Cómo funcionan los archivos PDF

Un PDF es un contenedor de objetos numerados, una tabla que dice dónde empieza cada uno y un tráiler que dice por dónde empezar a leer. Las páginas son objetos, las fuentes son objetos y las instrucciones de dibujo de cada página son un flujo de operadores. Trabaje con los archivos mediante Girar PDF, Editor de Metadatos PDF y Conversor de PDF a Texto; el término se define en PDF (formato de documento portátil).

Las cuatro partes de un archivo

• Cabecera: %PDF-1.4 indica la versión.
• Cuerpo: objetos numerados como 3 0 obj ... endobj (número de objeto, generación y luego el contenido).
• Tabla de referencias cruzadas (xref): para cada objeto, el desplazamiento en bytes donde empieza, de modo que un lector pueda saltar directamente a él.
• Tráiler: nombra el objeto raíz (/Root) y termina con startxref, el desplazamiento de la tabla, y luego %%EOF.

Un PDF mínimo completo

Este archivo de una página es completo. Sus desplazamientos son reales: pdfinfo lo lee como una página de 200 × 100 puntos y pdftotext extrae «Hello PDF».

%PDF-1.4
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 /MediaBox [0 0 200 100] /Contents 4 0 R /Resources << /Font << /F1 5 0 R >> >> >>
endobj
4 0 obj
<< /Length 39 >>
stream
BT /F1 18 Tf 20 50 Td (Hello PDF) Tj ET
endstream
endobj
5 0 obj
<< /Type /Font /Subtype /Type1 /BaseFont /Helvetica >>
endobj
xref
0 6
0000000000 65535 f 
0000000009 00000 n 
0000000058 00000 n 
0000000115 00000 n 
0000000241 00000 n 
0000000330 00000 n 
trailer
<< /Size 6 /Root 1 0 R >>
startxref
400
%%EOF

Cómo encajan las piezas

• El catálogo /Root apunta al árbol de páginas (/Pages), que enumera las páginas (/Kids).
• Cada página tiene un /MediaBox (tamaño en puntos; 72 puntos = 1 pulgada) y /Contents, un flujo como BT ... ET que fija una fuente, se mueve a una posición y muestra texto.
• Los recursos como las fuentes se referencian por nombre (/F1) y se definen en otro lugar.
• Los archivos reales comprimen los flujos (/Filter /FlateDecode) y guardan muchos objetos juntos en flujos de objetos para ahorrar espacio.
• Los metadatos viven en el diccionario /Info y, opcionalmente, en XMP; véalos y cámbielos con Editor de Metadatos PDF.

Por qué importa

• Las ediciones pueden guardarse como una actualización incremental: se añaden objetos nuevos y una xref nueva, y los antiguos siguen en el archivo. El contenido eliminado o tachado puede seguir siendo recuperable.
• La extracción de texto depende de cómo una fuente asigna glifos a caracteres; las páginas escaneadas solo contienen imágenes y necesitan OCR.
• Una xref dañada a menudo se reconstruye buscando marcadores obj, que es como muchos lectores reparan archivos estropeados.
• Para comprobar si un documento tiene cambios ocultos, vea Cómo comprobar si un PDF tiene cambios ocultos.