Utilitare și metadate PDF

Instrumente utilitare PDF, online, gratuit — compară conținutul textual între PDF-uri, editează metadatele (titlu/autor/subiect), calculează hash SHA-256, vizualizează informații detaliate despre fișier. Mai există: Editor PDF | Securitate | Comprimare | OCR.
Diferențe de text: extrage textul din ambele PDF-uri, apoi compară rând cu rând. Rândurile verzi sunt adăugate în PDF B, rândurile roșii sunt eliminate din PDF A. Calitatea extragerii de text depinde de structura internă a PDF-ului. PDF-urile scanate sau cele formate din imagini pot să nu producă text.
Metadate: citește și editează proprietățile documentului PDF (titlu, autor, subiect, cuvinte-cheie, creator, producător). Modificările se scriu în dicționarul de informații al documentului PDF. Vizualizatoarele PDF standard afișează aceste metadate în Proprietățile fișierului.
Hash: calculează un hash criptografic al fișierului PDF folosind API-ul Web Crypto (SHA-1, SHA-256, SHA-384, SHA-512) sau o soluție de rezervă pentru MD5. Se folosește pentru verificarea integrității sau pentru a afla dacă două fișiere sunt identice.
Informații: citește proprietățile documentului PDF, inclusiv numărul de pagini, dimensiunile paginilor, metadatele, numele fonturilor, numărul de fișiere încorporate și starea criptării.

Cum arată un PDF pe dinăuntru

Fiecare PDF este, în esență, o listă de obiecte numerotate. O pagină nu este stocată ca un bloc de text formatat — fișierul conține un arbore de pagini (un catalog care listează fiecare pagină), iar fiecare pagină indică un flux de conținut: un program compact de instrucțiuni de desenare, precum „plasează acest glif aici, trasează această linie acolo”. Fonturile și imaginile se află în obiecte separate, pe care paginile le partajează prin referință.

La sfârșitul fișierului se află tabelul xref (de referințe încrucișate), care înregistrează deplasamentul în octeți al fiecărui obiect. Acesta este lucrul care permite unui vizualizator PDF să sară direct la pagina 300 fără să analizeze primele 299 de pagini — și de aceea ștergerea sau adăugarea de pagini cere atenție: deplasamentele trebuie să rămână consecvente.

De ce contează asta pentru instrumentele de mai sus: editorul de metadate scrie dicționarul de informații al documentului; vizualizatorul de informații citește arborele paginilor, fonturile și resursele; iar instrumente precum Comprimare și Editare reorganizează aceste obiecte (PDF 1.5+ poate împacheta multe obiecte mici în fluxuri de obiecte comprimate, de unde provin majoritatea economiilor de tip „comprimă PDF”). Instrumentele de Export parcurg fluxurile de conținut pentru a scoate înapoi textul și coordonatele.