Archivos PDF

¿Qué es un archivo .PDF?

El contenido de un archivo .pdf incluye Portable Document Format (PDF). PDF es un formato de documento de diseño fijo inventado en 1993 por Adobe Systems con el fin de permitir la visualización y la impresión independientes de la plataforma. PDF está estandarizado como ISO 32000 y es mantenido por ISO/TC 171/SC 2 y utiliza el tipo MIME application/pdf.

Los archivos .PDF almacenan todas las páginas, incluida información como texto, fuentes, vectores, imágenes, anotaciones, formularios, firmas digitales, adjuntos, etc. Ejemplos típicos de uso de archivos .pdf pueden incluir facturas, extractos bancarios, instrucciones, trabajos científicos, documentos gubernamentales, libros electrónicos, pases de abordar, entradas para eventos, etiquetas de envío, comprobantes, contratos, etc.

Además, la extensión ".pdf" no solo significa Portable Document Format, sino que también puede referirse a perfiles específicos de archivos PDF (PDF/A, PDF/X, PDF/E, etc.) que sirven para distintos propósitos; sin embargo, su reconocimiento por parte del software puede realizarse sobre la base de metadatos PDF especiales, intenciones de salida y otra información técnica. En cualquier caso, no existen formatos contemporáneos ampliamente difundidos y no relacionados que tengan este nombre en particular. Por lo tanto, el archivo .pdf debe verificarse en busca de la firma %PDF- a pesar de que el nombre y la extensión pueden falsificarse fácilmente.

Cómo abrir un archivo .PDF

Detalles técnicos

Este archivo tiene contenido binario con una sintaxis estructurada en el primer nivel que consiste en nombres amigables de tokens ASCII, números, arreglos, diccionarios, flujos de objetos, referencias indirectas a objetos que se refieren a flujos con datos binarios no estructurados dentro de los flujos.

El encabezado estándar de PDF debe ser '%PDF-' seguido del número de la versión como '%PDF-1.7' o '%PDF-2.0'.

Los bytes mágicos deben ser 25 50 44 46 2D para la secuencia de caracteres de la cadena "%PDF-" en la posición cero; algunas aplicaciones pueden aceptar bytes de encabezado iniciales de archivos PDF antiguos e incorrectamente formados.

La estructura tradicional interna de PDF incluye un encabezado seguido de objetos numerados en el cuerpo, la tabla de referencias cruzadas, el diccionario trailer, el desplazamiento de bytes startxref y el marcador %%EOF.

El trailer contiene la entrada /Root con la referencia del catálogo de documentos. Los formatos modernos usan flujos de referencias cruzadas en vez de tablas de referencias cruzadas y flujos de objetos comprimidos; una actualización incremental al archivo PDF existente incluirá nuevos números de objetos, referencias cruzadas y un nuevo trailer para la edición, el llenado de formularios, el guardar los datos del formulario y la creación de una firma digital para preservar la revisión anterior.

El contenido de la página describe el contenido de la página en flujos de contenido que usan comandos de dibujo como sintaxis. El contenido de la página usa las referencias a los recursos descritos en sus diccionarios como el objeto de fuente, imágenes y formulario, espacio de color, patrón y otros estados gráficos.

Los elementos de navegación y las capacidades interactivas de la página PDF pueden usar anotaciones, esquemas, destinos nombrados, campos de AcroForm, formularios XFA, anexos, etiquetas de página, grupos de contenido opcional utilizados como capas, intenciones de salida y un árbol de estructura lógica.

Los filtros de flujo disponibles son FlateDecode -para datos codificados con zlib/deflate (comprimidos), DCTDecode (datos de JPEG), JPXDecode -para el formato de datos JPEG2000, CCITTFaxDecode, JBIG2Decode, LZWDecode, RunLengthDecode, ASCII85Decode y también un filtro de cifrado. La codificación de texto en PDF puede usar diferentes métodos como WinAnsiEncoding, MacRomanEncoding, PDFDocEncoding, cadenas UTF-16BE, fuentes CID, CMaps y mapas ToUnicode los cuales la ausencia puede causar problemas al copiar y pegar texto desde el archivo PDF.

Podría haber metadatos opcionales en el diccionario de información del documento del archivo PDF y como metadatos XMP en la estructura del paquete en el flujo PDF. El tipo MIME oficial para el formato de archivo PDF es application/pdf. El tamaño típico de los documentos de texto PDF son menores a 100 KB; el tamaño de las imágenes escaneadas guardadas en archivos PDF pueden ser decenas y cientos de MBs.

El PDF 2.0 fue definido y estandarizado en ISO 32000-2:2020.

Cómo convertir archivos .PDF

La exportación a PDF es la más común ya que el formato del documento debe permanecer inalterable después de su creación o edición, es decir, no se volverá a ajustar. Al transferir o archivar un archivo para futuras referencias o visualización el PDF se mantendrá después de exportarlo desde Word, Excel o incluso LibreOffice para así conservar el formato de la página. Para el procesamiento de la línea de comandos se puede convertir documentos DOCX a PDF en Linux mediante una instrucción como: libreoffice --headless --convert-to pdf --outdir out input.docx,Copy u otras similares para otras conversiones. HTML, Markdown, LaTeX: cada uno de estos documentos también puede ser convertido a PDF pero el estilo CSS, la gestión de fuentes y otros problemas serán tratados de manera diferente.

En caso de convertir un documento legal de 300 páginas presentado para revisión que consiste solamente en texto para permitir búsquedas futuras pero no tiene imágenes- se puede hacer mediante las herramientas de Poppler que permiten la lectura y el procesamiento de diferentes archivos PDF. Una instrucción como pdftotext -layout input.pdf output.txtCopy funcionará perfectamente con PDFs digitales. En cualquier otra situación, antes del procesamiento deberían utilizarse OCRmyPDF, Tesseract, Acrobat Pro y otras aplicaciones similares. Cuando se trata de la extracción de miniaturas, diapositivas de vista previa, etc. se debe rasterizar las páginas. Se hace de la siguiente manera:

magick -density 300 input.pdf -quality 90 output-%03d.pngCopy Se debe recordar que cualquier tipo de salida (png, jpg, cualquier otro) llevará a que el contenido se vuelva no seleccionable.

Se debe usar la conversión de PDF a DOCX solamente cuando ya no exista el material original. Los productos comerciales como MS Word y otros similares harán un reformateo heurístico. Como consecuencia las columnas y las tablas, el espacio entre las palabras, las fuentes pueden cambiar y así sucesivamente. Se puede convertir un PDF al formato PDF/A mediante Ghostscript pero si esto satisfará los requisitos de verificación es otra pregunta. PDF a SVG/EPS permite la extracción de vectores. pdftocairo -svg input.pdf output.svgCopy funcionará perfectamente para páginas simples y páginas complejas serán representadas en forma de gráficos (debido a las complejas transformaciones).

Problemas comunes y soluciones

"Failed to load PDF document" ocurre con frecuencia en Chrome, Edge y Firefox en casos en que la descarga está incompleta, el servidor web devuelve HTML o un error en un contenedor .pdf y cuando el archivo en realidad no es un archivo PDF. Vuelve a descargarlo y comprueba el tamaño del archivo, y asegúrate de que los primeros 5 bytes de tu archivo PDF sean idénticos a los bytes 25 50 44 46 2D correspondientes a ASCII "%PDF-".

Mensaje en Acrobat Reader: "There was an error opening this document, the file is damaged and could not be repaired". En caso de que haya problemas en la tabla de referencias cruzadas, startxref o en la última marca %%EOF causados por la truncación del archivo, obtén otra copia de tu proveedor. Si una copia limpia no ayuda, intenta repararlo con qpdf repair o reescribir el archivo usando pdfwrite de Ghostscript.

"Please wait... If this message is not eventually replaced..." ocurre cuando intentas abrir formularios XFA dinámicamente. Solo tienes que abrir el archivo en una versión más reciente de Adobe Acrobat Reader.

Una solicitud de contraseña significa que el documento fue cifrado con la contraseña del usuario. Las restricciones sobre acciones como imprimir, editar o copiar se aplican según los permisos del propietario, que utilizan una contraseña aparte y deben solicitarse al receptor del archivo.

Los saltos de línea cambian, la presencia de cuadrados y una salida de impresión ilegible pueden ser un efecto de que no se usaron fuentes sustitutas en tu PDF. Descarga las fuentes y genera el archivo en caso de que falten, o incorpóralas al original. "Copy/Paste garbage content", la imposibilidad de encontrar cierto texto y los errores con símbolos Unicode son resultado de la falta de tablas ToUnicode y del escaneo solo de imágenes. Debes realizar una operación de OCR y regenerar el PDF.

La página en blanco aparece debido a imágenes grandes, al uso de transparencia y capas, a secuencias de objetos JBIG2 o JPEG 2000 incorrectas y, en ocasiones, a la GPU. Compruébalo en versiones más recientes de Acrobat Reader y desactiva la aceleración por hardware en el motor Adobe PDF. En advertencias de firmas como "At least one signature has problems..." debes revisar el panel de firmas para ver si hay un certificado de firma no confiable, cualquier modificación en el archivo después de la firma y la ausencia de información de revocación. Un documento que se abre en modo ilegible y genera un mensaje de ZIP puede ser un archivo comprimido renombrado incorrectamente.

Consideraciones de seguridad

No solo los PDF pueden incluir contenido de una variedad de fuentes, sino también objetos activos, entre otros acciones de JavaScript, OpenAction y otros desencadenadores AA, archivos que vienen incrustados con el PDF, multimedia, acciones de lanzamiento y envío de formularios, enlaces externos y flujos de trabajo antiguos, como el uso de scripts XFA. Se han encontrado varias vulnerabilidades graves relacionadas con estos temas en fuentes, decodificadores de imágenes, la implementación de un motor de JavaScript, la decodificación de JBIG2, formularios y escapes de sandbox; por lo tanto, todos los motores de procesamiento de PDF, incluidos Adobe Acrobat Reader, los visores de PDF basados en navegador, Poppler y Ghostscript, entre otros, deben ser corregidos.

Un ataque de phishing puede llegar mediante formularios muy realistas, facturas falsas y documentos que contienen enlaces y/o códigos QR que llevan a las víctimas, por ejemplo, a un sitio web que pretende ser un banco o cualquier organización que necesite información sensible, como datos de inicio de sesión para un servicio en línea que se sabe que el usuario utiliza. Los datos sensibles pueden esconderse en metadatos /Info y metadatos XMP, el contenido de los archivos incrustados (incluidos multimedia, etc.), comentarios en formularios e imágenes escaneadas (como una capa de texto OCR debajo de una página escaneada); redacte la información con métodos adecuados; use cifrado para evitar la divulgación en reposo, pero tenga cuidado con la seguridad de la contraseña.

Historia y versiones

John Warnock esbozó el concepto de “Camelot” en 1991. Su concepto implicaba un sistema universal de intercambio de documentos electrónicos con el que se podía conservar la apariencia de los documentos a través de aplicaciones e incluso de sistemas operativos. La empresa Adobe lanzó Acrobat y su formato correspondiente (llamado PDF) con las versiones 1.0 en 1993. Sin embargo, no había muchas personas dispuestas a adoptarlos hasta que Adobe Reader se volvió gratuito y la distribución en la web hizo que los documentos descargables fueran habituales.

Hubo una mayor capacidad para trabajar con colores y preimpresión, entre muchas otras funciones para la impresión y la publicación. Esto hizo posible que muchos formatos de entrega y sistemas de prueba propietarios fueran reemplazados fácilmente en 1996 (versión 1.2) y 1999 (versión 1.3). En la versión 1.4 (publicada en 2001), aparecieron algunas funciones clave como la transparencia y la ampliación del soporte de accesibilidad de PDF etiquetado, entre otras.

En la versión 1.7 de PDF (2006) y la versión 1.6 de PDF (2004), hubo muchas mejoras, como funciones orientadas a 3D y a la ingeniería. En 2003 (1.5), se introdujeron mejoras relacionadas con flujos de objetos y flujos de referencias cruzadas, para una mejor compresión. Los subconjuntos PDF/X bajo ISO 15930 y PDF/A-1 bajo ISO 19005-1:2005 se convirtieron en estándares en PDF antes de que este formato llegara a ser un estándar completo. En los años 2008 y 2017, los estándares de estas versiones 1.7 y 2.0 de PDF pasaron a ser ISO 32000-1:2008 e ISO 32000-2:2017, respectivamente, y este último fue actualizado más tarde como ISO 32000-2:2020.

Formatos relacionados

Los formatos PostScript (.ps) y Encapsulated PostScript (.eps) se utilizan para la descripción de páginas y la programación en relación con el diseño gráfico, mientras que el formato Portable Document Format (PDF) es más recomendable para la distribución, tal como fue concebido. Microsoft XPS (.xps) y OpenXPS (.oxps) son dos competidores de diseño fijo integrados en Windows; sin embargo, PDF permite un uso más cómodo de herramientas, compatibilidad multiplataforma y adopción institucional.

Los formatos de procesamiento de texto como (.docx) y (.odt) son formatos preferibles para editar documentos; en su lugar, el formato PDF debería usarse como formato final después de completar el proceso de reflujo del texto, cuando sea necesario firmar o archivar documentos. Aunque los tipos de documento (.html) y (.mhtml) permiten el reflujo de documentos y tienen muchas funciones interactivas, los documentos PDF son mejores para la distribución y para los requisitos exactos de paginación. El tipo de archivo EPUB (.epub) es preferible para la creación y el almacenamiento de libros electrónicos; por ejemplo, los manuales y los documentos con formularios son mejores en formato PDF.

Los formatos de imagen como (.tif), (.jpg), (.png) permiten la representación de contenido escaneado; sin embargo, los PDF pueden contener más de una página o incluir texto OCR, hipervínculos y metadatos. Los archivos DjVu (.djvu) son capaces de reducir la cantidad de datos necesaria para descargar escaneos de libros, pero el formato PDF goza de mayor popularidad y cuenta con buen soporte. PDF/A sigue usando .pdf y cumple con los requisitos de archivo, y es una mejor opción para conservar documentos.