El formato PDF explicado: qué contiene realmente un PDF

Un lenguaje de descripción de páginas, no un formato de documento

El PDF nació de ideas desarrolladas para PostScript, el lenguaje que usan las impresoras para dibujar páginas, y se convirtió en un estándar ISO abierto en 2008. Un archivo PDF es una colección de objetos: diccionarios, matrices, flujos de operadores de dibujo y una tabla de referencias cruzadas que indica dónde vive cada objeto. El tráiler apunta al primer objeto y a un catálogo de documento que conduce a las páginas. Los archivos modernos suelen empaquetar esos objetos en flujos de objetos comprimidos y sustituir la tabla simple por un flujo de referencias cruzadas, y por eso un PDF puede parecer ilegible en un editor de texto aunque se abra perfectamente en un visor.

Cada página lleva un flujo de contenido. Cuando lees ese flujo en un editor de texto encuentras operadores como mover, dibujar línea, establecer fuente, mostrar glifo y rellenar, además de coordenadas para cada uno de ellos. Nada en el archivo describe un párrafo, un título ni un estilo de procesador de textos. La página es un dibujo, y el dibujo es el documento.

Texto, fuentes e imágenes viven en capas distintas

El texto de un PDF se dibuja con una fuente. La fuente puede estar incrustada por completo, pero normalmente se reduce a los caracteres que usa la página, y por eso un informe de cien páginas puede incrustar solo unos pocos kilobytes de una tipografía. Cada cadena de caracteres se coloca con una matriz de texto, y una tabla de correspondencia aparte llamada ToUnicode CMap indica a los extractores qué carácter representa cada glifo.

Los gráficos vectoriales, como logotipos, gráficos y filetes, se guardan como trazados y curvas, así que se mantienen nítidos con cualquier aumento. Las fotografías son objetos raster independientes y su compresión se elige por separado. Un mismo PDF puede contener texto vectorial nítido junto a una foto JPEG muy comprimida y una captura de pantalla comprimida con Flate, y la calidad de cada parte la decide cómo se creó el archivo.

Por qué editar un PDF es difícil

Como cada glifo tiene una posición, un editor no puede simplemente insertar una palabra y dejar que el resto del párrafo se reajuste. Tiene que averiguar qué glifos forman juntos una línea, qué líneas forman un párrafo, cuáles eran la fuente y el espaciado y dónde debe romperse el párrafo. Esa reconstrucción es una conjetura, sobre todo en archivos creados con programas de diseño.

Los PDF escaneados agrandan el problema. Un escáner produce una imagen de la página, así que el archivo no contiene texto hasta que alguien ejecuta un reconocimiento óptico de caracteres. El OCR puede añadir una capa de texto invisible que hace buscable la página, pero puede leer mal fuentes poco habituales, impresiones tenues o tablas. Si al seleccionar texto no pasa nada, la página es casi con seguridad una imagen.

Para qué sirve realmente el PDF

El formato se gana su lugar cuando el aspecto de una página importa más que su capacidad de edición. Los contratos, las facturas, los extractos, las entradas, los manuales y el arte listo para imprimir dependen del PDF para mantener márgenes, fuentes y saltos de página en su sitio, incluso cuando el archivo se abre en una máquina que no tiene el mismo software ni las mismas fuentes.

El PDF también admite funciones que un formato de documento simple rara vez ofrece: formularios, archivos incrustados, firmas digitales, cifrado con permisos, etiquetas de accesibilidad cuando el autor las añade y perfiles de archivo como PDF/A que restringen funciones para el almacenamiento a largo plazo. Esas capacidades son la razón por la que los gobiernos y los archivos especifican PDF en lugar de Word.

Cuándo tiene sentido convertir un PDF

Convierte cuando el nuevo formato sirva para otro trabajo. Un informe con mucho texto se vuelve editable en un procesador de textos; una sola página se convierte en JPG o PNG para una diapositiva, un chat o un anuncio; solo las palabras pasan a texto plano para buscar o traducir; un escaneo pesado se reduce para enviarlo por correo; varios archivos se convierten en uno o uno se convierte en varios.

• Editar o reescribir un documento con mucho texto: convierte PDF a Word y cuenta con limpiar el formato.
• Insertar una página en una presentación o una publicación social: representa esa página como JPG o PNG.
• Reutilizar párrafos en otra aplicación: extrae el texto en lugar de convertir todo el diseño.
• Enviar por correo o subir a un portal: comprime antes las imágenes y luego revisa el resultado.
• Imprimir profesionalmente: conserva el PDF original y pide a la imprenta su perfil preferido.