant des flux de contenu, des ressources, des polices, des images, des annotations et la structure du document. Les informations de références croisées permettent aux lecteurs de localiser les objets indirects, tandis que les mises à jour incrémentielles peuvent ajouter des modifications sans réécrire les octets précédents. Une page peut combiner du texte natif et des tracés vectoriels avec du contenu matriciel numérisé : une ressemblance visuelle n’implique donc pas une extractibilité ou une accessibilité identique. Les chaînes de traitement documentaire choisissent les opérations de rendu, d’analyse, d’optimisation, de signature ou d’archivage selon les caractéristiques réelles et les objectifs de conformité.

L’enregistrement incrémentiel d’un PDF ajoute les objets modifiés, une nouvelle section de références croisées et un nouveau bloc de fin, tout en laissant chaque octet précédent en place. La référence PDF précise que les modifications enregistrées peuvent être annulées en supprimant les sections ajoutées, et que les objets supprimés restent dans le fichier et sont seulement marqués comme supprimés. Le contenu retiré ou recouvert dans la dernière révision peut donc encore être récupéré, sauf si le fichier est réécrit sans les anciens objets.
Un PDF signé ne peut être modifié que par des mises à jour incrémentielles, car toute altération d’un octet existant invalide ses signatures. Une étape de traitement qui réécrit le fichier, comme une recompression ou une optimisation, les invalidera ; déterminez si les signatures doivent être conservées avant d’ajouter une telle étape.
L’affichage du texte et son extraction utilisent des données différentes. Une visionneuse n’a besoin que des glyphes, tandis que la recherche, la copie et l’indexation nécessitent une correspondance entre les codes de caractères et Unicode, fournie par un encodage standard, une CMap ToUnicode ou ActualText. Sans cette correspondance, la page conserve son apparence correcte, mais l’extraction renvoie des caractères incorrects ou manquants, et l’intégration de la police n’y change rien. La documentation de pdfminer.six propose un test rapide : copiez le texte d’une visionneuse dans un éditeur ; si le résultat est illisible, une bibliothèque d’extraction ne fera pas mieux. Une page numérisée ne contient aucun objet texte et nécessite une reconnaissance optique de caractères (OCR).
PDF/A est une famille de profils ISO 19005, et non une extension de fichier. Les parties 1 à 3 exigent l’intégration de toutes les polices, des couleurs indépendantes du périphérique et des métadonnées fondées sur des normes. Elles interdisent le chiffrement, l’audio, la vidéo et JavaScript : l’intégration des polices ne suffit donc pas à rendre un fichier conforme. Un fichier déclare sa partie et son niveau dans les métadonnées XMP (pdfaid:part et pdfaid:conformance) ; la confirmation de cette déclaration nécessite un validateur tel que veraPDF. Le niveau B ne couvre que l’apparence visuelle : un fichier de niveau B constitué de pages numérisées peut donc ne contenir aucun texte extractible.
La ligne d’en-tête %PDF- n’indique pas toujours la version du fichier : depuis PDF 1.4, une entrée Version dans le catalogue du document peut la remplacer, ce qui permet à une mise à jour incrémentielle d’augmenter la version. ISO 32000-1 a normalisé PDF 1.7, et ISO 32000-2, publiée pour la première fois en 2017 et révisée en 2020, définit PDF 2.0.

Examinez le contenu réel d’un PDF avant de choisir des étapes de création de miniatures, d’extraction, de fusion ou d’optimisation. Les polices intégrées, les fonctions interactives, le chiffrement et les pages numérisées peuvent limiter la compatibilité ou nécessiter un traitement spécialisé.

Les Robots documentaires de Transloadit acceptent le PDF en entrée ou en produisent : /document/thumbs effectue le rendu des pages sous forme d’images, /document/extract renvoie du texte sélectionnable et les images matricielles intégrées, /document/ocr reconnaît le texte des documents numérisés, /document/split et /document/merge extraient et concatènent des pages, /document/optimize réduit la taille des fichiers et /document/convert produit des PDF à partir d’autres formats de documents.

Dans son mode de texte natif, /document/extract renvoie peu ou pas de texte pour les PDF numérisés, et ses modes OCR ne peuvent pas être combinés avec un mot de passe. /document/convert convertit les fichiers vers le format PDF, et non depuis ce format. La documentation des Robots ne mentionne ni la production de PDF/A ni la conservation des signatures ; ne présumez donc ni l’une ni l’autre.

Explorer les possibilités de Transloadit en matière de formats de fichiers et de compression

Qu’est-ce que le PDF ?

Fonctionnement du PDF

Points clés

Quand le PDF est utile

Comment Transloadit vous aide avec le PDF

Références

Transformer vos connaissances sur les médias en une chaîne de traitement opérationnelle