Что такое PDF/A и нужен ли он вам

PDF — это набор команд для отрисовки страницы, и часть этих команд зависит от вещей, которых внутри файла нет. Шрифт, установленный на вашем компьютере. Цветовой профиль, который даёт монитор. Видео, сценарий, ссылка на сервер, которого через десять лет не станет. Откройте такой файл сегодня на другой машине — обычно всё выглядит правильно, потому что недостающее подменяется. Откройте в 2050 году — подменять, возможно, будет уже нечем. PDF/A и есть ответ на эту проблему: ограниченное подмножество PDF, в котором всё необходимое для точного воспроизведения страницы лежит внутри файла, а всё зависящее от внешнего мира запрещено. Это не другой формат — файл PDF/A является PDF и открывается в любом просмотрщике — это обещание о том, чего в файле нет.

Что запрещает стандарт

Правила вытекают из цели. Шрифты должны быть встроены, все, без исключений для стандартного набора, который когда-то считали заведомо имеющимся у просмотрщиков; документ, ссылавшийся на условный Arial по имени и предоставлявший просмотрщику самому найти копию, не пригоден для архива, ведь через пятьдесят лет подмена может иметь другие метрики и сдвинуть строки. Шифрование запрещено, поскольку документ, который никто не может расшифровать, не сохранён. Запрещены и сценарии, и встроенные аудио и видео, и действия, запускающие внешние файлы или открывающие сетевые адреса. Прозрачность ограничена в старых частях стандарта и разрешена в новых. Цвет должен быть определён однозначно — встроенным профилем ICC или в аппаратно независимом пространстве, — чтобы конкретный красный был именно этим красным, а не тем, что решит принтер. И каждый файл обязан нести метаданные XMP, указывающие, какой разновидностью PDF/A он себя объявляет.

Уровни: A, B и U

У соответствия есть уровни, и буквы означают не то же, что номера версий. Уровень B, базовый, гарантирует визуальное воспроизведение: страница всегда будет выглядеть правильно. Уровень A, доступный, дополнительно требует размеченной структуры — машиночитаемого описания того, какой текст является заголовком, какой абзацем, какой ячейкой таблицы и в каком порядке читается, — плюс сопоставления с Unicode для всего текста. Уровень U находится между ними и требует сопоставлений с Unicode без полной структуры, то есть текст можно надёжно искать и извлекать, даже если документ размечен не целиком. Уровень A по-настоящему трудно получить из произвольного документа, потому что разметка — это настоящая редакторская работа; поэтому на практике архивы чаще просят уровень B, и поэтому учреждение, требующее PDF/A-1a, требует существенно большего, чем то, что просит PDF/A-1b.

Какую версию выбрать

PDF/A-1 появился первым и остаётся самым строгим: без прозрачности, без слоёв, без вложенных файлов. PDF/A-2 всё это ослабил, разрешив прозрачность, слои, изображения JPEG 2000 и вложение других файлов PDF/A внутрь контейнера. PDF/A-3 внёс важное изменение, разрешив произвольные вложения любого типа — так устроены форматы электронных счетов: человекочитаемая страница счёта с машиночитаемым файлом данных внутри. PDF/A-4, основанный на более новом PDF 2.0, заметно наводит порядок в уровнях. Если получатель не требует иного, разумный выбор по умолчанию — PDF/A-2b: достаточно современный, чтобы не спорить с прозрачностью вашего документа, достаточно строгий, чтобы быть настоящим архивом, и повсеместно поддерживаемый средствами проверки.

Как его получить и ловушка со сканами

Большинство офисных пакетов выгружают прямо в PDF/A, обычно через флажок в окне экспорта, и это самый чистый путь: исходный документ ещё знает, что у него заголовки, а что шрифты. Преобразовать существующий PDF тоже можно специальными инструментами, которые встраивают недостающие шрифты, пересчитывают цвета и удаляют запрещённые возможности. Ловушка — сканы. Отсканированная страница, преобразованная в PDF/A, полностью действительна на уровне B: это изображение, оно всегда будет выглядеть одинаково, стандарт соблюдён. Но текста в ней нет, значит искать нельзя, а уровень A без распознавания недостижим. Заархивировать целый шкаф как PDF/A из одних изображений — значит получить собрание, в котором никто ничего не находит. Если архив должен быть пригоден к работе, а не только сохранён, распознавание должно стоять в процессе до преобразования, а его вывод нуждается в вычитке.

Проверяйте, а не предполагайте

То, что файл выгружен с установленным флажком PDF/A, не доказывает соответствия, и именно на этом чаще всего заворачивают материалы журналы, суды и государственные архивы. Средства проверки существуют, самое известное свободное — veraPDF, и они сообщают, какой именно пункт нарушен. Частые ошибки скучны и повторяемы: шрифт, который нельзя встроить по условиям лицензии, забытая группа прозрачности в логотипе, цветовое пространство без профиля, отсутствующие или неверные метаданные XMP, тип аннотации, не допускаемый стандартом. У каждой есть конкретное исправление. Запустить проверку до отправки — значит превратить отказ через несколько недель в пять минут сейчас.

Когда PDF/A — неверный выбор

Это формат архивирования, а не формат работы, и использовать его по умолчанию накладно. Его нельзя зашифровать, значит конфиденциальный документ не может быть защищённым паролем PDF/A: два требования исключают друг друга, и защищать файл придётся иначе — правами доступа к месту хранения, а не изнутри документа. Встраивание всех шрифтов увеличивает файлы, иногда заметно. Интерактивные формы и мультимедиа — ровно то, что стандарт убирает. Честное правило звучит так: берите PDF/A, когда документ должен читаться много позже исчезновения создавшей его программы или когда этого требует учреждение, и берите обычный PDF для всего, над чем вы ещё работаете. Преобразовать в конце один раз гораздо проще, чем всё время жить внутри ограничений.

Где здесь место сжатию

Архивность и малый вес находятся в противоречии, и стоит осознанно решить, что вам нужно. Агрессивное сжатие изображений безвозвратно выбрасывает сведения — то есть ровно то, что архив должен предотвращать, — поэтому копию для хранения следует сжимать очень сдержанно либо не сжимать вовсе. Практичное устройство — два файла: точная копия PDF/A в архиве и сжатая производная для почты и повседневного чтения, пересоздаваемая по мере надобности. Ошибка — оставить только сжатую версию и назвать её архивом: она и в 2050 году откроется, и в ней по-прежнему не будет той детали, которую вы выбросили сегодня.